В своей недавней книге «Машины прогнозирования» авторы Агравал, Ганс и Гольдфарб излагают убедительное и содержательное предложение. Они утверждают, что взрыв искусственного интеллекта в бизнесе связан с простой экономикой. Как же так? Искусственный интеллект снижает стоимость предсказания.

Предсказание – это ставки на будущее. Речь идет о том, чтобы привнести уверенность в неопределенность. Это также одна из основных сильных сторон искусственного интеллекта. Используя искусственный интеллект для решения проблем прогнозирования, предприятия могут принимать «лучшие, быстрые и дешевые решения».

Это проницательный и, возможно, очевидный вывод, если подумать. Законы экономики управляют любой бизнес-моделью. Технология, которая может улучшить прогнозирующие возможности бизнеса, вызовет ажиотаж. Тот, который также доступен по цене и доступен, будет действительно преобразующим. Это уникальная перспектива книги. Истинное ценностное предложение ИИ таково: лучший прогноз по лучшей цене.

Прогнозирование и разведка местоположения

Я подумал о том, как более дешевое и лучшее предсказание применимо к миру разведки местоположения. В основе разведки местоположения лежит получение информации из пространственной информации. Предприятия с хорошо развитыми возможностями анализа местоположения используют пространственную информацию для поддержки принятия важных решений. Большая часть этого принятия решений включает в себя прогнозирование.

Исторически так сложилось, что прогностический анализ в мире разведки местоположений основывался на традиционных статистических методах. В первую очередь это регрессионный анализ и его разновидности. В этом типе анализа модель создается на основе фиксированного набора переменных и коэффициентов. По сути, вы хотите предсказать y на основе набора известных переменных a, b, c и т. д. Эффективность такой модели основана на том, насколько хорошо она предсказывает будущее на основе среднего значения того, что произошло в прошлом.

Предсказательная сила регрессионной модели во многом (относительно всего) связана с переменными, которые вы выбираете для включения в модель. Например, чтобы предсказать, где и когда может пойти дождь, вы можете создать регрессионную модель, основанную на исторических наблюдениях за дождем в определенных местах, а также на других влияющих переменных в том же месте, таких как высота над уровнем моря, время года, температура и т. д. Затем регрессия пытается прогнозировать вероятность дождя на основе текущих условий путем экстраполяции исторических данных.

Этот подход отлично работает для определенных случаев использования. Но для чего-то столь сложного, как предсказание дождя, он может быстро показать свои ограничения. Это потому, что регрессия стремится предоставить прогноз, который в среднем верен, но никогда не бывает правильным. И это то, что мы ищем: точные прогнозы.

Еще одна проблема регрессионного анализа — выбор переменных для включения в модель. Когда вы имеете дело с десятками тысяч потенциальных переменных (например, с тем, что может повлиять на дождь), это может стать неразрешимой задачей для создателя модели. Преимущество машинного обучения на основе ИИ заключается в том, что выбор переменных и комбинаций переменных определяется самим ИИ. Это может привести к множеству неожиданных комбинаций переменных, которые обеспечивают более высокую прогностическую силу по сравнению с регрессионным подходом.

Машинное обучение превосходно находит отношения между, казалось бы, несвязанными переменными. Это стало возможным благодаря усовершенствованию вычислительной мощности и развитию методов искусственного интеллекта.

Прогнозирование на практике

Брак ИИ и локационной разведки — явление не новое. Существует множество задокументированных приложений ИИ для решения задач, связанных с определением местоположения (прочитайте здесь для одного) и объемы научной литературы по этой теме. Фактически, в последние годы появилась целая область Geo.AI.

Что интригует и чему посвящена книга «Машины прогнозирования», так это то, как прогнозирование на основе ИИ, в частности, может помочь предприятиям в принятии решений. И что меня интересует, так это то, как это применимо к решениям, касающимся конкретных мест. Какие решения принимаются предприятиями, которые в основном связаны с вопросами «где»? И какие из них на самом деле являются проблемами предсказания?

К счастью, Agrawal et al. предоставить инструмент, который поможет понять, «что» и «как» использовать ИИ для составления бизнес-прогнозов — AI Canvas. И это также работает для проблем, связанных с местоположением.

Я не буду подробно останавливаться на особенностях AI Canvas. Вы можете сделать это здесь. Мне интересно использовать этот инструмент, чтобы увидеть, что потребуется, чтобы использовать прогнозирование на основе ИИ для решения бизнес-задач, связанных с конкретным местоположением.

