Критичность внедрения ИИ

Если вы читаете этот пост, возможно, вы ищете ответы о том, почему внедрение ИИ так сложно и как это сделать. Об этих темах писали многие. Вот две статьи, которые были опубликованы за последнее время - почему это сложно (Forbes) и как это сделать (Harvard Business Review). Но покопайтесь, и вы найдете множество других, которые высказываются по этим вопросам с большей или меньшей глубиной и ясностью.

Эта статья (в основном) не об этом. Речь идет о том, почему разработка мышления и внедрение методов искусственного интеллекта важны для будущего успеха вашего бизнеса и предприятий в целом, особенно тех, которые участвуют в более крупных отраслевых экосистемах. Даже если вы небольшая компания, а не технологическая компания, работающая в секторе услуг или на периферии вашей отрасли, в наборе инструментов искусственного интеллекта есть множество инструментов и процессов, которые могут ускорить ваш бизнес, а не сломать его, ни с функциональной точки зрения. или философски. ИИ поставит вас впереди ваших конкурентов, которые медленнее адаптируются, и укрепит ваш сегмент рынка.

Что такое ИИ (через призму бизнеса)?

Искусственный интеллект - это общая категория технологий и процессов, улучшающих человека. (ИМО и другие соглашаются, что его следует называть расширенным интеллектом, потому что это на самом деле было бы более точным и менее устрашающим звучанием, чем искусственный интеллект, который вызывает антиутопические состояния будущего с роботами-повелителями.) По своей сути ИИ - это набор математических статистических данных. принципы и методы, применяемые на протяжении десятилетий, даже столетий, которые используют данные и находят закономерности для обобщения. С появлением быстрых и дешевых вычислений и доступности огромных наборов данных эти методы вдохнули новую жизнь, и они применялись для все более крупных, но в основном аналогичных вычислений за последние несколько лет.

В контексте бизнеса эти методы помогут вам решить два типа задач: категоризация и прогнозирование. Категоризация ИИ используется в основном для идентификации слов и изображений, таких как распознавание голосовой команды или обнаружение потенциально злокачественной опухоли на рентгеновском снимке. Прогнозирующая сторона ИИ используется для разработки моделей поведения системы, которые затем можно использовать, чтобы предпринять или рекомендовать действия, такие как маршрутизация вокруг трафика или рекомендация фильма.

Вместе или по отдельности категоризация и прогнозирование позволяют автоматизировать процессы, которые вы могли бы выполнять вручную или не выполнять вообще сегодня. Это означает, что ИИ может помочь вам ускорить, масштабировать, оптимизировать или упростить работу, которую вы уже выполняете; или это может предложить совершенно новые возможности для вашего бизнеса, о которых вы никогда раньше не думали. ИИ может либо принимать решения за вас, когда вещи действительно хорошо поняты и очень предсказуемы, либо они могут помочь или ускорить принятие решений, когда что-то не так.

Возьмем, к примеру, рекомендацию фильма. Если вы помните, как ходили в магазин видеопроката и были частым посетителем, возможно, вы также просили продавца порекомендовать фильмы для проката. Как местный, мелкомасштабный процесс это сработало. Внимательный клерк со временем мог бы даже все лучше и лучше давать вам рекомендации. Войдите в Интернет, потоковые сервисы и доступность практически всех форм кино-развлечений, когда-либо созданных, и модель рекомендаций на основе клерков явно не работает. Используя данные, собранные от всех зрителей на платформе, в том числе рекомендации из краудсорсинга, процесс становится автоматическим и масштабируемым - возможно, он не идеален, но и клерк видеомагазина тоже не был идеальным.

Почему меня должен волновать ИИ (если я работаю в бизнесе)?

Даже если у вас нет крупномасштабной платформы, такой как сервис потокового видео, необходимо принять меры и извлечь выгоду из мышления, связанного с ИИ. И шаги, которые предшествуют фактическому применению методов машинного обучения к вашим бизнес-данным, не менее важны для разработки дорожной карты ИИ в вашей компании, чем выполнение окончательного анализа и получение новых идей, генерируемых ИИ. В любом случае эти шаги являются передовой практикой, и, выполнив их, вы улучшите свой бизнес, а также предоставите вам хорошие возможности для внедрения ИИ и участия других компаний в их деятельности в области ИИ.

