Многие ожидают, что А. принятие ускорится в фирмах post covid [1, 2, 3, 4]. Точно так же в отчете McKinsey говорится, что «компании планируют еще больше инвестировать в ИИ в ответ на пандемию COVID-19» [5]. В этой статье я бы выделил три причины этого роста и, что важно, то, что мы можем сделать, чтобы подготовиться к этому росту.
Рост данных
То, как мы работаем, изменилось за последний год. На наших рабочих местах личные встречи и физические мероприятия были заменены виртуальными встречами и вебинарами. Электронные документы и электронные подписи заменили физические документы и подписи. Это указывает на очевидное, что пандемия вынудила оцифровывать процессы на рабочих местах везде, где это возможно.
Таким образом, сегодня, вместо оцифрованных протоколов собраний, оцифровываются целые собрания, состоящие из аудиодискуссий, печатных разговоров и видео. Каждый документ, требующий совместной работы двух или более руководителей, теперь доступен по электронной почте или в облаке. Стремясь достичь клиентов виртуально, фирмы размещают информацию о продуктах в Интернете, и клиенты принимают решения о покупке на цифровых платформах.
Чистым эффектом будет увеличение количества цифровых данных для бизнеса. Данные, рекламируемые как новое масло [6,7,8], являются одной из ключевых основ A.I. технологии требуют для работы. Причина, являющаяся одним из ключевых приемов искусственного интеллекта. сегодня это называется машинным обучением. Это потому, что методы машинного обучения в значительной степени полагаются на данные.
Рост глубокого обучения
Методы машинного обучения обычно имеют фазу, известную как «фаза обучения». На этапе обучения А.И. инженеры будут использовать (1) данные и (2) ожидаемые прогнозы на основе этих данных для создания набора правил (также обычно называемого «моделью» машинного обучения). Предполагается, что после того, как вы сгенерировали эту модель, вы сможете вводить в нее новые данные и делать прогнозы на будущее. Следовательно, принято считать, что чем больше данных вы предоставите этим методам машинного обучения на этапе обучения, тем лучше будет ваша модель. Однако производительность этих классических алгоритмов машинного обучения (таких как деревья решений, логистическая регрессия) обычно в определенный момент находится на плато, а дополнительные данные не имеют большого эффекта.
С начала 2010-х гг. исследователи обнаружили одну особую технику машинного обучения (глубокое обучение), которая, похоже, бросает вызов этому плато. Известный исследователь Эндрю Нг утверждал, что методы глубокого обучения могут повысить производительность при увеличении объема данных [9]. Улучшение производительности настолько очевидно, что всего за несколько лет методы глубокого обучения были приняты во многих сферах.
Конвергенция данных и глубокое обучение
Поскольку мы наблюдаем конвергенцию роста данных и глубокого обучения, мы начинаем создавать цикл положительной обратной связи «Добродетельный круг ИИ», в котором созданные данные улучшают модели глубокого обучения, что привлекает больше пользователей и тем самым создает больше данных [9] . Этот цикл обратной связи создает оправданные бизнес-модели и повышает устойчивость наших компаний.
Как подготовиться к этому росту
Исследования показали, что перед лицом таких надвигающихся изменений руководители бизнеса считают, что только четверть их сотрудников подготовлена к искусственному интеллекту. принятие [10]. Такие изменения часто вызывают замешательство, скептицизм и даже недоверие. С другой стороны, также существует реальный риск появления такого ИИ. модели не работают [11].
Безусловно, квалифицированная рабочая сила с достаточным знанием А.И. сможет снизить некоторые из этих рисков. Работодателям следовало бы сосредоточить часть своих усилий на переподготовке сотрудников. Однако мы признаем, что знание ведет нас только так далеко. В конечном итоге все организационные изменения являются результатом того, что персонал сам выполняет требуемые изменения.
Как работодатели мы должны делать все возможное, чтобы такие изменения не только приносили пользу фирме, но и облегчали страдания сотрудников. Это поможет заручиться поддержкой сотрудников и их готовностью довести эти изменения до конца. Как сотрудники, поскольку мы осуществляем изменения, мы должны сохранять непредвзятость и должны быть готовы чувствовать себя неудобно, бросать вызов, но незаменимы, поскольку и работодатель, и сотрудник работают рука об руку, чтобы противостоять ухабистому пути восстановления, который нам предстоит.
Примечание: эта статья вдохновлена мастер-классом, который я провел в декабре 2020 года. Вы можете найти презентацию здесь: https://masterclass.sg/2-dec-introduction-to-deep-learning/
ОБ АВТОРЕ:
Д-р Донни Со - доцент кластера инфокоммуникационных технологий (ИКТ) Сингапурского технологического института (SIT). Он имеет докторскую степень в Имперском колледже в Лондоне.
[2] https://www.bcg.com/publications/2020/business-applications-artificial-intelligence-post-covid
[3] https://www.defenseone.com/ideas/2020/10/post-covid-world-we-need-ai-more-ever/169531/
[4] https://www.xero.com/sg/the-next-chapter/?escape=true
[7] https://www.wired.com/insights/2014/07/data-new-oil-digital-economy/
[8] https://www.kenwayconsulting.com/blog/data-is-the-new-oil/
[9] Эндрю Нг. (2018). Тоска по машинному обучению. Черновик https://www.deeplearning.ai/content/uploads/2018/09/Ng-MLY01-12.pdf
[10] https://sloanreview.mit.edu/article/getting-your-employees-ready-for-work-in-the-age-of-ai/
