В моем последнем посте я рассмотрел различия между ИИ, машинным обучением и глубоким обучением - «большой тройкой». Теперь я расскажу о предложениях IBM, их отличиях и о том, что клиенты делают с каждым из них.
Искусственный интеллект (AI): Watson Discovery, Conversation и Extend
AI - это надмножество большой тройки. Проще говоря, компьютер имитирует задачу, обучаясь ее выполнять. Когда вы слышите об искусственном интеллекте или когнитивном искусстве в самом широком смысле, подумайте о IBM Watson APIs для разработчиков или о решениях Watson Business. Они отличаются от машинного обучения тем, что кто-то (команда разработчиков Watson) уже построил и обучил модели для вас. Они позаботились о сборе данных, очистке, исследовании, проектировании функций, обучении и оценке моделей. Эти модели точно настроены для конкретных сценариев: языковой перевод, преобразование речи в текст, преобразование текста в речь, распознавание изображений и т. Д.
В Cognitive есть три варианта использования, которые, как мы видим, хотят принять клиенты:
Discovery: Discovery предоставляет набор API-интерфейсов Watson, которые сокращают время, необходимое разработчикам для сбора, обогащения и изучения данных - всех данных - как структурированных, так и неструктурированных, - чтобы они могли быстро создавать интеллектуальный поиск и аналитику контента. для извлечения значения из данных. Discovery упрощает загрузку данных за вашим брандмауэром или общедоступных данных, их преобразование, нормализацию и обогащение. Они могут обогатиться обработкой естественного языка (NLP), которая поддерживает концепции, отношения, тональность и тон, чтобы машины могли понимать текст и другой контент. Discovery имеет простой инструментарий и встроенный язык запросов, позволяющий легко создавать запросы и встраивать данные в ваши приложения.
Беседы: с помощью Watson Conversations API разработчики могут создавать эффективные диалоги между конечными пользователями и компанией за считанные минуты. Я собираюсь сказать «бот» один раз, чтобы люди знали, о чем я говорю, но на самом деле это «диалоговое приложение». Напишите один раз и разверните через разные каналы, такие как мобильное устройство, Slack или даже физический робот. Благодаря обработке естественного языка и машинному обучению Watson Conversation понимает «намерение» и «контекст» в обсуждении. У нас есть комплекты для разработки программного обеспечения, примеры кода и действительно простые инструменты, которые позволяют создавать диалоги.
С помощью Watson Conversation Service разработчики «создают» приложение для диалога и беседы. С помощью Watson Virtual Agent бизнес-пользователи быстро «настраивают» агент, используя предварительно созданное содержимое, без каких-либо технических навыков. Он предварительно подготовлен к ответам на типичные вопросы, которые задают ваши клиенты - например, «Где я могу оплатить счет?» или «Имею ли я право на повышение класса обслуживания?» Приближается отраслевой контент. Что действительно круто, так это то, что есть панель показателей вовлеченности, с помощью которой бизнес-подразделение может выяснить типовые вопросы, которые задают клиенты.
Расширение: Watson Extend Services предоставляет организациям API-интерфейсы и приложения для расширения существующих приложений с помощью когнитивного обучения. Разработчики могут переводить речь в текст и переводить его на несколько языков. Они могут анализировать тон в опросах клиентов или сотрудников, чтобы узнать об их настроении. Они могут понимать язык, извлекая метаданные из контента, такого как концепции, сущности, эмоции и настроения.
У нас огромное количество клиентов, пользующихся услугами IBM Watson. Возьмем, к примеру, Catalyst Investors, перед которым была поставлена задача ежедневно анализировать 50 000 единиц нового контента из различных источников, чтобы найти возможности для инвестиций. Это неструктурированный контент, объемы которого ежедневно растут. Используя IBM Watson Discovery, они смогли найти 1% контента наиболее релевантным и ценным, отфильтровав 99% контента, который не имел значения. Они предоставили действенную информацию о 20% из тысяч компаний, которые они отслеживают, и автоматически автоматизировали конвейер потенциальных клиентов, отслеживая компании на ранние индикаторы инвестиционных возможностей. Полный пример находится здесь.
Еще одна замечательная история - компания Staples, которая хотела предоставлять услуги в любом месте и в любое время, устраняя трение в процессе заказа, для удержания клиентов. Они преобразовали Easy Button с API Watson для заказа расходных материалов с помощью голосовой связи, текстовых сообщений и электронной почты. Подробнее об этом здесь:
Еще один отличный пример - компания Thomson, которая создала диалоговое приложение для поиска путешествий, чтобы сделать поиск клиентов более интересным. Подробнее здесь.
Машинное обучение: опыт работы с данными и машинное обучение Watson
Машинное обучение быстро применяет знания для распознавания закономерностей в огромных объемах данных. Машинное обучение повсюду и влияет практически на все, что мы делаем. От рекомендаций Netflix до тегов распознавания лиц в Facebook и предотвращения спама в Gmail - машинное обучение остается за кадром. На предприятии мы видим большой интерес в использовании его для оценки рисков, обнаружения мошенничества, отмывания денег, управления рисками, оптимизации цепочки поставок и гиперперсонализации.
