Как да започнем с AI - преди да е станало твърде късно

ИИ и машинното обучение ще започнат да взимат много повече решения. Вероятно те все още няма да бъдат използвани в близко бъдеще за вземане на „големи“ решения, като например дали да се постави 25% тарифа върху стока и да започне търговска война с партньор.

Обаче почти всичко, което сте залепили в Excel и сте масажирали, кодирали или сортирали, е добър проблем за групиране, класификация или обучение за класиране. Всичко, което представлява набор от стойности, които могат да се предвидят, е добър проблем с машинното обучение. Всичко, което е модел или форма или предмет, през който просто преминавате и „търсите“, е добър проблем за задълбочено обучение.

И бизнесът е пълен с тях. Точно както текстовият процесор замени набора от пишещи машини, AI скоро ще замени орди офис служители, втренчени в Excel - и ще замени и някои анализатори.

Компаниите трябва да се подготвят за тази промяна. Както компаниите, които не са се подготвили за мрежата и електронната търговия, са останали на прах, така ще бъдат и компаниите, които не се адаптират към AI и машинното обучение. Ако не разглеждате огромното количество данни, които обработвате, и решенията, които вземате, и питате: „Не мога ли да направя последната миля в автоматизирането на това?“ или да търсите неща, които не правите, защото не можете да решите „в реално време“ достатъчно, за да спечелите предимство - ще видя затварянето на вашата компания във вестниците след няколко години.

За да се подготвите за тази промяна, имате пет предпоставки, преди дори да можете да започнете бизнес трансформация. Нуждаете се от стратегия за разпространение на ИИ във вашата организация, която започва с тези пет предпоставки.

AI предпоставка № 1: Образование

Не можете да направите всички във вашата компания учен по данни. Освен това част от математиката работи твърде бързо, за да можем да я схванем ние простосмъртните - специфичният алгоритъм, който хората смятат за най-ефективен тази седмица, вероятно няма да е правилният следващата седмица.

Някои основни неща обаче няма да се променят. Всеки във вашата организация трябва да разбере някои основни възможности на машинното обучение, особено разработчиците:

  • Групиране: Групиране на нещата.
  • Класификация: Сортиране на нещата в обозначени групи.
  • Предвиждане на линия: Ако можете да направите линейна графика, вероятно можете да предскажете каква ще бъде тази стойност.
  • Прогноза за отклонение: Независимо дали става въпрос за риск от ликвидност или вибрации или скокове на мощност, ако имате набор от стойности, които попадат в диапазон, можете да предскажете каква е отклонението ви за даден ден.
  • Сортиране / подреждане / приоритизиране: Не говоря за простите неща. Независимо дали става въпрос за търсене или за определяне на приоритетите, кое обаждане ще предприеме следващото от вас лице за продажби или поддръжка, това е нещо, с което може да се справи машинно обучение.
  • Разпознаване на образец: Независимо дали става дума за форма, звук или набор от диапазони на стойности или събития, компютрите могат да се научат да го намират.

Едно ключово нещо е да има набор от хора наоколо, които могат да го заглушат за хората въз основа на нивото на уменията им. Вашите разработчици може да се интересуват от конкретни алгоритми или техники, но вашите анализатори и ръководители трябва да разберат основните бизнес проблеми и компютърни техники. Може да не е необходимо вашите ръководители да знаят как работи клъстерирането, но трябва да признаят, че проблемът „прилича на“ проблем на клъстерирането.

И накрая, имате нужда от редовно обновяване на образованието, поне веднъж годишно, защото възможностите се разширяват. 

Свързано видео: Машинно обучение и дешифриране на AI

Разбивайки шума около машинното обучение и изкуствения интелект, нашият панел разказва дефинициите и последиците от технологията.

AI предпоставка № 2: Компонентизация

Някои от последните инструменти около компонентизацията са „тетрадки“ за изследователите на данни; от тях израстват много други инструменти. Това са чудесни инструменти за изследователите на данни и техните сътрудници.

Проблемът е, че те насърчават лошите практики, когато става въпрос за производство. Интерфейсът към класификационен алгоритъм изглежда приблизително същият като всички останали алгоритми. Изпълнението на конкретен алгоритъм за класификация не се променя с бизнес проблема.

Точно както много компании трябваше да измислят как да направят едно представяне на клиент (а не напълно различни във всяка система за всеки бизнес проблем), трябва да направите същото и за алгоритмите. Това не означава, че трябва да измислите един истински алгоритъм за клъстериране, а че композирате различното.

AI предпоставка № 3: Систематизация

Въпреки всички шуми, повечето системи все още изглеждат еднакви. Има някакъв процес за получаване на данните в алгоритъм, някакъв процес за изпълнение на алгоритъма и място за изплюване на резултата. Ако персонализирате проектирането на всички тези неща отново и отново за всеки алгоритъм, губите време и пари - и създавате по-голям проблем за себе си. Точно както SOA промени колко компании разгръщат приложен софтуер, са необходими подобни техники в начина на внедряване на AI.

Не са ви необходими куп персонализирани клъстери Spark, които се движат навсякъде с персонализирани „тетрадки“ навсякъде и изградени по поръчка ETL процеси. Нуждаете се от AI системи, които могат да извършват тежко вдигане, независимо от бизнес проблема.

AI предпоставка № 4: AI / UI компонентизация

В един свят на JavaScript / уеб потребителски интерфейс с RESTful услуги на задната страна, много от вашите потребителски интерфейси трябва да могат просто да се смесват в компонент на AI. Независимо дали става въпрос за препоръчител, базиран на поведението на потребителя, или за пълен виртуален асистент, вашата компания трябва да изгражда библиотека на потребителския интерфейс, която включва функционалност на AI за лесно вграждане във вашите бизнес приложения.

AI предпоставка № 5: Измервателна техника

Нищо от това не работи без данни. Нека не се връщаме към създаването на големи тлъсти сметища за данни, където просто събираме куп боклуци на HDFS и се надяваме, че някой ден ще има стойност, както някои производители ви призоваха да го направите. Вместо това, нека да разгледаме какви неща трябва да бъдат инструментирани.

Ако сте в производството, има прости начални точки: Всеки, който извади ръчен габарит, губи времето ви. Въпреки това, дори в продажбите и маркетинга имате имейл и мобилни телефони - данните могат да се събират автоматично от тях, което е очевидно полезно. Вместо да заяждате продавачите, за да свършат въвеждането на данни, защо да не оставите системите да правят това сами?

Преминете към вашата AI стратегия

За да обобщим, петте основни предпоставки са:

  • Разпространете знанията за ИИ в цялата си организация.
  • Всеки трябва да разбере основните ежедневни неща, които машините могат да правят сами.
  • Изградете системи и компоненти за вашия AI.
  • Изградете AI / UI комбинации за лесно добавяне на AI към вашите бизнес приложения.
  • Инструментирайте вашите системи да събират данните, които са ви необходими, за да захранват алгоритмите, за да вземат решения вместо вас.

Ако съберете тези предпоставки заедно, останалото трябва да последва при преминаване от информационната ера към ерата на прозрението.