Огромный объем данных, генерируемых современными технологиями, создал потребность в ИИ. Новая статистика показывает, что в 2022 году ежедневно создается 2,5 квинтиллиона байтов данных, и ни одна команда людей не может с этим справиться.

Но во время своего основного доклада на #LEAP22 Дэн Райт (генеральный директор DataRobot) отметил, что, поскольку многие компании пытаются внедрить технологию ИИ для осмысления данных, они сталкиваются с препятствиями — «и на самом деле 85% проектов ИИ так и не выходят за рамки запланированного». земля. Они терпят неудачу».

В организациях есть люди, которые усердно работают над моделями данных, но эти модели на самом деле никогда не достигают точки, когда они добавляют ценность и информируют о решениях, принимаемых в бизнесе. По словам Райта, это связано с тем, что им необходимо отказаться от экспериментального подхода (работать с моделями, опробовать их, попасть или промахнуться) и перейти к прикладному ИИ: перенести разработку ИИ из лаборатории в реальные условия.

Что такое ИИ?

Чтобы определить, что такое ИИ, указал Райт, сначала нужно определить, что такое интеллект. Определения менялись с течением времени и в разных культурах; от аристотелевского понятия разум (в котором раннее описание интеллекта было тесно связано с моралью) до шкалы Бине-Симона, которая была создана в начале 1900-х годов и до сих пор используется в качестве меры интеллекта (шкала Тест IQ).

В DataRobot, по словам Райта, «мы считаем, что интеллект — это способность приобретать знания из опыта для принятия решений в будущем».

Если мы примем эту точку зрения, то применение ИИ имеет смысл — не только потому, что это означает, что вы можете быстрее запускать модели ИИ, но и потому, что данные, на которых эти модели затем будут учиться, — это данные из реальной жизни.

Как ты это делаешь?

Короче говоря, ИИ гарантирует, что модели машинного обучения будут давать реальные результаты, помещая эти модели в реальный мир. Вместо того, чтобы создаваться специалистами по данным или командами MLOps, модели машинного обучения должны отслеживаться между обеими этими командами с полной прозрачностью стека, чтобы пути использования машинного обучения стали ясными. Вместо того, чтобы сосредотачиваться только на разработке или развертывании, прикладной ИИ интегрирует весь путь — работая с реальными данными с самого начала.

Но хотя это может звучать логично, это не просто — и этого нелегко достичь. Согласно AI Data & Analytics Network, прикладная система ИИ имеет длинный список технических требований, необходимых для ее работы, включая (но не ограничиваясь) централизованное хранилище данных и оптимизированную эффективную архитектуру для сбора данных. преобразование, хранение и поиск; сетевая инфраструктура, то есть широкополосная, с малой задержкой и креативная; а также многочисленные функциональные возможности, функции управления и мониторинга для поддержки, отслеживания и управления моделью по мере того, как она учится на реальных данных.

В последнее десятилетие DataRobot сосредоточился на прикладном искусственном интеллекте. Когда компания была основана в Бостоне в 2012 году, ее целью было автоматизировать процессы, лежащие в основе машинного обучения. «Мы были пионерами в категории AutoML, — сказал Райт, — затем мы поняли, что в этом путешествии по созданию ценности с помощью ИИ этого недостаточно».

«Поэтому нам нужно было иметь возможность запускать модели в производство, отслеживать, управлять, оптимизировать и обновлять их постоянно по мере изменения данных».

Имея это в виду, в 2019 году DataRobot приобрел ParallelM, компанию, которая создала MLOps — одну из основных функций машинного обучения. А когда вы комбинируете AutoML с MLOps, вы получаете непрерывный ИИ. Система постоянного обновления моделей машинного обучения по мере изменения данных.

Оттуда DataRobot добавил подготовку данных и разработку функций; «а затем мы сделали огромный шаг вперед, осознав, что машинный интеллект так важен, но ни один человек, ни специалист по данным, никто не понимает ваш бизнес, ваши проблемы или ваши ключевые решения так, как вы». Это побудило компанию объединить идею машинного интеллекта с идеей человеческого интеллекта: автоматизированного, способного принимать решения и способного создать «единую структуру между наукой о данных и бизнесом».

В прошлом году все это было выровнено до облака. А с добавлением облачных технологий все это десятилетие инноваций может быть объединено в гибкую мультиоблачную архитектуру, где их можно закодировать или автоматизировать, а также сделать доступными для всех пользователей в рамках всего предприятия.

Люди всегда учились на собственном опыте. И когда вы приступите к делу, данные — это просто опыт, записанный в новой, цифровой форме. Таким образом, будущее разработки ИИ не является экспериментальным, а это означает, что оно не ограничивается лабораторией по обработке и анализу данных до тех пор, пока оно не будет настроено и готово к развертыванию.

Эффективный, действенный, по-настоящему интеллектуальный ИИ будет делать то же, что и люди: он будет использовать реальный опыт в режиме реального времени.

Другие похожие блоги о технологиях: https://bit.ly/3clnkau.

Вы нашли это интересным? Хотите получать больше технических новостей еженедельно? Подпишитесь на нашу рассылку: https://bit.ly/3AVCwoQv