Хотите создать продукт или услугу ИИ для своего бизнеса? Ключевые моменты, с которых нужно начать свой бизнес-путешествие в области искусственного интеллекта.
Каковы ваши цели? Если вы ищете классификацию изображений, рекомендации услуг или продуктов, моделирование жизненного цикла клиентов для удержания наиболее прибыльных клиентов, моделирование оттока, динамическое ценообразование для установления цен в зависимости от спроса, обнаружение спама, другие варианты использования, основанные на обнаружении закономерностей в точках бизнес-данных — вам понадобится то, что называется контролируемым машинным обучением.
Выбор стратегии и инструмента аннотирования ИИ будет иметь решающее значение для успеха.
Давайте начнем с некоторых основ и продолжим оттуда.
McKinsey Digital определяет искусственный интеллект, ИИ, как «способность машины выполнять когнитивные функции, которые мы связываем с человеческим разумом, такие как восприятие, рассуждение, обучение, взаимодействие с окружающей средой, решение проблем и даже осуществление творчества. Примерами технологий, которые позволяют ИИ решать бизнес-задачи, являются робототехника и автономные транспортные средства, компьютерное зрение, язык, виртуальные агенты и машинное обучение».
Основополагающие факты об ИИ
Искусственный интеллект (ИИ) — это, по сути, программное обеспечение, используемое для моделирования процессов человеческого интеллекта, включая обучение, анализ данных и рассуждения.
В качестве подполя ИИ машинное обучение, ML использует численные методы вычислений, оптимизации и статистики, чтобы «учиться» выполнять задачи с использованием алгоритмов, а не программировать их напрямую от начала до конца. Опираясь на шаблоны и выводы, алгоритмы машинного обучения строят математическую модель на основе выборочных данных, известных как «данные для обучения».
Использование аналитики машинного обучения
Описательный: понимание закономерностей в данных, таких как ключевые показатели эффективности и эффективность компании;
Прогностический. Используется для анализа рисков и возможностей для компаний на основе исторических данных, статистических моделей и машинного обучения.
Предписывающий: Gartner определяет как «форму расширенной аналитики, которая исследует данные или контент, чтобы ответить на вопрос «Что следует сделать?» или «Что мы можем сделать, чтобы _______ произошло?», и характеризуется такими методами, как анализ графов, моделирование, обработка сложных событий, нейронные сети, механизмы рекомендаций, эвристика и машинное обучение».
Типы машинного обучения
Обучение с учителем. Алгоритм использует обучающие данные и отзывы людей, чтобы изучить взаимосвязь заданных входных данных и заданных выходных данных.
Обучение без учителя. Алгоритм исследует входные данные без явной выходной переменной (например, исследует демографические данные клиентов для выявления закономерностей).
Обучение с подкреплением: алгоритм учится выполнять задачу, просто пытаясь максимизировать вознаграждение, которое он получает за свои действия (например, максимизирует баллы, которые он получает за увеличение доходности инвестиционного портфеля).
Я собираюсь сосредоточиться на обучении с учителем, когда люди участвуют в процессе маркировки данных и определяют выходную переменную.
Алгоритм машинного обучения обучается на данных, чтобы найти связь между входные переменные и выходные.
После завершения обучения (обычно когда алгоритм достаточно точен) алгоритм применяется к новым данным.
Как вы маркируете данные?
Аннотирование данных — это процесс маркировки данных, чтобы показать результаты, ожидаемые от модели наборов данных ML, с функциями, которые система ML должна распознавать самостоятельно, с помощью: маркировки, тегов, расшифровки.
Доступны различные инструменты для создания аннотаций. Начните с бизнес-целей и ресурсов, чтобы создать стратегию ИИ, чтобы свести к минимуму потери ресурсов и получить ценность ИИ.
Важные моменты при выборе инструментов:
1. Начните с проверки концепции — Команда OutSecure может помочь создать AI Framework для создания продуктов ИИ, создав проверку концепции за неделю. Это поможет определить, подходит ли ваша бизнес-задача для машинного обучения с учителем.
2. Типы данных — видео или изображения, текст;
3. Создайте или купите — кто будет использовать этот инструмент? Квалифицированные ресурсы и возможности являются ключевыми для этого решения. Покупка инструмента — более дешевый вариант, но в нем не будет возможности настройки, и это может стать важным компромиссом для результатов бизнеса.
4. Открытый исходный код и коммерческие инструменты. Это те же соображения, когда речь идет о безопасности и поддержке, что и при традиционном использовании в бизнесе. Существует множество сообществ с инструментами с открытым исходным кодом, одним из которых мы являемся, является The Linux Foundation. Если у вас есть ресурсы для разработки, инструменты с открытым исходным кодом — хороший вариант. Доступ к квалифицированным ресурсам является ключевым, если вы выбираете вариант с открытым исходным кодом.
5. Безопасность. Безопасность — это многомерная область в традиционных системах, но когда дело доходит до ИИ, существует сложная динамика, которая затрагивает безопасность данных, конфиденциальность данных и целостность алгоритмов, чтобы предотвратить создание систем, которым не хватает доверия к результатам. Инструмент аннотирования данных и наборы данных должны быть тщательно проверены на соответствие как минимум таким нормам, как GLBA, HIPAA, GDPR.
Вы можете прочитать больше о моем AI Trust — призыв к действию.
Памела Гупта, президент OutSecure Inc, компании по разработке стратегии Trusted AI, которой владеет женщина. Памела продвигает доверие к ИИ через безопасность, конфиденциальность, прозрачность и пишет о стратегии ИИ для организаций.
Я многому научилась в области управления продуктами ИИ от Судхи Джамте на ее учебном курсе по искусственному интеллекту для менеджеров по продуктам и бизнес-менеджерам в Stanford Continuing Studies и на ее курсе по этике ИИ в Бизнес-школе ИИ.
