Искусственный интеллект становится еще одной инженерной дисциплиной. Когда-то исключительная сфера деятельности специалистов по анализу данных и рассматривался как волшебный черный ящик, ИИ считался непонятным и ненадежным для предприятия. ИТ-руководители, руководители проектов и конечные пользователи не только скептически относились к результатам, которые дает ИИ, но и не знали, как спланировать проект, чтобы добавить в свои продукты новые функции на основе ИИ. Все скоро изменится.

Подумайте вот о чем: менеджеры проектов в ИТ-магазинах не склонны к риску. Основная задача состоит в том, чтобы выполнять поставку в соответствии с графиком, количественно оценивать и снижать риски. Но вот ИИ. Руководители хотят немного совершенства искусственного интеллекта и тех замечательных идей, которые он приносит. Согласно MITSloan, 85% руководителей считают ИИ стратегическим императивом, но в той же статье они продолжают говорить, что разрыв между имущими и желаниями велик. Очевидно, что в ближайшем будущем нас ждет множество ИТ-проектов, связанных с искусственным интеллектом.

Удовлетворить этот всплеск спроса на ИИ будет сложно, пока ИИ является «загадочным» или «волшебным». Артур Кларк определил «магию» как просто «плохо изученную науку», и, может быть, это все-таки так. Это только иллюстрирует, что мы должны сделать ИИ более понятным, чтобы использовать его в масштабах.

Нам нужен искусственный интеллект инженерного уровня, чтобы все эти ИТ-проекты могли быть успешными. Сегодня развертывание решения AI представляет собой простую практическую задачу, поскольку функциональное поведение AI является управляемым данными. Позвольте мне сказать это четко, чтобы не было путаницы: «Поведение системы с ИИ определяется не только выполнением кода, но и кодом и данными». Из-за этого трудно проверить. В большинстве классических ИТ-магазинов есть среды разработки с ограниченными, нерепрезентативными данными - совсем не так, как в производственной среде. Таким образом, ИИ в Dev ведет себя иначе. Скажите руководителям проектов, что «точность совпадет с вашими целями после внедрения ее в производство».

Трудно продать. Тот факт, что это правда, не помогает - это действительно страшно! IT-проекты не должны быть драматичными! Обучение в лабораторных условиях на лабораторных данных происходит намного медленнее и сопряжено с гораздо большим риском предвзятости и непреднамеренного поведения, чем быстрое продвижение к продукту, но это антипаттерн ИТ. Это требует огромной веры. Нет веры в управление проектами.

Если вам посчастливилось стать очень харизматичным лидером и подтолкнуть свою организацию к ИИ, преодолевая все «кроме веры?» возражения, развертывание и это работает, вы герой, но ИИ по-прежнему считается магией. Ура на этот раз. Успех, но ... вы ничего не сделали, чтобы укрепить уверенность в том, что это будет работать точно так же, если мы повторим это где-то еще. Следующая помолвка, еще одна религиозная презентация.

Если это не сработает, как планировалось, что ж, исследователи данных будут рассматриваться как шарлатаны, маскирующиеся под ИТ-специалистов, или, что еще хуже, фокусников, продающих иллюзии. ИИ - это даже не магия, это фальшивая магия. Они скажут: «Как можно развернуть то, что нельзя детерминированно протестировать? Хуже того, как ты мне это продал? » ИТ-специалистам не свойственно доверять людям. Они инженеры и требуют объяснений. Вы можете получить это однажды. У меня есть репутация на улице за то, что я тоже был на этой стороне палки.

Итак, если это не Magic, что это?

Теперь, наконец, ИИ достиг совершеннолетия. Ему можно доверять, поскольку он приносит пользу. Его можно объяснить, спрогнозировать, измерить и учесть в ваших бизнес-планах, как если бы это был инженерный компонент.

