Любой специалист по организационному поведению скажет вам, что даже в самых крупных и сложных организациях самые сложные бизнес-проблемы часто остаются нетронутыми. Системные проблемы, связанные с огромными объемами данных, разбросанных по разным репозиториям, кажутся поистине непреодолимыми — информации просто слишком много, чтобы разобраться.

Эта проблема обострилась в последние годы с появлением больших данных. Проблемы с большими данными связаны с символической обработкой огромных данных для громоздких задач: целевой рекламы, систем рекомендаций и изучения прямых корреляций.

Конечно, данные ценны сами по себе, но многие корпоративные поисковые решения просто не приспособлены для эффективного анализа структурированных и неструктурированных источников данных с использованием традиционных методов. Это приводит к временным решениям, применяемым для решения проблем в краткосрочной перспективе, ожиданию какого-то неопределенного момента в будущем, когда других насущных проблем нет, ресурсы безграничны, а конкуренция говорит: «Не можем ли мы все просто получить вместе".

Есть хорошие новости?

Да. Хорошей новостью для предприятий является то, что на рынке обработки данных есть много игроков, которые предлагают проверенные решения, более чем способные обрабатывать большие объемы структурированных данных. Плохая новость заключается в том, что если вы сосредоточитесь только на структурированных данных, вы можете искать решение своих проблем не в том месте.

Когнитивные вычисления направлены на то, чтобы научить компьютеры думать и обрабатывать информацию, как люди. Одним из его ключевых приложений является понимание естественного языка (NLU). Дальновидные технические директора признают, что это ценная технология. Способность по-настоящему понимать естественный язык без какого-либо вмешательства человека является сегодня огромной проблемой. Использовали ли вы в последнее время чат-бот службы поддержки для чего-либо помимо 15 часто задаваемых вопросов? Если это так, вы знаете, что мы имеем в виду. Люди обходятся дорого, и им становится скучно, и они совершают ошибки. Почему бы не освободить своих критически мыслящих, нестандартно решающих проблемы сверхлюдей, чтобы они сосредоточились на том, что у них получается лучше всего? Мы предполагаем, что вы уже думаете об этом. По мере того, как компьютеры становятся «умнее», они будут настраиваться для автоматизации сложных рабочих процессов и действительно принимать решения в корпоративном мире.

Вы описываете утопию. Как это может быть возможным?

Прямо сейчас большинство основано на строго структурированных входных данных. Но что, если бы компьютеры также могли понимать естественные или неструктурированные входные данные? Это ИИ для человеческого языка. В нашей повседневной жизни общение с машинами на естественном языке становится все более распространенным явлением. С Droid, Siri, Cortana и т. д. строительные блоки уже на месте.

Естественный язык — это лишь одно из применений когнитивных вычислений. Уже разрабатываются продвинутые когнитивные системы, связанные со зрением, речью и т. д. Обладая способностью понимать и фактически предпринимать действия на основе нетекстовой, неструктурированной информации, когнитивные вычисления кажутся естественным выбором для решения традиционных задач с большими данными. особенно там, где размер данных приводит к чрезмерно высокой стоимости или задержке; или когда базовые данные слишком динамичны; или когда структурированные данные являются лишь частью большой головоломки.

Вот преимущества когнитивных вычислений по сравнению с традиционными технологиями больших данных для решения этих задач:

  • Масштабируемость. Когнитивные вычисления — это построение гипотез, их подтверждение или опровержение, а также изучение их для формирования новых гипотез — по сути, так, как думают люди. У когнитивных систем есть память, они способны догадываться сами, и они предназначены для того, чтобы искать правильные ответы взад-вперёд. Это означает, что они могут прийти к столь же строгим выводам без необходимости перебирать целые базы данных методом грубой силы. Они делают меньше избыточных вычислений, что является признаком масштабируемости.
  • Динамичность. Те же возможности дают когнитивным компьютерам большую гибкость при приеме и обработке данных. Если, например, система обрабатывает несколько пакетов данных, и в пакете появляется новая переменная, когнитивные компьютеры не пропустят ни секунды. Они автоматически изменят модели, включив в них новые переменные. Для традиционных технологий модели, возможно, придется переписывать, и от этого сильно пострадает производительность. Это справедливо и для ситуаций, когда сам контент продолжает развиваться.
  • Естественное взаимодействие. Учитывая, что естественный язык в любом случае является важным приложением, использование возможностей естественного языка делает системы когнитивных вычислений очень мощными. Например, эти системы могут выводить свои идеи непосредственно на деловом языке. Что еще более важно, эти системы могут извлекать информацию из естественного языка или неструктурированного текста. Это увеличивает их применимость и время, затрачиваемое на подготовку данных для расширенного анализа.

Прежде чем мы закончим: супер-гиковская заметка для всех вас, ученых-компьютерщиков…

В наихудшем случае производительность когнитивной системы для базы данных с n записями и m полями может быть O(nm²), по сути, как у метода грубой силы, но на самом деле, если модель хорошо обучена, она почти всегда работает почти наилучшей. случай, который асимптотирует к O (n) с очень низкой константой. Чем дольше система работает, тем ниже становится константа.

Но где во всем этом обработка естественного языка (NLP)? Подход к NLP, основанный на науке о данных, сильно отличается от традиционных стеков NLP, где машина полагается на внутреннюю грамматическую структуру. Когнитивные компьютеры быстрее обучаются и могут быть очень гибкими в отношении качества ввода. Исходя из нашего опыта, если бы существовала шкала, в которой полностью структурированные данные были бы равны 1, а хорошо составленная языковая часть — 10, то когнитивные системы Козера показали бы лучшие результаты между 6 и 9.

В целом, когнитивные вычисления сильно отличаются от систем, основанных на больших данных или НЛП. Искусственный интеллект и действительно когнитивные функции в дизайне делают его мощным и особенно подходящим для приложений, которые работают в структурированных и неструктурированных доменах и / или являются динамическими по своей природе.