Машинное обучение требует тесного сотрудничества между разработчиками, исследователями операций и компьютерными специалистами - всех, кого можно отнести к категории «специалистов по данным». В игру вступает сочетание навыков «единорога», и им нужна площадка для сбора данных, построения моделей, их развертывания и интеграции прогнозов в приложения.
Возьмем пример. Модель может предсказать, какие клиенты банков откажутся от услуг. У нас есть маркетолог, специалист по анализу данных и разработчик приложений. Специалист по анализу данных предсказывает, что заказчик отменит, и отправляет это маркетологу. Директор по маркетингу хочет знать, почему и как этого избежать. Сотрудничество между этими тремя ролями необходимо для определения наилучшего курса действий на основе результатов модели. Эти модели «живут» тем, что им необходимо получать обратную связь от пользователей и учитывать изменения в данных. Они могут использовать RESTful API для запроса модели как микросервиса, они могут применять мониторинг и масштабирование для поддержки большого количества данных.
К настоящему времени вы, наверное, слышали о Data Science Experience. Это наше интегрированное предложение, сочетающее оптимизацию решений, прогнозирование и машинное обучение в единой интегрированной среде. Это позволяет науке о данных перейти от индивидуального вида спорта к командному виду спорта. Data Science Experience включает фреймворки с открытым исходным кодом, позволяющие специалистам по обработке данных работать с инструментами по выбору, такими как R, Python, Scala и другими. Это действительно удобный инструмент, в котором есть обучающие материалы и руководства, чтобы помочь специалистам по обработке данных собраться вместе для совместной работы над моделями. Data Science Experience - это интерфейс (или интегрированная среда разработчика) для построения моделей в IBM Machine Learning, который поддерживается в общедоступных, частных и настольных средах.
Watson Machine Learning решает серьезную проблему для клиентов, позволяя им создавать самообучающиеся системы, которые могут оценивать, действовать, отслеживать и получать обратную связь для достижения лучших результатов в бизнесе. Он включает более 30 коннекторов данных для Data Science Experience для подключения к вашим частным и общедоступным облачным ресурсам - Cloudant, Azure, AWS и т. Д. Эти активы данных можно каталогизировать в Watson Data Platform. В Data Science Experience есть пользовательский интерфейс для кликеров и API для кодировщиков для создания моделей машинного обучения в разное время выполнения (SparkML, SPSS и т. Д.). После развертывания модели ее можно оценить, чтобы понять, насколько она точна. Модели машинного обучения Watson можно интегрировать в веб-сайты, мобильные приложения и информационные панели для улучшения таких вещей, как оценка рисков транзакций и персонализированный контент в мобильном приложении.
Такие клиенты, как Group M, используют наши возможности в области анализа данных, чтобы определять, какие объявления показывать каким клиентам в какое время. Они улучшили конверсию клиентов в рамках существующих маркетинговых кампаний более чем на 50%. Мы также работаем с клиентами из сферы здравоохранения в наших центрах машинного обучения (подробнее об этом в следующем посте), чтобы применить машинное обучение для определения воздействия лекарств на разных пациентов. Они улучшают самочувствие пациентов и активно предотвращают ухудшение состояния пациента.
Глубокое обучение: внутренняя бета-версия Watson Machine Learning
Прямо сейчас у нас есть внутренняя бета-версия глубокого обучения в Watson Machine Learning. Он используется нашим всемирным сообществом исследователей глубокого обучения. Он поддерживает многие процессы глубокого обучения в Watson Developer Cloud и интегрируется в Data Science Experience для решения сложных проблем. Подумайте о задачах, требующих высокого качества изображения или звука и очень больших сверточных нейронных сетей.
IBM Research совершила крупный прорыв в сокращении времени, которое требуется системам глубокого обучения для переваривания данных с дней до часов. Алгоритмы глубокого обучения, как правило, работают на одном сервере из-за сложности перемещения огромных объемов данных между машинами, обеспечивая синхронизацию данных между серверами. Благодаря этому усовершенствованию он может распределять задачи между 64 серверами с общим количеством процессоров до 256 и при этом пользоваться преимуществами скорости. Масштабирование с одного процессора до 64 серверов с восемью процессорами в каждом может повысить производительность в 50–60 раз. Это огромно, и это спасает жизнь, когда вы думаете о сценариях в медицине и здравоохранении. Для распознавания изображений у нас есть система, которая показала степень точности 33,8% с 7,5 миллионами изображений за семь часов - рекорд, который был установлен Microsoft с точностью 29,8% за десять дней. Поразительно. Подробнее о продвижении можно прочитать здесь.
Я знаю, что это было довольно долго, но мы так много делаем в этой сфере, что я хотел отдать должное.