Итак, вы готовы приступить к разработке стратегии искусственного интеллекта для своей организации. Ты не одинок. Благодаря очевидной рентабельности инвестиций от внедрения решений на базе искусственного интеллекта, как обсуждалось в моем блоге Автоматизация + расширение равносильно интеллектуальному преобразованию. Все больше компаний задают один и тот же важный вопрос: с чего начать?
Во-первых, давайте рассмотрим распространенное заблуждение: ИИ - это не магия. Даже современные приложения могут быть чрезвычайно узкими, поскольку имеют дело со структурированными, организованными данными для решения четко очерченной проблемы. Распространенная ловушка, в которую попадают руководители, - это переоценка возможностей ИИ, не осознавая, сколько данных требует один эффективный алгоритм, и, что более важно, тип организации данных, который лежит в основе наиболее надежного и гибкого ИИ для вашего конкретного приложения. Как говорится, «мусор на входе, мусор на выходе». Забрасывание кучей незакрепленных цифровых файлов на стандартный алгоритм не принесет никакой пользы ни вашей производительности, ни прибыли.
Однако это не означает, что внедрение ИИ следует поручить лишь небольшой группе высокоспециализированных экспертов внутри компании. Не должно быть. Скорее, лица, принимающие решения, должны понимать, какие аспекты их предприятия могут выиграть от внедрения ИИ как внутри, так и между отделами. Этот процесс, по словам Роба Томаса из IBM, сродни восхождению по лестнице.
Масштабирование лестницы ИИ
Чтобы эффективно обрисовать концепцию ИИ, руководители должны усвоить базовый принцип: современные подходы к ИИ критически полагаются на организованные наборы данных и эффективную архитектуру данных. Лучшее место для начала вашего путешествия по ИИ - это выявить конкретную бизнес-проблему, для которой доступны тонны организованных данных, и построить интегрированную инфраструктуру для реализации ее потенциала.
Почему? По сути, внедрение ИИ похоже на подъем по лестнице. Позволь мне объяснить.
Вместо того, чтобы подниматься вверх, давайте спустимся по этой лестнице, начиная с верхней ступеньки, AI, чтобы добраться до сути. В наши дни в большинстве надежных приложений искусственного интеллекта применяется машинное обучение (ML) - группа жадных алгоритмов, которые работают лучше при наличии достаточного количества примеров обучающих данных. Заметьте, я сказал адекватный, а не огромный или какой-то другой вариант - больше не всегда лучше.
ML тоже не волшебство. Он полагается на аналитику и статистику для выявления закономерностей и тенденций, выходящих за рамки человеческих возможностей. Аналитика, в свою очередь, критически зависит от чистых данных, организованных таким образом, чтобы машины могли легко их усвоить. И вот нижняя ступенька лестницы: поток данных должен быть многоуровневым, чтобы эффективно удовлетворять потребности машинного обучения и, следовательно, искусственного интеллекта.
Другими словами, ИИ начинается с информационной архитектуры (ИА). Или, как классно выразился Сет Эрли в IEEE Software, нет ИИ без IA. Я настоятельно рекомендую вам прочитать эту статью: в ней не только описывается, как ИИ повлияет на нашу жизнь, но также подробно рассматриваются его различные приложения, факторы принятия решений, управление и, конечно же, важность разработки стратегии и структур для управления. данные для AI.
Другими словами, ИИ начинается с информационной архитектуры (ИА).
Что такое IA?
По сути, IA - это просто способ организовать и структурировать информацию в продукте или услуге, чтобы к ней можно было легко получить доступ для удовлетворения потребностей тех, кто запрашивает, например, людей и алгоритмов машинного обучения.
В IA нет ничего загадочного. Некоторые даже считают это здравым смыслом.
Древние египтяне использовали элементарную версию при организации своих обширных библиотек, чтобы сделать книги более доступными. Однако с бумом Интернета и быстрым ростом объемов данных IA превратилось в обширную техническую область. Теперь IA - это не одна идея, а широкий контейнер, который включает в себя множество мыслей и результатов для плавной передачи запрашиваемых данных пользователю.
При оптимальной реализации пользователи даже не замечают его существования. В наши дни IA работает в фоновом режиме веб-сайтов, музыкальных библиотек и фото-приложений - среди других сервисов - для организации веб-контента, сообщений в блогах, музыкальных и фото файлов в соответствии с тегами и метаданными. IA - это движущая сила UX-дизайна, позволяющая поставщикам контента доставлять доступный, понятный, полезный, ценный и доступный для совместного использования контент прямо нам перед носом.
Хорошо, так при чем здесь ИИ?
IA поддерживает чистые данные
ИА влияет на ИИ двумя неразрывными, взаимосвязанными способами:
· Во-первых, он предоставляет алгоритму структурированные данные;
· Во-вторых, это позволяет обрабатывать данные в более широкой логической иерархии для лучшего извлечения смысловых паттернов, результатов и выводов.