Создание реестра данных. Весь искусственный интеллект предполагает работу с данными, обычно с огромными наборами так называемых больших данных, которые настолько велики, сложны и громоздки, что ими невозможно манипулировать или анализировать вручную. Итак, вам нужно внимательно посмотреть на свои данные: данные, которые у вас есть, данные, которых у вас нет, но которые вы хотели бы иметь, данные, которые вы могли бы получить от партнеров или из открытых источников, и как все это происходит. вместе (или нет), когда вы пытаетесь решить проблемы. Эта инвентаризация данных даст вам представление о возможностях и пробелах в вашей компании. Хотя это не обязательно должно быть первым шагом к запуску инициативы AI в вашей компании, это может быть. Это также не обязательно должно выполняться специалистом по данным; бизнес-аналитик подойдет. Не удивляйтесь, если инвентарь подтвердит то, что вы, возможно, уже знаете, - что ваши данные в беспорядке, - и ничего не упускайте.

Анализ бизнес-процессов. Ваши процессы определяют ваш бизнес, и у вас, вероятно, их гораздо больше, чем задокументировано или может описать любой человек в вашей компании. От тонких (как вы развиваете направление продаж) до повседневных (как вы управляете запасами) каждый процесс стоит описать и критически изучить, чтобы увидеть, выиграет ли он от ускорения, масштабирования, оптимизации или упрощения. Кроме того, как и инвентаризация данных, эта деятельность может выявить потенциальные возможности в рамках вашего собственного бизнеса или в работе, которую вы выполняете вместе с партнерами, в рамках большой цепочки поставок или рыночной экосистемы или вообще за пределами вашего рыночного сегмента. Если вы выполняете процесс действительно хорошо, и это показатель того, как и почему вы добились успеха, возможно, вы сможете обобщить и систематизировать этот процесс для других аналогичных видов бизнеса и продавать как новую услугу.

Начиная с чего-то, начиная с малого. Многие крупные компании приняли ИИ, собрав всех талантливых специалистов в области науки о данных в стране и заставив их работать по добыче огромных массивов данных. Если вы не работаете в одной из этих компаний - без высокобюджетных инициатив в области ИИ, без ресурсов для борьбы за талантливые специалисты по науке о данных, без огромных массивов данных - тогда вы в большинстве! В Соединенных Штатах большинство людей (99,7%) работают на малых предприятиях (компаниях с 500 или менее сотрудниками), на них приходится 64% новых рабочих мест, и они производят больше патентов на одного сотрудника, чем крупные фирмы (в 16 раз больше). Последняя статистика особенно важна. Малые предприятия внедряют инновации намного быстрее, чем крупные. Это можешь быть ты. Выберите небольшой проект, который включает в себя категоризацию или прогнозирование, а затем используйте его для проверки ваших данных, обработки и анализа. Затем развивайте этот успех и переходите к более крупным и действенным инициативам.

Вы также можете выполнить эти шаги по отдельности или одновременно:

  • Инвестируйте в программное обеспечение. Существует множество программных инструментов и сервисов, которые можно использовать для применения ИИ в своем бизнесе. Если у вас много данных, но вы не знаете, что с ними делать, вы даже можете использовать подход обувной коробки, названный в свое время бухгалтерами после уплаты налогов, которым приходилось разбираться в коробках из-под обуви со счетами, квитанциями и т. Д. и заявления. Кроме того, ИИ с разреженными данными постоянно разрабатываются и совершенствуются, чтобы помочь решить проблемы, в которых большие наборы данных не существуют или имеют много дыр.
  • Получите образование. Моя команда из Riff Learning недавно провела онлайн-курс по внедрению ИИ для NEXT Canada, помогая людям узнать о реализации бизнес-идей, вдохновленных ИИ, в своих компаниях или о том, как продвигать их как новые. компании. На курсе одновременно преподавались принципы искусственного интеллекта (под руководством Сэнди Пентланд), основы программирования на Python для машинного обучения, создания предприятий и методов построения бизнеса. В курсе также использовался искусственный интеллект платформы Riff, чтобы помочь небольшим командам работать более эффективно и совместно. К концу курса каждый учащийся получил практический опыт придумывания и разработки настоящей инициативы на основе ИИ.

Может быть, эти занятия не похожи на ИИ. Это не так. Но они являются необходимыми предшественниками для внедрения ИИ таким образом, чтобы он действительно повлиял на ваш бизнес.

Что сделал ИИ за последнее время (для таких предприятий, как мой)?

Возможно, вы слышали фразу «ИИ жаждет данных», означающую, что ему нужно много-много данных, чтобы хорошо выполнять классификацию или прогнозирование. Например, если вы хотите, чтобы машина распознала броненосца по фотографии, то для надежной работы ей потребуется множество примеров фотографий броненосцев. Его также необходимо научить распознавать наиболее важные факторы, которые отличают броненосца от, скажем, панголина, ежа, муравьеда или змеи, которая только что съела небольшое млекопитающее. Этот процесс обучения ИИ называется обучением с учителем, и с его помощью решается обработка естественного языка (ваш телефон распознает то, что вы говорите), распознавание изображений (поисковая система находит изображения улиток) и другие проблемы категоризации. Обучение без учителя также требует большого количества данных, но не требует обучения, чтобы быть эффективным. Он работает путем сортировки объектов по кластерам с общими атрибутами, что приводит к получению немаркированных, но категоризированных данных. Трансферное обучение берет модель, разработанную для одного типа данных, и использует ее, чтобы попытаться отсортировать аналогичный, но другой набор данных. И ИИ, основанный на моделях, начинает с предположения о том, какой шаблон, структуру или атрибуты может иметь набор данных, а затем продолжает тестировать эту модель с все большим количеством данных и совершенствовать модель по мере ее продвижения.

