Сегодня компании завалены предложениями продаж искусственного интеллекта, раскрывающими потенциал этой технологии для автоматизации задач, сокращения затрат и повышения производительности.

Некоторые из вас, вероятно, думают об интеграции решения на основе ИИ в свою организацию. Что ж, хорошая новость заключается в том, что вам не нужно быть экспертом в области ИИ, но вам нужно понимать основы, такие как важность данных (многие статьи доступны для нетехнических людей на Medium). Как только это будет сделано, вы можете приступить к автоматизации ключевых задач и использовать данные для выявления закономерностей и результатов.

Прежде чем приступить к подножке ИИ, задайте себе три вопроса:

  • Управляются ли данные вашей задачи?
  • У вас есть подходящие и достаточные данные для поддержки решения на основе искусственного интеллекта?
  • Вы понимаете, как работает ИИ?

Начните с малого

Может возникнуть соблазн начать трансформацию ИИ с попытки полностью изменить бизнес-процесс. Однако это лучший способ потерпеть неудачу. Гораздо разумнее получить опыт из небольших проектов, которые создадут прочную основу для перехода к более крупным и сложным взаимодействиям людей и задачам искусственного интеллекта. Более того, я рекомендую сосредоточиться на проектах, в которых есть зрелые пользователи с доказанной рентабельностью инвестиций.

Старайтесь избегать задач со слишком большим количеством переменных и потенциальных результатов.

В ИИ лучше сосредоточиться на небольших частях процесса, чем на целом. Учитывая сегодняшние возможности, очень сложно заменить весь процесс одним решением ИИ, создание такой системы может быть очень сложным. Однако этот же процесс можно разбить на более мелкие части, и некоторые из них можно очень легко автоматизировать.

Организации должны задаться вопросом, допускает ли задача, которую они хотят «автоматизировать», повторение и низкую цену ошибок. Задачи, удовлетворяющие этим конкретным критериям, являются отличной отправной точкой для внедрения ИИ.

Вы точно знаете, что вы хотите

Во многих проектах я заметил, что лица, принимающие решения, не имеют четкого представления о том, какова их цель в отношении ИИ. У людей могут быть разные взгляды на одну и ту же проблему и на то, как ее решить. В конце концов, отсутствие четкого видения может помешать полной реализации преимуществ. Я рекомендую всегда тратить время на определение цели. Чего вы пытаетесь достичь и почему?

Вам также необходимо привлечь правильных людей к участию в процессе определения. Действительно, это должен быть разговор между лицами, принимающими бизнес-решения, и специалистами по обработке данных, которые действительно понимают бизнес-кейс и могут определить правильную методологию и работать с ней лучше всего.

Действительно, ваши разработчики не являются специалистами по машинному обучению. Есть разница между разработчиками и специалистами по данным. В то же время вы должны быть уверены, что ИИ будет простым в использовании и представляет собой долгосрочное решение.

Есть много разных способов машинного обучения, и правильное решение будет зависеть от хорошего понимания проблемы. Если у вас нет необходимых человеческих ресурсов, я настоятельно рекомендую вам воспользоваться услугами специализированного агентства по разработке ИИ. Действительно, определение того, какой ИИ необходим для различных процессов и будут ли они выполняться внутри компании, на аутсорсинге или в партнерстве, является важным шагом к разработке стратегии.

Если вы решите разработать решение искусственного интеллекта в своей организации, не забывайте, что кривая обучения очень крутая, а ресурсы, необходимые для создания собственного, могут быть очень высокими. Например, простая модель распознавания может стоить более 100 тысяч. Стоит взглянуть на рынок вариантов plug-and-play, которые сочетаются с существующими программными услугами или платформами, которые уже знакомы компаниям. В большинстве случаев эти решения требуют нескольких недель интеграции, прежде чем они будут готовы к работе.

После четкого определения того, чего должен достичь ИИ, вам необходимо создать дорожную карту с результатами. Если вы решите передать разработку решения ИИ на аутсорсинг, было бы разумно привлечь к процессу разработки как технического специалиста, так и специалиста по бизнесу (потенциально конечного пользователя). Более того, специалисты по обработке данных, инженеры по обработке данных и инженеры по операционным системам должны объединиться в одну команду, чтобы предоставить решение, которое можно идеально использовать в вашей технической среде.

Кроме того, обязательно, чтобы ваше ИИ-решение имело встроенные петли обратной связи, чтобы сотрудники, наблюдающие за операциями, могли корректировать прогнозы и выходные данные ИИ. ("источник")

Наконец, вам нужно создать интерфейс, чтобы, возможно, взаимодействовать с вашим новым инструментом AI. В этом контексте он должен быть простым в использовании, масштабируемым и безопасным.

