Первая неделя нового курса Эндрю Нг (ИИ для всех) позволила нам понять, что такое искусственный интеллект (ИИ) сегодня, его возможности, ограничения и то, как его можно реализовать в форме машинного обучения. модели, и в частности Deep Learning. Обладая такими общими знаниями об искусственном интеллекте, мы теперь можем узнать, как разработать проект искусственного интеллекта на этой второй неделе курса.

Эта статья является частью серии Глубокое обучение на практике (читать также версии на французском и португальском).

Список статей «AI для всех»

  1. AI для всех (неделя 1)
  2. Создание проектов AI (неделя 2)
  3. Создание искусственного интеллекта в вашей компании (неделя 3)
  4. AI и общество (неделя 4)

Вступление

Теперь, когда у вас есть общие знания об ИИ благодаря неделе 1, вы можете начать свой первый проект ИИ (запуск проекта ИИ)!

Будь то проект с друзьями или бизнес, вам необходимо знать , чтобы выбрать проект ИИ (выбор проекта ИИ) - т. Е. Проект, в котором использование ИИ приносит пользу - установить рабочий процесс и организация данных и команды.

Эндрю Нг использует пример распознавания речи от Amazon Alexa, чтобы объяснить эти 3 шага.

Кредит: все изображения в этой статье взяты из MOOC Эндрю Нг, AI для всех.

Советы тренеру

Содержание этой недели 2 содержит все необходимое для разработки проекта ИИ (большого или малого) и понимания того, как ИИ повлияет на все рабочие места.

Тренер должен представить содержание курса сверху вниз, начиная с примеров, показывающих использование ИИ в различных секторах (торговля, промышленность, сельское хозяйство и т. д.) и на разных должностях (продажи, маркетинг, человеческие ресурсы. , так далее.). Действительно, обнаружив влияние ИИ на рабочие места в его / ее секторе, участник будет лично заинтересован в понимании ИИ и, следовательно, получит дополнительную мотивацию.

Кроме того, курс должен быть основан на простых и понятных для всех примерах.

Ключевые моменты недели 2

. Как ИИ изменит вашу работу
. Как решить использовать ИИ в проекте? (шаг 1)
. Как решить использовать ИИ в проекте? (шаг 2)
. Реализовать проект ИИ внутри компании или передать его на аутсорсинг?
. Рабочий процесс проекта машинного обучения
. Рабочий процесс проекта Data Science
. Работайте с командой AI
. Инструменты команды AI
. Без больших данных нет проекта ИИ? Ложь!

Как искусственный интеллект изменит вашу работу

С цифровой революцией все действия были оцифрованы и / или генерировались цифровые данные. Это означает, что использование инструментов Data Science и AI может принести вам пользу, применив их к различным видам деятельности вашей работы.

Давайте посмотрим на примеры, взятые Эндрю Нг:

  • Увеличение продаж: если вы работаете в коммерческой сфере, вы знаете, что потенциальные клиенты (лиды) с другим профилем чувствительны к разным продуктам. Модель машинного обучения может помочь вам расставить приоритеты для клиентов (выход B) на основе их профиля (вход A) для данного продукта.

  • Обнаружение по умолчанию: в конце производственной линии продукта можно установить камеру, фотографии которой будут визуально проверяться моделью машинного обучения, чтобы отнести продукты к одной из двух категорий «без по умолчанию «или» по умолчанию «.

  • Помощь в подборе персонала: для каждой вакансии модель машинного обучения может быть обучена с данными резюме (запись A), чтобы определять те, которые соответствуют работе (выход B: Да / Нет).

  • Рекомендация продукта: если вы работаете в сфере маркетинга, вы знаете, что сайты электронной коммерции увеличивают свои продажи, зная, как предлагать своим клиентам продукты, которые им больше всего соответствуют. Программное обеспечение, лежащее в основе этих рекомендаций, чаще всего представляет собой модель машинного обучения, которая была направлена ​​на прогнозирование продукта или продуктов (выход B), которые предпочтет заказчик с определенным профилем (вход A).

