Компании во всем мире пытаются извлечь выгоду из данных и их обещаний. Данные — это новая нефть; избитый девиз. Очевидный путь превращения данных в золото, по-видимому, лежит через искусственный интеллект, науку о данных или машинное обучение.

Что менеджеры часто не могут сделать, так это спросить, действительно ли им нужен полноценный отдел обработки данных? Нужно ли им платить большие деньги за ресурсы, которые, как известно, трудно сохранить? И смогут ли они привлечь такие ресурсы в первую очередь.

Ваша компания, вероятно, не Google или Facebook, и это важно…

Однако главная причина, по которой вы не зарабатываете миллионы на искусственном интеллекте, заключается в том, что его полезность основывается на недоразумении. Руководители высшего звена думают о науке о данных как о золотой пуле, способной решить кажущиеся невыполнимыми задачи; подумайте об AlphaGo от Google, подумайте о Watson от IBM. Однако средний бизнес не пытается превзойти какой-то суперкомпьютер, бизнес пытается создать немедленную коммерческую и акционерную стоимость.

Почему новые технологические компании так хороши с ИИ?

Когда вы думаете о популярных приложениях искусственного интеллекта, таких как AlphaGo, Watson, Google Lens или Snapchat Filters, вы должны видеть их такими, какие они есть на самом деле. Это продукты (и целые компании), построенные вокруг приложений искусственного интеллекта.

Это похоже на то, что компании создаются только тогда, когда развиваются определенные технологии. Электромобили — результат развития технологии аккумуляторов, смартфоны — результат более эффективных чипов, дисплеев и той же аккумуляторной технологии. То же самое касается искусственного интеллекта.

Искусственный интеллект для продукта

Причина, по которой Google, Snapchat и Facebook имеют такой большой опыт применения машинного обучения, заключается в том, что они создали продукты поверх своих моделей. Исследование предшествует продукту.

Google Фото, запущенный в 2015 году, был способом Google монетизировать распознавание изображений. Но разработка основных методов уже длилась годами. Всего за год до Facebook выпустил DeepFace, который стал самым большим достижением в распознавании лиц на изображениях. Google предпринял стратегический шаг, предоставив пользователям бесплатное хранилище, чтобы собрать как можно больше информации для обучения моделей. Но алгоритмы были хорошо разработаны до запуска.

Фильтры Snapchat — это попытка монетизации распознавания лиц Snapchat Inc., основанная на той же технологии. Функции автоматической пометки Facebook также являются попыткой монетизации.

Но не дайте себя слишком легко одурачить чрезвычайно впечатляющими моделями распознавания лиц. Процесс маркировки данных по сей день в значительной степени является ручной работой, и его ценность не была полностью оценена до 2009 года с запуском ImageNet; крупномасштабный набор данных, отражающий реальный мир.

Процесс маркировки данных по сей день в значительной степени является ручной работой.

Продукты выбираются очень тщательно, находя реальное применение глобальным исследованиям в области искусственного интеллекта.

Продукт для ИИ

Для многих компаний проблема обратная. Они занимают определенную нишу и сталкиваются с конкретными бизнес-задачами. У этих предприятий есть определенный набор (или диапазон) или продуктов, к которым они могут применить искусственный интеллект.

Предприятия пытаются применить ИИ к определенному продукту…

Их цель — применить машинное обучение для повышения осведомленности, увеличения продаж или предотвращения оттока или мошенничества. Они пытаются улучшить свой текущий бизнес, а не начинать совершенно новый.

Разница между этими двумя подходами не что иное, как драматическая. Что, если ваша проблема не требует применения машинного обучения — вместо этого, возможно, оптимизация процессов? Или что, если ваша проблема не подходит для применения искусственного интеллекта?

И ваша компания, вероятно, отличается…

Из-за разницы между продуктом и искусственным интеллектом, а также между искусственным интеллектом и продуктом, менеджеры должны начать с вопросов почему и что. Какуюпроблему они пытаются решить? Вместо того, чтобы просить модель машинного обучения, они должны спросить, что именно они хотят решить. Менеджеры должны заранее обсудить это со своей командой аналитиков. Начните со своей бизнес-задачи вместо искусственного интеллекта.

Вместе с командой аналитиков менеджеры могут определить, на чем лучше сосредоточить усилия, а на чем следует отложить применение искусственного интеллекта. Поскольку менеджеры часто работают с ограниченными или неполными знаниями, разумно начать разговор с аналитическими группами на раннем этапе.

Это позволяет избежать с головой погрузиться в машинное обучение, тратя много денег на проекты, которые могут того не стоить. Это приводит к, по-видимому, недостаточному развитию науки о данных в корпорациях.

Эта статья является продолжением одной из моих идей, представленных в предыдущей статье. Статью вы можете найти здесь: Возможно, ваша компания не готова к ИИ