Недавно я работал в компании, которая хотела разработать модель распознавания изображений для идентификации продуктов в видеороликах в маркетинговых целях. ИИ сделал именно то, для чего был создан. Однако у компании возникли проблемы с решением из-за сложного интерфейса. В основном это было сделано для технических пользователей ...

Лучшие способы провалить проект ИИ

Исходя из моего опыта, большинство проектов ИИ становились проблемными из-за следующих факторов:

В большинстве проектов ИИ компании склонны игнорировать человеческий фактор. В самом деле, ИИ - это не только фреймворки, данные и алгоритмы - это еще и люди. Ваша организация должна иметь поддержку исполнительного руководства и подходящие таланты для ключевых ролей в области искусственного интеллекта. Что касается разработки, я приглашаю вас познакомиться с концепцией «Человек в петле». Эта концепция использует как человеческий, так и машинный интеллект для создания моделей машинного обучения. В этом подходе люди напрямую участвуют в обучении, настройке и тестировании данных для конкретного алгоритма машинного обучения.

Я заметил, что у успешных проектов всегда есть одно общее. Новое развертывание ИИ всегда тестируется в небольшой группе сотрудников, которые дадут вам честный отзыв об интерфейсе системы.

3 способа запустить решение на основе искусственного интеллекта

Для ваших нужд ИИ появились три основных варианта:

  1. Используйте решение AI-SaaS, такое как Amazon AI (Rekognition), Google Cloud Vision или IBM Watson. Они предлагают узкий набор функций искусственного интеллекта, которые в основном доступны через API для распознавания текста и изображений.
  2. Сотрудничайте со сторонними компаниями, применяющими ИИ, которые специализируются на более широком и индивидуализированном спектре вертикальных услуг ИИ.
  3. Создайте собственную систему машинного обучения с нуля, используя собственную команду и данные. Это наиболее сложный вариант и предназначен в первую очередь для транснациональных компаний и / или организаций, где искусственный интеллект важен для их основной ценности и доходов.
    (источник)

Я заметил, что большинство компаний, с которыми я работал, обычно начинают со второго решения. Это хороший способ набраться опыта и не терять время против конкурентов.

Проблема с данными

Большинство проектов основано на машинном обучении, и для этого требуются данные… в большом количестве. При наличии достаточного количества решений и данных появляются шаблоны, которые можно использовать для прогнозирования будущих решений, что в основном и ищут компании.

Перед тем, как начать свой путь ИИ, вы должны убедиться, что ваши данные из всех операционных систем конвейеризированы и хранятся в хранилище больших данных для использования решениями ИИ.

Сколько данных вам нужно? Это зависит от обстоятельств, но будьте готовы иметь по крайней мере сотни примеров решений и факторов, которые повлияли на них.

Ваши данные также должны быть помечены структурированным образом - либо поля в системе, либо в базе данных, либо в электронной таблице со строками и столбцами.

Помеченные данные: группа образцов, помеченных одним или несколькими ярлыками. Маркировка обычно берет набор немаркированных данных и дополняет каждую часть этих немаркированных данных значимыми тегами, которые являются информативными.

Может случиться так, что у организации недостаточно размеченных данных. В этом контексте вам необходимо начать сбор факторов и решений в структурированном виде, чтобы вы могли использовать их для поддержки платформы AI в ближайшем будущем.

Другой проблемой может быть набор данных.

набор данных (или набор данных) - это набор данных.

Правильный набор данных имеет решающее значение. Однако проблема не в размере набора данных, а в объеме. Проблема с ИИ не столько во внедрении; Большой вопрос будет в том, как тренировать ИИ? Вот почему вам нужно потратить время, чтобы убедиться, что ваши данные совместимы с решением AI.

В общем, вам необходимо одновременно модернизировать свои технологии управления данными. Данные являются основой успешных стратегий искусственного интеллекта - убедитесь, что ваша интеграция данных, база данных и хранилища данных готовы поддержать ваши инициативы в области искусственного интеллекта.

Кроме того, вам следует инвестировать в оборудование инфраструктуры, необходимое для преобразования ИИ. Машинное обучение требует высокой вычислительной мощности, а также высокой пропускной способности и хранилища.

AI представляет фантастические возможности для компаний. Однако легко ошибиться, поскольку это новая и сложная технология. Например, если вас интересуют решения, которые каким-то образом недооценивают важность вашего бизнеса, игнорируют данные, ориентированы на технологии и ставят обещания выше проблемы, то это, вероятно, плохое решение для вашей организации. Крайне важно не торопиться и не торопиться с разработкой ИИ.