Давайте рассмотрим пример, который волнует всех: предупреждение преступности. Большинство из нас живет в городах. И мы знаем, что города обычно пытаются предотвратить и уменьшить преступность. Мы также знаем, что преступление обычно происходит где-то. Это по своей сути проблема, связанная с местоположением. И это проблема, которая имеет далеко идущие социальные последствия для жителей сообщества. Предвидеть, где произойдет преступление, до того, как оно произойдет, было бы на один шаг ближе к его предотвращению. По сути, предупреждение преступности – это проблема прогнозирования. В частности, речь идет о прогнозировании местоположения.

Мы знаем, что хотим предсказать, но какой вклад в это внесет ИИ? Как это повлияет на действия, необходимые для предупреждения преступности? Какие данные нам нужны для прогноза? Используя AI Canvas, мы можем определить ключевые требования для использования прогнозирующего ИИ для поддержки предотвращения преступлений. Вот как это выглядит.

  • Цель – предотвратить преступность в городе.
  • Прогноз – предскажите, где произойдет преступление, до того, как оно произойдет.
  • Оценка: сравните затраты на реализацию мер по предупреждению преступности в неправильных местах с затратами на несоблюдение мер по предупреждению преступности в правильных местах.
  • Действие — внедрить меры по предупреждению преступности в подозрительном районе или нет.
  • Входные данные — данные истории преступлений по типу инцидента, сезону, времени суток и местоположению; текущие и исторические демографические данные по местоположению; данные о специальных событиях; данные камеры и смарт-устройств в режиме реального времени; отчеты о наблюдении
  • Обучение — исторические наборы входных данных по местоположению (см. выше) сопоставляются с историческими данными о преступлениях по местоположению.
  • Обратная связь — ложные срабатывания/отрицательные и истинные срабатывания/отрицательные результаты возвращаются в модель прогнозирования.

При использовании ИИ для прогнозирования необходимо учитывать многое. Тем более по столь деликатному вопросу. И особенно, когда к этому добавляется местоположение. Это одно из преимуществ AI Canvas. Это помогает обдумать проблему. Например, неспособность предотвратить преступную деятельность — это плохо, но растрата ресурсов и потенциальное преследование невинных людей во многих случаях еще хуже. Ложноположительный результат, вероятно, хуже, чем ложноотрицательный. Насколько мы должны быть уверены в своей модели, прежде чем относиться к ней серьезно и действовать?

Это показывает, почему аспект «суждения» решения имеет решающее значение. И на данный момент это во многих случаях остается прерогативой лиц, принимающих решения. Я говорю пока, потому что в будущем человеческое суждение о компромиссе социальных последствий может уступить место ИИ. Это обсуждение для другого дня.

Другой проблемой являются входные и обучающие наборы данных. Когда мы говорим о снижении стоимости прогнозирования, это в значительной степени связано с улучшением вычислительной мощности и алгоритмов ИИ. Однако наборы данных, необходимые для обучения и использования модели, не обязательно дешевы. В приведенном выше примере я идентифицировал демографические данные и данные датчиков в реальном времени. Получение этих данных в некоторых случаях все еще довольно дорого. Во многих случаях использования ИИ ограничивающим фактором будут данные. Стоимость прогнозирования, особенно для проблем, связанных с конкретным местоположением, будет продолжать снижаться по мере появления новых и лучших решений для сбора и сбора данных.

Поиск возможностей

Используя AI Canvas, вы действительно можете отточить возможности использования ИИ для прогнозирования. Поучительным упражнением было бы пробежаться по критически важным решениям, которые принимает ваш бизнес, и посмотреть, какие из них можно отнести к проблемам прогнозирования. Для тех, кто находится в окопах разведки местоположения, способ узнать, является ли проблема прогнозирования специфичной для местоположения, состоит в том, если заявление прогноза принимает пространственную форму. Некоторые примеры:

  • Прогнозировать местонахождение отключений вдоль линий электропередачи в периоды пиковой нагрузки
  • Предсказать, где будут толчки после землетрясения
  • Предсказать, как далеко распространится болезнь в случае вспышки
  • Прогнозировать изменение географического распределения богатства во время рецессии
  • Предсказать, сколько времени потребуется, чтобы доехать до центра интенсивной терапии в плохую погоду
  • И так далее…

Возможностей предостаточно. Но если есть бизнес-задача, которая по своей сути связана с местоположением и может быть преобразована в проблему прогнозирования, вероятно, в игре есть возможность для ИИ.

Это захватывающее время для компаний, использующих ИИ и геолокацию. Снижение стоимости прогнозирования означает, что стало проще, чем когда-либо, анализировать решения, влияющие на клиентов, сообщество или операции компании, и реагировать таким образом и с такой скоростью, которая имеет положительное значение. И вам не нужен ИИ, чтобы предсказать это!

Эта статья изначально была опубликована на LinkedIn