Поговорим о первом пункте. Здесь мы немного погрузимся в высокоуровневую механику машинного обучения, которая лежит в основе приложений искусственного интеллекта. Само машинное обучение включает в себя множество разновидностей алгоритмов, которые извлекают шаблоны из данных, при этом программист явно не указывает им, что делать. Однако, независимо от их специфики, всем приложениям машинного обучения требуются структурированные данные. Это, вероятно, легче понять в приложениях, которые работают с финансовыми и транзакционными данными. Там, где это становится головной болью, появляются более умные приложения, такие как компьютерное зрение, обработка естественного языка и другие функции машинного обучения, которые имеют дело с изображениями, визуальными эффектами и языком. В отличие от таблиц, заполненных числами, этот тип информации обычно не имеет заранее определенной структуры или общей архитектуры для анализа.
Тем не менее, чтобы машинное обучение могло адекватно обрабатывать эти данные, им по-прежнему требуются параметры, связанные с источником и контекстом. В качестве одного примера, алгоритм, который анализирует эффективность маркетинговой кампании, может отслеживать ленты своих клиентов в социальных сетях и выполнять анализ настроений. Хотя письменный язык может быть повсюду, сообщения все же необходимо систематизировать по различным параметрам, которые описывают их пользователей, сообщения, отношения, ссылки, хэштеги и так далее. Здесь первым шагом является описание структуры входных данных, чтобы затем алгоритм мог быть передан на другие уровни для выявления моделей интереса - например, пользователи, как правило, более положительно отзываются о бренде после определенных усилий по охвату. .
IA поддерживает эффективную обработку данных
Вышеупомянутый пример уже затрагивает второй и, возможно, главный пункт IA: эффективную иерархию обработки.
Чтобы вернуться от структурированных данных к структуре данных, мы можем углубиться в другой вариант использования - диалоговую архитектуру, лежащую в основе виртуальных помощников по маркетингу и продажам.
Подобно анализу настроений, здесь ИИ должен найти закономерности на основе неструктурированных данных - истории чатов клиента - чтобы лучше удовлетворять его потребности. Первым шагом является разработка диалогового интеллекта, в котором все виды предыдущих разговорных данных из разных модальностей - электронные письма, телефонные звонки, маркетинговые материалы - систематизируются и вводятся в ИИ.
Затем алгоритм определяет шаблоны из этих данных, включая намерения, темы, теги и (да) настроения, которые передаются в архитектуру диалога, которая напрямую сопоставляется с тем, что ищут клиенты.
На следующем уровне развернется оптимизированное общение между командами, включая маркетинг, продажи и поддержку. Поток данных хорошо организован от приема до вывода, что упрощает приложение, и все команды получают выгоду от внедрения ИИ.
Короче говоря, хотя ML особенно эффективен при поиске структуры из неструктурированной информации, на уровне данных он по-прежнему требует организации. Как лаконично резюмирует Ранний, чистые данные - это цена допуска для ML. Прежде чем когда-либо загружаться в ML, данные нуждаются в определенных атрибутах (или переменных), нормализации и очистке. Исходя из этого, данные необходимо обрабатывать в логической и эффективной архитектуре, чтобы лучше соответствовать вашим конечным потребностям, целям и, конечно же, чистой прибыли компании.
Сложно ли внедрить IA?
No.
Конечно, есть камни преткновения, и не существует универсального решения, которое подходило бы для всех, когда дело доходит до IA для какой-либо конкретной компании или предприятия. Одна из распространенных проблем заключается в том, что нескольким отделам могут не требоваться данные одного и того же типа или одинаковый уровень целостности и организации данных. Это может привести к раздробленности усилий по созданию архитектуры информации для удовлетворения конкретных потребностей каждой команды, без учета более широкой компании или более долгосрочных амбиций. Еще более острая проблема возникает, если команды изначально не выбрали общую номенклатуру, определения и другие параметры для организации общих «основных» данных или когда связь между экспертами по науке о данных и руководителями проектов прерывается.
Итак, первый и, возможно, самый сложный шаг в построении прочной основы внутреннего аудита - не технический. Это культурно: создавайте команды, которые могут сочетать богатый деловой опыт менеджеров с техническими ноу-хау экспертов по науке о данных, одновременно обучая сотрудников важности поддержания чистых, организованных наборов данных.
Решения с низким кодом
Теперь поговорим о технике.
Кодировать IA с нуля, несомненно, сложно. Хорошая новость в том, что в этом нет необходимости. Благодаря услугам, предоставляемым гигантами в области искусственного интеллекта, включая Microsoft, Amazon, Google и IBM, теперь есть удобные для потребителя решения IA, которые даже стартапы и небольшие компании могут легко адаптировать и использовать, не беспокоясь о тонкостях инициализации и обслуживания данных. инфраструктура.