И вот почему: это не волшебство. Этого никогда не было, но это была наука. Наука - это тоже не инженерия; это процесс исследования и открытия, направленного любопытства. Пришло время пройти стадию открытия и признать, что части всего этого «ИИ» достаточно хорошо изучены для разработки. Пришло время сделать его повторяемым и повысить качество и эффективность проекта. Пришло время создавать проекты с определенными этапами, которые вписываются в ваш любимый фреймворк - Agile, Lean, DevOps и т. Д. Теперь у нас есть возможность структурировать проекты ИИ, как будто ИИ стал взрослым, так что ИИ идет на работу, приносит домой зарплату и забывает отправить цветы в День матери. (Ой!)

Мы узнали, как отрасль, которая, как и все возникающие технологии, не может сократить путь к искусственному интеллекту. Если все сделано правильно, все начинается с данных, а затем - лишь ступенька вверх по лестнице аналитики. Звучит странно, правда? Так много людей говорят, что ИИ революционен, но я говорю, что нет, это эволюция. Это дополнительная ценность над тем, что у вас уже есть и что вы уже делаете. Поднимитесь по лестнице. Совсем не волшебство.

У меня есть коллега из IBM, Роб Томас, у которого есть своего рода мантра: Нет ИИ без IA, где IA - это информационная архитектура. Короче говоря, если ваш дата-центр в порядке, то ИИ - это естественный шаг вперед. Если, однако, вы выбрали короткие пути и построили ИИ изолированно от общего ИА, или вы построили его как привязку к чему-то, то мне с сожалением приходится говорить, что впереди вас ждут проблемы. В любом случае, в конце концов, вы добьетесь этого. Возможно, вы захотите попасть туда раньше. Вам может понадобиться. Вот что помогает:

Без ИИ нет ИИ

Наличие информационной архитектуры - это фундаментальная работа, которая делает ИИ естественным продолжением или эволюционным шагом по сравнению с аналитикой. Это то, что делает «повсеместный ИИ» доступным и доступным для менеджеров ИТ-проектов, потому что это не скачок, а просто большая часть того, что они делают и уже знают, как это сделать. Что ж, это что-то вроде скачка, если вы не заложили хороший фундамент, но отличные новости, это поправимо и без магии.

Демистификация ИИ - вот что делает его инженерной дисциплиной. Или, лучше сказать, оно не может стать инженерией, пока оно загадочно. Есть много ИИ, и он улучшает многие или большинство продуктов, которые вы знаете. Однако искусственный интеллект только выходит из этапа жизненного цикла технологии, когда высококлассные товары производятся мастерами (учеными) небольшими (дорогими) партиями. Помните, что у каждого шедевра, который мы видим, есть склад, полный набросков, этюдов и работ, которых у нас нет. Надомное производство развивается методом проб и ошибок. Меценаты знают, что это часть высокой стоимости произведений на заказ. Безусловно, в этом отношении инженерия коренным образом отличается от мастерства - инженеры делают что-то повторяемым и измеримым образом. (Позвольте мне ненадолго остановиться и пожаловаться на отсутствие гендерно-нейтральных профессиональных титулов на английском языке - конечно, мастера могут быть мужчинами или женщинами или кем-то еще, что не указано конкретно, - что не имеет отношения к ремеслу. Или мою историю.)

Я не говорю ничего плохого об истинных мастерах. Специалисты по обработке данных - фантастический актив, если вам повезло, что они у вас есть. Сейчас их просто не хватает, завтра все равно не хватит, и наш успех как отрасли в данный момент не может полностью зависеть от большего числа специалистов по данным. Тем более, что перед командами специалистов по анализу данных стоят те же (или даже хуже) проблемы совместной работы, которые стояли перед программистами в 90-е годы.

Теперь, когда мы понимаем факторы, которые влияют на успешное развертывание ИИ в масштабе, мы можем проследить курс программного обеспечения ... где программисты когда-то были такими индивидуальными мастерами, блестящими, но непредсказуемыми, а теперь являются инженерами-программистами, которые следуют гибкой методологии или другим методологиям для своевременного выполнения поставленных задач.

Лестница к ИИ

Эта скромная иллюстрация стала началом моего истинного понимания того, как масштабно развернуть ИИ в корпоративных условиях. Он появился во внутреннем блоге и стал вирусным в IBM. Это прекрасное наглядное пособие, которое помогает нам понять, что ИИ - это не что-то изолированное. Это что-то, что стоит на вершине стека, начинающегося с данных. Что наиболее важно, это позволяет нам опираться на это понимание и повышать ценность бизнеса.