  • Точное земледелие: обучив модель машинного обучения распознавать сорняки (выход B) на фотографиях (вход A), можно избавиться от них, нацеливаясь на них, вместо того, чтобы опрыскивать всю плантацию химическим веществом. Это лучше для производства, здоровья потребителей и окружающей среды.

Как решить использовать ИИ в проекте? (шаг 1)

Как вы решите использовать ИИ, будь то существующая деятельность или запуск нового проекта? Действительно, на первой неделе мы увидели, что модели ИИ не могут (по крайней мере сегодня) заменить все человеческие и бизнес-процессы.

Чтобы ответить на этот вопрос, часто бывает лучше организовать кросс-функциональный мозговой штурм как с ИИ, так и с группами предметной области (команда предметной области - это та, которая знает область, в которой мы хотим использовать AI): выбираются проекты, которые выполнимы с помощью AI и создают ценность (увеличение доходов или сокращение затрат).

Схема Эндрю Нг для этого мозгового штурма следующая (примечание: в следующем разделе Эндрю Нг предлагает вторую схему для дальнейшего анализа осуществимости и ценности предварительно выбранного проекта ИИ):

  • автоматизация процессов / задач, а не рабочих мест: задание фактически состоит из нескольких действий, и поскольку ИИ может автоматизировать только одно, каждое задание должно быть разбито на отдельные действия, чтобы решать для каждого из них. использовать им ИИ или нет.
  • выбор видов деятельности, оказывающих наибольшее влияние на бизнес компании: если в начале использования ИИ в компании предпочтительнее выбрать проект с низким влиянием на ее бизнес (в начале, идея состоит в том, чтобы поэкспериментировать, чтобы получить опыт), лучше, когда команды будут готовы к использованию ИИ, выбрать проекты, которые окажут наибольшее влияние на бизнес компании.
  • выбор основных проблемных моментов в бизнесе компании: в дополнение к предыдущему пункту, когда команды будут готовы к использованию ИИ, желательно выбрать действия, которые являются основными болевыми точками в бизнес компании (возможно, ИИ кое-что решит).

Как решить использовать ИИ в проекте? (шаг 2)

Структура шага 1 выше позволяет предварительно выбрать проект, в котором будет использоваться ИИ. Однако по-прежнему необходимо более глубоко проанализировать как техническую осуществимость со стороны группы ИИ (техническая осмотрительность), так и ее потенциальная ценность для группы предметной области (бизнес-осмотрительность) перед ее запуском.

Техническая экспертиза

  1. В соответствии с последними достижениями в области искусственного интеллекта, возможно ли достичь уровня производительности, требуемого командой предметной области?
  2. Если да, то сколько данных для обучения необходимо (и можно ли их собрать)?
  3. Сколько времени и людей будет потрачено на создание, обучение и внедрение модели ИИ?

Деловая осмотрительность

  1. Какое снижение затрат может вызвать модель ИИ?
  2. Какой рост доходов может принести модель искусственного интеллекта?
  3. Может ли модель ИИ создать новый продукт и / или новый бизнес?

Этика

Четвертая неделя курса будет посвящена этике, потому что она также должна быть критерием принятия решения при запуске проекта ИИ.

Реализовать проект ИИ внутри компании или передать его на аутсорсинг?

Прежде чем нанимать специалистов по ИИ для создания собственной команды, часто лучше передать проект на аутсорсинг, чтобы получить непосредственный опыт. Более того, важно быть в курсе последних достижений в области искусственного интеллекта, чтобы не переделывать то, что уже существует, особенно в его секторе: используйте / покупайте стандартные модели искусственного интеллекта в своем секторе и разрабатывайте собственными силами только те которые не существуют и / или представляют для вас особую ценность.

Рабочий процесс проекта машинного обучения

Все проекты машинного обучения начинаются с сбора данных (шаг 1), которые потребуются для обучения модели (шаг 2).

