Некоторые технологии искусственного интеллекта существуют уже более 50 лет, но в последние десятилетия развитие вычислительной мощности и новых алгоритмов привело к значительным прорывам в области искусственного интеллекта. ИИ вызывает много ажиотажа и ажиотажа, поскольку он по-прежнему ассоциируется с видением будущего. Между тем, мы уже полагаемся на него каждый день. Вы используете Siri или Alexa? Используете ли вы спам-фильтры в своей электронной почте? Есть ли алгоритм, который показывает вам рекомендации от Netflix или Spotify? Сколько раз вы разговаривали с ботом, который пытался решить вашу проблему с устройством или сервисом? ИИ окружает нас повсюду. Он используется в коммерческих целях компаниями по всему миру в течение многих лет, но теперь появилась новая тенденция. ИИ во благо — это глобальная тенденция: множество различных компаний, таких как Microsoft, Google или Amazon, пытаются решить самые насущные проблемы с использованием технологий. Другие организации, такие как Организация Объединенных Наций, обращаются к ИИ для ускорения достижения своих целей в области устойчивого развития.
Что такое ИИ?
Система ИИ сочетает в себе и использует машинное обучение и другие методы анализа данных для достижения возможностей, традиционно связанных с интеллектом. Это относится не только к информатике, но и к психологии, лингвистике и другим областям. Многие различные определения подчеркивают способность планировать, рассуждать, учиться, ощущать и общаться на естественном языке.
Почему это выгодно?
ИИ может помочь нам получить представление о больших объемах данных — понять их и извлечь из них уроки. Он видит закономерности там, где их не видим мы, и связи, которые человеческий мозг не смог бы установить.
Есть два основных способа работы с большими объемами данных, чтобы получить представление. Во-первых, организовать их с помощью интеллектуальной визуализации, которая обеспечивает обзор, который в противном случае был бы скрыт огромным объемом данных. Во-вторых, применять алгоритмы машинного обучения, которые анализируют огромные объемы данных быстрее и точнее, чем человеческий мозг, делая выводы, а иногда даже предлагая решения.
Когда применять его к гражданскому сектору?
- Ваша база данных слишком велика для ручной обработки.
Представьте, что вы пытаетесь собрать данные о пациентах с COVID-19, чтобы установить обычную продолжительность инкубационного периода. В начале всего с несколькими случаями — вы можете попробовать сделать это самостоятельно. Как только вы заполните всю таблицу, вам может понадобиться дополнительная помощь. И как только электронной таблицы станет недостаточно, вам, вероятно, потребуется очень специализированная помощь и профессиональные инструменты даже для хранения данных, не говоря уже об их анализе. Эта проблема становится еще более серьезной, когда вы имеете дело с изображениями или видеоданными, поскольку вы можете быстро превзойти возможности своих локальных компьютеров.
2. Ваши данные поступают из разных источников.
Допустим, вы получаете статистику, описывающую (среди прочего) продолжительность инкубационного периода вируса SARS-CoV-2 от ВОЗ, NHS, местной больницы и непосредственно от некоторых пациентов. Анализ данных может помочь вам быстро и эффективно просеять все это и получить точную информацию, которую вы ищете. Если вы получаете эти данные регулярно, весь процесс можно автоматизировать, упорядочив поток информации и значительно сократив время между сбором данных и их анализом.
3. Вы пытаетесь найти ответы на некоторые сложные вопросы.
Если вы хотите знать, более ли вероятно, что люди с диабетом страдают от COVD-19, вам необходимо учитывать множество различных факторов, таких как возраст, пол, этническая принадлежность, вес, сопутствующие заболевания и многие другие, прежде чем делать какие-либо выводы. Опять же, это работа для алгоритмов, которые подходят для учета множества различных переменных.
4. Ваша база данных содержит различные типы изображений.
Использование специализированных алгоритмов машинного обучения поможет вам делать гораздо более быстрые и подробные выводы, чем человеческий мозг при классификации изображений. Именно такой подход использует Appsilon при работе над Mbaza AI — моделью машинного обучения, которая классифицирует изображения с фотоловушек, сделанных в национальных парках Центральной Африки. Обнаружение и классификация животных, видимых на этих камерах, раньше занимали месяцы, а иногда и годы. Теперь это занимает несколько дней и может выполняться в автономном режиме на стандартном ноутбуке.
Это лишь некоторые основные примеры вариантов использования. Если вы хотите изучить больше возможностей для НПО, связанных с ИИ, присоединяйтесь к бесплатному вебинару ИИ во благо 28 апреля 2021 года, организованному некоммерческой организацией Tech To The Rescue, которая объединяет технологические компании с неправительственными организациями для решения мировые проблемы. дополнительная информация: https://www.eventbrite.co.uk/e/ai-for-good-registration-151034112095.