Начните с архитектуры данных и информации.

Конечная цель, помните, состоит в том, что мы хотим демистифицировать ИИ, потому что это не волшебство. ИИ должен стать инженерной дисциплиной, чтобы мы могли повсеместно внедрять его во все наши продукты, во многих небольших и умных местах. Для этого мы должны обладать объяснимостью и доверием, а для этого нам нужна правильная архитектура данных и информации.

Почему? Что ж, если вы хотите доверять кухне в ресторане, вы сначала должны доверять их ингредиентам - они самого высокого качества, свежие и могут ли они управлять цепочкой поставок на всем пути от производителя до стола? (Да, мы можем сделать это с помощью блокчейна, но это уже другая история.) Если моя «кухня» - это команда разработчиков, работающих над ИИ, то «ингредиенты» - это мои данные. Информационная архитектура - это сбор данных, а также их классификация, хранение, управление и уничтожение по истечении срока действия. Зная, откуда он берется и для чего (этически) его можно использовать.

Некоторые предприятия могут быть настолько большими, что им могут потребоваться промышленные инструменты и инфраструктуры, такие как IBM DB2 или IBM Cloud Platform for Data, но где бы вы ни находились, ваша информационная архитектура является фундаментальной. Вы не можете перейти к AI в масштабе и пропустить этот шаг, иначе ваше озеро данных превратится в болото данных.

Аналитика - это контролируемые процессы.

Следующая ступень - «Аналитика», и она у вас наверняка уже есть. Готовясь к работе с ИИ, вы можете понять, что здесь вам нужны некоторые улучшения. На ступеньке лестницы «Аналитика» данные становятся информацией, а ваш бизнес дает понимание. Аналитика отвечает на важные вопросы «Что случилось?» и "Что происходит?"

Что может быть лучше? Какие улучшения сделали бы нас ИИ? Процессы и маркировка.

Анализ создает выходные данные, обычно контекстно релевантные сводки данных или вычисленные вычисления из комбинаций различных данных. Эти вторичные информационные продукты теперь должны иметь ярлыки информация о питании, объясняющие алгоритмы, цели и известные предубеждения, которые они могут иметь, потому что они, в свою очередь, станут составляющими в чужих расчетах. AI Fairness 360 Open Source Toolkit - это огромный шаг в тестировании вашей аналитики (наборов данных), а также качества и справедливости сбора данных для всех на любом этапе их пути. Gartner говорит:« Каталоги данных - это новый черный » (платная ссылка), но в целом, когда аналитики производят анализ данных, они также должны описать, как они были произведены, почему они были созданы и из чего они были произведены, чтобы опубликовать их. для потребления другими лицами на предприятии. Регулирующие органы обратят на все это внимание, поскольку соблюдение требований лучше всего выполнять на этом месте на предприятии. Вы абсолютно не получите ИИ в масштабе, не имея возможности обмениваться продуктами данных в рамках всей организации, но если этот обмен не описан и не регулируется, вы не сможете объяснить свои прогнозы или доверять им на более поздних этапах. Семейство продуктов IBM InfoSphere призвано помочь предприятиям в решении самых сложных проблем масштаба и масштаба, но, опять же, шаг вверх зависит от того, кто первым твердо встанет на эту ступеньку лестницы.

Машинное обучение делает прогнозы.

Когда Google Analytics отвечает на вопрос «Что происходит?», Модели машинного обучения позволяют делать прогнозы. ML отвечает: «Что будет?» Это, безусловно, хорошо освещено в других местах на Medium и в Интернете в целом, но здесь короткое слово от человека, развернувшего десятки моделей машинного обучения в крупных корпоративных продуктах: управление жизненным циклом. Модели не стреляют и не забывают.

Прогнозы - это поведение, и они действуют в соответствии с пересечением их кода и данных. Если качество входящих данных изменится, ваши прогнозы изменятся. В том-то и дело, правда? Но вы должны иметь в виду определенное «игровое поле» или диапазон вариаций, которые постоянно измеряются. Если вы покидаете игровое поле, ваш «судья» должен бросить флаг. Этот «флаг штрафа» для моделей означает, что срок их службы истек, и его необходимо переобучить (или переосмыслить) в контексте новых данных.