Почему эти различия имеют значение? Потому что ваши задачи категоризации и прогнозирования должны соответствовать определенному классу конкретных проблем, которые ИИ умеет решать; в остальном AI не для вас. Хорошая новость в том, что в этот класс вписывается МНОГО проблем; Еще лучшая новость заключается в том, что существует МНОГО программных инструментов для применения машинного обучения к этим типам проблем, даже если ваши данные не очень чистые и аккуратные. Все чаще новые платформы, такие как Flybits и Endor, упрощают, чем когда-либо, получение ваших данных и выяснение того, что о них можно узнать.

Могу я просто немного подождать, чтобы внедрить ИИ (в свой бизнес)?

Гм, нет. Хотя ИИ все еще находятся в зачаточном состоянии, и внедрение ИИ сопряжено с определенным риском, существует почти неограниченное количество интересных проблем, которые машинное обучение и прогнозная аналитика могут решить в вашем бизнесе. Например, посмотрите на любой ручной процесс, который вы выполняете сегодня, и решите, является ли он предсказуемым или кодифицируемым, а затем решите, сколько человеко-часов вы тратите каждую неделю на выполнение этого процесса. Это известно как автоматизация процессов, и когда ИИ используется для управления циклом автоматизации процессов прогнозирования, рекомендаций, действий и измерений, это называется автоматизация процессов с помощью роботов.

Какие риски? Широко сообщалось, что ИИ страдает от предвзятости, обычно вводимой из-за использования слишком узких данных во время обучения с учителем. Ваш видео-клерк, рекомендующий название, вероятно, тоже имел свои предубеждения. В малом масштабе такие предубеждения малоэффективны, и вы, вероятно, даже замечаете о них, когда имеете дело с кем-то лицом к лицу. В крупном масштабе предвзятость систематизируется и усиливается, и ее трудно увидеть, а еще труднее обратить вспять. Как вы, возможно, читали или видели (посмотрите Видео Джой Буоламвини о том, как распознавание лиц не позволяет правильно идентифицировать чернокожих женщин как женщин), такие предубеждения часто влияют на одни группы населения больше, чем на другие.

Другой риск - чрезмерное доверие. После внедрения ИИ его необходимо поддерживать, как и любой другой инструмент или процесс. ИИ не статичны и работают как полностью автономные процессы только при выполнении очень простых, очень предсказуемых действий или после многочисленных раундов обучения и проверки с новыми и большими наборами данных. Если вы используете ИИ, скорее всего, проблема достаточно сложна, чтобы требовать постоянного наблюдения и исправления.

Резюме

Искусственный интеллект обещает открыть беспрецедентные возможности для предприятий по всему миру - как для небольших, не связанных с технической деятельностью компаний, так и для крупных технологических компаний. Обладая способностью анализировать огромные объемы данных и выявлять скрытые, важные для бизнеса идеи, ИИ может тонко и радикально преобразовать ваш бизнес. На производстве ИИ может помочь найти дефекты на сборочной линии до того, как будет изготовлено несколько дефектных изделий. А когда произведенные детали попадают в другие продукты, ИИ может более точно предсказать, когда какая-то деталь выйдет из строя, прежде чем это вызовет более серьезные проблемы. В правительстве ИИ дает представление о налоговых расчетах, прогнозируя, какие просроченные счета следует использовать, чтобы максимизировать вероятность платежа. В обслуживании клиентов искусственный интеллект поддерживает чат-ботов, которые задают стандартные вопросы, чтобы определить категорию необходимой помощи, а затем направляет вызывающих абонентов к нужному специалисту для решения проблемы. Крупные корпорации используют несколько одноцелевых приложений на базе искусственного интеллекта (часто разрабатываемых небольшими компаниями) для оптимизации работы, например, для объединения людей со схожими навыками, которые могут помочь друг другу, или выполнения обнаружения изображений в документах, или преобразования словесных команд в задачи. Где бы вы ни находились, в этом диапазоне размеров, возможностей, возможностей или потребностей, не ждите, чтобы внедрить ИИ.

Этот материал был первоначально опубликован на сайте rifflearning.com 22.08.2019.