В примере Эндрю Нг о распознавании речи это запись нескольких людей, произносящих слова «Hello» и «Alexa». Записанные аудиофайлы представляют собой записи A нашей модели машинного обучения и их содержимое («Hello», «Alexa»), цели B. Чтобы наша модель машинного обучения достигла хорошей производительности, нам нужны не только несколько обучающих данных (набор данных (A, B)), но также несколько обучающих итераций для уточнения значений параметров модели.

Затем нам нужно будет развернуть модель (шаг 3), то есть реализовать модель машинного обучения в качестве программного обеспечения в динамиках Amazon Alexa и отправить ее небольшой группе пользователей, которые будут генерировать новые данные при использовании динамика. . Например, если в эту группу входят люди с акцентом, отличным от тех, которые создали первый набор обучающих данных, новые данные будут другими. Это позволит нам переобучить модель и / или изменить ее архитектуру. Этот цикл обновления модели машинного обучения необходим для повышения ее производительности при максимально широком использовании.

Теперь, когда вы знаете три шага по созданию модели машинного обучения, как бы вы применили ее к автономным автомобилям?

Рабочий процесс проекта Data Science

Что касается рабочего процесса проекта AI, рабочий процесс проекта Data Science состоит из 3 шагов: первый - сбор данных (сбор данных), второй - анализировать их (анализировать данные), используя столько взаимодействий, сколько необходимо, чтобы извлечь важные характеристики (идеи), а третье - выдвигать гипотезы и предлагать действия (предлагать гипотезы / действия ), реализация которого создаст новые данные для анализа. Этот цикл обновления необходим для повышения эффективности анализируемого продукта / услуги.

Эндрю Нг использовал два примера, чтобы проиллюстрировать этот рабочий процесс: оптимизация процесса покупки на сайте и сокращение количества кружек с дефолтами в производственном процессе.

Работа с командой AI

Прежде чем размещать предложение о найме специалиста по искусственному интеллекту, Эндрю Нг предлагает вашим ИТ-инженерам пройти курс ML / DL. Многие МООК доступны в Интернете и являются отличным местом для начала изучения искусственного интеллекта.

Если у вас есть команда ИИ, команда предметной области должна определить уровень производительности, который должен быть достигнут с помощью модели ИИ, и должен предоставить тестовый набор данных, который будет эффективно оценивать уровень. достигнута моделью после обучения.

Будьте осторожны, нереально просить команду ИИ получить 100% производительность, потому что в зависимости от сложности проекта даже самой лучшей модели ИИ может быть недостаточно. Кроме того, обучающий набор данных никогда не может охватить все возможные случаи, а некоторые данные могут быть ложными или неоднозначными (эти проблемы можно исправить, добавив больше данных и / или поработав над исправлением существующих данных).

Инструменты команды AI

ИИ развивается в основном в мире открытого исходного кода, что позволяет не только иметь бесплатные высококачественные фреймворки ML / DL (к списку Эндрю Нг мы должны добавить библиотека fastai), но также иметь доступ к академическим исследованиям в ML / DL (сайт Arxiv) и исходному коду многих моделей (сайт GitHub ).

Команда ИИ также должна иметь значительные вычислительные мощности (GPU), чтобы иметь возможность обучать свои модели ML / DL. Графические процессоры могут быть локальными (локальное или локальное развертывание), в облаке, например, в Amazon AWS, Microsoft Azure или Google GCP, или в Edge развертывание (вариант использования: в автономных автомобилях или в мобильных устройствах для распознавания речи, чтобы иметь более быстрое время отклика, иметь меньше данных для передачи и повысить конфиденциальность).

Без больших данных нет проекта ИИ? Ложь!

Объем данных, необходимых для обучения модели ИИ, зависит от характера проекта. Кроме того, с помощью методов увеличения данных, передачи обучения и регуляризации теперь можно приступить к обучению машинного обучения. / DL модель с небольшим количеством данных (1000, 100 или даже 10). Впоследствии использование модели в производстве увеличит количество обучающих данных и, таким образом, улучшит производительность модели.

Об авторе: Пьер Гийу - консультант по искусственному интеллекту в Бразилии и Франции. Пожалуйста, свяжитесь с ним через его профиль в Linkedin.