Точно так же, если у вас есть модель, построенная на основе предвзятых данных, она будет предвзятой. Это может быть неплохо - ваш вариант использования может никогда не заботиться о смещенных регионах, потому что они находятся за пределами игрового поля. Но если изменение бизнес-условий внезапно приводит к появлению входных данных, которые используют эту новую территорию, ранее недоступную, вашим прогнозам больше нельзя будет доверять. Вы должны знать регионы, в которых можно и нельзя использовать модель машинного обучения. Независимо от того, создаете ли вы модели с помощью Python или используете стек сервисов Watson, вы должны измерять, обучать, улучшать и документировать свои модели и их надежные операционные границы. Это хорошая работа для настоящих специалистов по данным, но она трудоемка и трудоемка. Использование набора инструментов корпоративного уровня, таких как Watson Studio, Watson Knowledge Catalog и Watson Machine Learning, является огромным ускорителем и напоминает вам о мелочах, которые могут вас укусить позже.

AI предпринимает действия.

В то время как сегодня все крутят слово «ИИ», как будто это что-то новое… правда в том, что «ИИ» существует уже 50–60 лет и, следовательно, его следует полностью понять и дать определение к настоящему времени, не обращая внимания на редакционную формулировку. Конечно, думать так было бы ошибкой! Несмотря на то, что искусственный интеллект в информатике является старым и зрелым, он одновременно является новой, новой вещью в программном обеспечении ИТ. Он выходит из лаборатории и собирается работать. Это происходит сейчас, в это захватывающее время прорыва в общественное сознание из-за экономики - коммерциализации вычислительных мощностей и эффективного масштабирования вычислений в облаке.

До недавнего времени эти методы искусственного интеллекта предназначались для решения самых серьезных задач в области информатики, когда огромный бюджет размером с ВВП небольшой страны можно было использовать для решения такой огромной задачи, как прогнозирование выработки энергии при атомных взрывах или образовании ураганов. Сегодня большие требования к вычислительным ресурсам, необходимые для создания модели с глубоким обучением, настолько доступны, что мы можем рассмотреть возможность внедрения ИИ в обычные вещи: небрежно развлекательные игры, персонализированные музыкальные сервисы или изменение значений в списке выбора на веб-форма. Однако каким-то образом корпоративный бизнес оказался «посередине». ИИ применялся к огромным вещам и мелким тривиальным вещам, но не на среднем рынке; место, где зарабатываются деньги. Это место, которое мне интересно, и именно в этот момент мы можем предоставить ИИ предприятиям по всему миру. Я хочу раскрутить, эм, объяснить это так, потому что это понимание полезно:

ИИ - это шаг вперед по сравнению с машинным обучением, и это «интеллектуальная система , которая принимает меры».

В моем понимании ИИ - это то, что потребляет прогнозы из уровня машинного обучения, расположенного ниже, и передает их пользователю в нужное место и время, чтобы он действительно что-то сделал для кого-то. Прогнозирование - это хорошо и очень ценно, но ИИ «сделает это так».

Если вы делаете прогноз машинного обучения и управляете действием или решением в ходе бизнес-процесса, поздравляю, у вас есть ИИ. В Интернете есть множество полезных статей для вас и сотни библиотек с открытым исходным кодом, которые вы можете использовать для создания подобного ИИ. Однако есть «однако», и он похож на каждый из предыдущих шагов, которые я перечислял на лестнице ИИ: соображения жизненного цикла. Не забывайте, что это необходимо постоянно обновлять после развертывания. Постоянная бдительность! Будьте готовы к хитростям и корректировкам; не только в ИИ, но и в моде, это тоже было вставлено в пользовательский интерфейс.

Вы можете обнаружить, что только что поставили феноменально точного чат-бота, но из-за того, что его приняли, вам не хватает ценности для бизнеса. Ваши пользователи не используют его, не отказываются или просто игнорируют советы, которые дает ИИ. Ваши тесты показывают, что совет довольно хороший и полезный, но не набирает обороты. Почему?

