Kako započeti s umjetnom inteligencijom - prije nego što bude prekasno

AI i strojno učenje počet će donositi puno više odluka. Vjerojatno ih se još uvijek neće koristiti u bliskoj budućnosti za donošenje "velikih" odluka poput toga hoće li se na robu staviti carina od 25 posto i započeti trgovinski rat s partnerom.

Međutim, gotovo sve što ste zapeli u Excelu i masirali, kodirali ili razvrstali dobar je problem klasterizacije, klasifikacije ili učenja rangiranja. Sve što je skup vrijednosti koje se mogu predvidjeti dobar je problem strojnog učenja. Sve što je obrazac ili oblik ili predmet kroz koji jednostavno prođete i "potražite" je dobar problem dubokog učenja.

A posao ih je pun. Baš kao što je program za obradu teksta zamijenio spremište pisaćih strojeva, AI će uskoro zamijeniti horde uredskih radnika koji bulje u Excel - i zamijeniti neke analitičare.

Tvrtke se trebaju pripremiti za ovu promjenu. Kao što su tvrtke koje se nisu pripremile za web i e-trgovinu ostale u prašini, tako će i tvrtke koje se ne prilagode AI i strojnom učenju. Ako ne gledate ogromne količine podataka koje obrađujete i odluke koje donosite i pitate, "Ne mogu li ići na kraj u automatizaciji ovoga?" ili tražite stvari koje ne radite jer ne možete odlučiti "u stvarnom vremenu" dovoljno da biste stekli prednost - vidjet ću zatvaranje vaše tvrtke u novinama za nekoliko godina.

Da biste se pripremili za ovu promjenu, imate pet preduvjeta prije nego što uopće možete započeti poslovnu transformaciju. Treba vam strategija za širenje AI-a u vašoj organizaciji koja započinje s ovih pet preduvjeta.

AI preduvjet br. 1: Obrazovanje

Ne možete od svih u svojoj tvrtki napraviti znanstvenika podataka. Štoviše, neka matematika teče prebrzo da bismo je shvatili mi smrtnici - specifični algoritam za koji ljudi misle da je najučinkovitiji ovaj tjedan vjerojatno neće biti pravi sljedeći tjedan.

Međutim, neke se osnovne stvari neće promijeniti. Svatko u vašoj organizaciji trebao bi razumjeti neke osnovne mogućnosti strojnog učenja, posebno programeri:

  • Grupiranje: grupiranje stvari.
  • Klasifikacija: Razvrstavanje stvari u označene skupine.
  • Predviđanje na liniji: Ako možete napraviti linijski graf, vjerojatno možete predvidjeti koja će to vrijednost biti.
  • Predviđanje varijance: Bilo da se radi o riziku likvidnosti ili vibracijama ili skokovima snage, ako imate skup vrijednosti koje padaju u rasponu, možete predvidjeti kolika je vaša varijansa u danom danu.
  • Sortiranje / naručivanje / postavljanje prioriteta: Ne govorim o jednostavnim stvarima. Bilo da je riječ o pretraživanju ili određivanju prioriteta koji će sljedeći poziv nazvati vaša prodajna osoba ili osoba za podršku, to je nešto što može riješiti strojno učenje.
  • Prepoznavanje uzorka: bilo da se radi o obliku, zvuku ili skupu raspona vrijednosti ili događaja, računala ga mogu naučiti pronaći.

Jedna je ključna stvar imati oko sebe skup ljudi koji to može prigušiti za ljude na temelju njihove razine vještine. Vaše programere možda zanimaju određeni algoritmi ili tehnike, ali vaši analitičari i rukovoditelji trebali bi razumjeti osnovne poslovne probleme i računalne tehnike. Vaši rukovoditelji možda neće trebati znati kako klasterizacija djeluje, ali moraju prepoznati da problem "izgleda" kao problem klasterizacije.

Napokon, trebate redovito osvježavati obrazovanje, barem jednom godišnje, jer se mogućnosti šire. 