Эти пакетные решения часто называют программным обеспечением с низким кодом / без кода, и они близки к волшебству. Они обладают суперспособностями, позволяя сотрудникам небольших компаний становиться гражданскими разработчиками, способными создавать надежные приложения, адаптированные к их собственным потребностям. По сути, этот тип программного обеспечения обеспечивает удобную для пользователя интегрированную визуальную среду разработки (IDE). Вместо того, чтобы иметь дело с кодом, пользователь может перетаскивать компоненты приложения, такие как цифровые кубики Lego, для соединения в приложения. Взаимодействие с конечным пользователем похоже на переход от DOS к Windows.
Поскольку они прошли боевые испытания и поддерживаются крупнейшими игроками технологической индустрии, системы без кода / с низким кодом обеспечивают безопасную масштабируемую платформу, которая предлагает множество инструментов для обеспечения безопасности, обновления, тестирования и процессов выхода из системы с минимальным вмешательством. домашняя ИТ-поддержка. В результате платформы разработки снижают стоимость входа как с точки зрения настройки оборудования, так и с точки зрения обучения и развертывания персонала.
Одним из таких решений является Microsoft Common Data Service (CDS), которая не только надежно хранит данные, но и формирует модель с заранее построенными отношениями и правилами, касающимися потока данных. Это освобождает пользователя от необходимости беспокоиться о применении этих правил или написании их с нуля. В начале июня 2019 года компания доработала AI builder. Конструктор вводит данные в CDS для анализа, воздействует на эти результаты через приложения и дополнительно автоматизирует бизнес-процессы. Пока что программный пакет с низким кодом поддерживает двоичную классификацию, простое обнаружение объектов, чтение визитных карточек, обработку форм и другие приложения, которые, вероятно, будут добавлены по мере дальнейшего развития системы.
И CDS, и AI Builder интегрированы в более крупную облачную платформу Microsoft Azure, которая использует Машинное обучение Azure, используемое для создания, обновления и поддержки приложений (вот отличное поясняющее видео). Вместо того, чтобы специалисты по обработке данных вручную кодировали проекты с нуля, теперь приложения можно эффективно создавать за счет автоматизации определенных (простых и утомительных) аспектов машинного обучения или более сложных задач, которые обычно возлагаются на специалистов по машинному обучению. Как пример последнего, Azure может помочь вам выбрать наиболее подходящую модель машинного обучения для конкретного сценария и набора данных, что является ключевым первым шагом в машинном обучении.
Это здорово. Как объясняет Microsoft: Разработка традиционных моделей машинного обучения требует значительных ресурсов, требующих как значительных знаний в предметной области, так и времени для создания и сравнения десятков моделей. Платформа не теоретическая. Это уже стало популярным: яркие примеры включают умные рекомендательные системы для онлайн-маркетинга или обслуживания клиентов или, как мы сами успешно создали, инструменты автоматизации и настройки рабочих процессов для повышения эффективности рабочего места.
Подводя итог, можно сказать, что эти интегрированные решения IA позволяют руководителям сосредоточиться на более широкой картине своего основного бизнеса, а не на тонкостях управления единой структурой данных - шифровании, развертывании, аварийном восстановлении и т. Д. Без сомнения, решения без кода / с низким кодом уже помогают компаниям, заинтересованным во внедрении ИИ и автоматизации в качестве основного двигателя, ускорить процесс, и мы прогнозируем, что эта тенденция будет набирать обороты.
Social27 Automation Studio
Моя компания также разработала решение без кода под названием Social27 Automation Studio. Мы используем его для создания решений автоматизации разговоров - помощников ИИ для чатов, голосовых и информационных систем рекомендаций, и это лишь некоторые из них.
Полезное сообщение
Так. Это было много. Вот вывод.
Успешное внедрение ИИ для достижения расширенного интеллекта требует поддержки как на культурном, так и на техническом уровне компании. Для последнего это начинается с организованных данных и адекватной инфраструктуры данных.
Будьте уверены, это не тяжелая битва: несмотря на то, что IA является фундаментальным для ИИ, для его реализации не требуется внушительный кошелек или годы. Готовые решения - часто называемые "без кода" или "low-code" - легко доступны, и они все чаще интегрируются в окончательные варианты использования. Хотя до сих пор нет кнопки для автоматической генерации алгоритмов машинного обучения, адаптированных к вашим потребностям, план внедрения бизнес-ИИ становится все более простым.
Для руководства более высокого уровня, возможно, более уместен вопрос стратегического предвидения: какие проблемы оправдывают проблемы и инвестиции в ИИ, чтобы наилучшим образом воспользоваться его преимуществами? В следующем блоге мы подробно рассмотрим некоторые варианты использования.
Сотрудничество в ваших проектах автоматизации искусственного интеллекта
В Social27 мы стремимся понять потребности вашего бизнеса и совместно разработать правильную стратегию автоматизации искусственного интеллекта с помощью пошаговой схемы и лучших практик со всей отрасли. Впоследствии наши продукты и решения для автоматизации могут обеспечить быстрое развертывание и реализацию ценности.
Посетите social27.com для получения дополнительной информации. Мы были бы признательны за возможность стать партнером в вашем путешествии по интеллектуальной автоматизации.