Это обычное дело и может быть вызвано многими причинами, но я готов поспорить, что это одна: в корпоративном масштабе вам также необходимо развивать свою справедливость, доверие и объяснимость. Как только ИИ появится в вашем бизнесе и действительно что-то сделает, вам нужно объяснить своим пользователям (и регулирующим органам), как он работает. Новые возможности, которые он предоставляет, могут удивить. Сюрпризам не верят! Если не объяснять, это загадочно, даже если это хорошо. «Загадочное» - это плохое ИТ, судя по всем моим предыдущим пунктам. Если это ваша проблема, то… да, теперь вы это видите. Это ловушка, которую вы должны избегать. Это ловушка, в которую вы, скорее всего, попадете, если не поднимались по лестнице ступеньками за раз. Вы не сможете продемонстрировать, почему ваши действия ИИ заслуживают доверия, пока не сможете понять и объяснить все, что привело к решениям этого ИИ. Недостаточно просто быть правым. Этого недостаточно ни для кого, ни для искусственного интеллекта, ни для руководителей, ни для клиентов. Часть «… и вот почему…» жизненно важна, потому что люди естественным образом не доверяют новому. Завоевание доверия ведет к принятию, ведет к ценности для бизнеса. Объяснимость - это то, как вы заслуживаете доверия.

Кроме того, вы должны по-разному объяснять это разным аудиториям. Вам нужен один уровень объяснимости для ученых, другой для регулирующих органов и еще один для пользователей, но все стороны нуждаются в определенном уровне понимания, чтобы завоевать доверие, а без доверия вы не получите принятия, а, следовательно, и ценности для бизнеса.

Забавная вещь о доверии: вы можете получить его, вы можете дать его, но вы никогда не сможете попросить об этом. Тот, кто просит доверия по определению, не заслуживает доверия. Верно ИИ и политикам.

ИИ - это не Магия, потому что мы можем создать его с помощью понятного нам процесса.

Мы только что увидели, что есть процесс масштабного создания ИИ, и это не волшебство.

  • Данные и IA - получите основополагающие данные правильно
  • Аналитика - анализируйте текущее
  • ML - моделирование с предсказательной силой
  • ИИ - действует и способствует достижению бизнес-результатов

Каждый шаг основан на предыдущем, а также наследует недостатки предыдущего шага. Сейчас это очень похоже на инженерию: зависимости, элементы управления, приемочные испытания и результаты. Теперь ИИ можно спроектировать, потому что в нем нет ничего загадочного, если мы работаем над тем, чтобы разгадывать загадки на каждой ступеньке лестницы ИИ.

  • Данные и информационная безопасность должны собираться и управляться справедливо.
  • Аналитика должна контролироваться процессами
  • В ML должны быть тесты и меры для выявления предубеждений
  • ИИ, как первоклассные граждане, должен обладать доверием, справедливостью и объяснимостью.

Наконец, я должен отметить, что мы все вместе идем в этом путешествии. Сегодня ИИ - самая важная тема в отрасли, и она затронет все компании во всех отраслях, даже правительства. Кто-то опережает нас, кто-то отстает, но это затронет всех нас. Здесь, в IBM, мы помогаем отраслям ускориться и «заставить ИИ работать». У IBM не только есть готовые решения Watson, воплощающие ИИ в целях, которые проверены, проверены и заслуживают доверия, но также есть портфель ИИ со всем необходимым для всей лестницы. Мы можем помочь вам выполнить развертывание в вашем центре, в нашем облаке или любом другом облаке, а также в гибридном многоцентровом и мультиоблачном подходе.

Вывод

ИИ не волшебство. Это даже не наука. Сейчас это инженерное дело, входящее в мейнстрим. По данным MITSloan, только одна из двадцати компаний широко внедрила ИИ, но 85% согласны с тем, что это ключевой компонент их конкурентоспособности. Способ сохранить преимущество - это правильно построить ИИ, справедливо доверять и объяснимо по всем направлениям. Чтобы получить преимущество, начните прямо сейчас!