Povezani video: Strojno učenje i dešifriranje AI

Probijajući se oko hipe oko strojnog učenja i umjetne inteligencije, naš panel govori o definicijama i implikacijama tehnologije.

AI preduvjet br. 2: Komponentizacija

Neki od novijih alata oko komponentizacije su "bilježnice" za znanstvenike podataka; iz njih izrastaju mnogi drugi alati. To su izvrsni alati za znanstvenike podataka i njihove suradnike.

Problem je u tome što potiču loše prakse kada je proizvodnja u pitanju. Sučelje za klasifikacijski algoritam izgleda otprilike isto kao i svi drugi algoritmi. Primjena određenog algoritma klasifikacije ne mijenja se s poslovnim problemom.

Baš kao što su mnoge tvrtke morale smisliti kako napraviti jedan prikaz kupca (umjesto da se potpuno razlikuju u svakom sustavu za svaki poslovni problem), to morate učiniti i za algoritme. To ne znači da trebate smisliti jedan istinski algoritam grupiranja, već da komponentizirate ono što je drugačije.

AI preduvjet br. 3: Sustavizacija

Unatoč svim hulama, većina sustava i dalje izgleda isto. Postoji neki postupak za unošenje podataka u algoritam, neki za izvršavanje algoritma i mjesto za ispljuvanje rezultata. Ako iznova i iznova dizajnirate sve te stvari za svaki algoritam, gubite vrijeme i novac - i stvarate sebi veći problem. Baš kao što je SOA promijenio broj tvrtki koje primjenjuju aplikativni softver, slične su tehnike potrebne i u načinu primjene AI.

Ne treba vam hrpa prilagođenih Spark klastera koji se svuda vrte s prilagođenim "prijenosnicima" i prilagođenim ETL procesima. Trebaju vam AI sustavi koji mogu podići teške ruke bez obzira na poslovni problem.

AI preduvjet br. 4: AI / UI komponentizacija

U svijetu JavaScript / web korisničkog sučelja s RESTful uslugama na stražnjoj strani, mnogi bi se korisnički sučelji trebali moći miješati u komponentu AI. Bez obzira radi li se o preporučitelju na temelju ponašanja korisnika ili pak o virtualnom asistentu, vaša bi tvrtka trebala graditi UI knjižnicu koja uključuje AI funkcionalnost za lako ugrađivanje u vaše poslovne aplikacije.

AI preduvjet br. 5: Instrumentacija

Ništa od ovoga ne funkcionira bez podataka. Ne vraćamo se stvaranju velikih debelih deponija podataka na kojima samo skupljamo hrpu smeća na HDFS-u i nadamo se da će to jednog dana imati vrijednost, kao što su neki dobavljači na to nagovarali. Umjesto toga, pogledajmo koje stvari treba instrumentirati.

Ako proizvodite, postoje jednostavna polazišta: Svatko tko izvadi ručni mjerač troši vaše vrijeme. Međutim, čak i u prodaji i marketingu imate e-poštu i mobitele - podaci se mogu automatski prikupiti s njih što je očito korisno. Umjesto da zanovijetaju prodavače kako bi završili s unosom podataka, zašto to ne bi dopuštali sustavima?

Pokrenite svoju AI strategiju

Da rezimiramo, pet ključnih preduvjeta su:

  • Širite AI znanje u cijeloj svojoj organizaciji.
  • Svatko bi trebao razumjeti osnovne svakodnevne stvari koje strojevi mogu raditi sami.
  • Izgradite sustave i komponente za svoj AI.
  • Izgradite kombinacije AI / UI za jednostavno dodavanje AI u vaše poslovne aplikacije.
  • Instrumentirajte svoje sustave da prikupljaju podatke koji su vam potrebni za hranjenje algoritama koji donose odluke umjesto vas.

Ako sastavite ove preduvjete, ostalo bi trebalo uslijediti tijekom prelaska iz Informacijskog u Insight Age.