Билл Стоутон, вице-президент, ведущий специалист по обработке и анализу данных в Blend360
Тенденции в бизнесе, как правило, вызывают либо ощущение «я чувствую себя обделенным», либо «слишком много ажиотажа, я собираюсь сосредоточиться на чем-то другом». Я думаю, что эти мнения во многом отражают реакцию на ИИ.
Но почему это загадочно в первую очередь? Много технических терминов вперемешку с жаргоном. И, как любой горячий тренд, распространение термина на области, ему не принадлежащие. Мы начнем с описания того, что такое ИИ, и трех категорий высокого уровня, в которые он попадает. Реальность такова, что ваша компания почти наверняка делает что-то из этого. Затем мы определим некоторые из общих терминов, которые иногда используются взаимозаменяемо, но не должны быть таковыми.
Эта статья демистифицирует часть риторики, внесет ясность в то, чем является (и чем не является) искусственный интеллект, и подготовит бизнес-лидера к тому, чтобы пойти по пути «с открытыми глазами», способному отделить то, что реально, от обмана, и вооруженному концептуальное понимание того, что ИИ может сделать для их бизнеса.
Что такое искусственный интеллект?
Термин «искусственный интеллект» был связан с идеей компьютеров, имитирующих человеческий интеллект, в 1956 году на конференции в Дартмуте. Обещания всегда опережали практические приложения, пока около 20 лет назад не начали сходиться отдельные пути, которые обеспечили значительное продвижение ИИ.
· Огромная вычислительная мощность благодаря параллельной обработке
· Рост объема доступных данных и возможность сделать их доступными повсеместно (облако)
· Движение за открытый исходный код
Поскольку терминология усложняет поле этих дискуссий, она помогает различать, что такое ИИ, по сравнению с методами и платформами, которые для этого используются. С практической точки зрения ИИ можно рассматривать в трех широких категориях:
· Узкоспециализированный или «функциональный» ИИ — специально предназначенный для решения определенной проблемы путем прогнозирования чего-либо, оптимизации сценария, распознавания определенных шаблонов и т. д. Такие вещи, как спам-фильтр, обнаружение мошенничества, профилактическое обслуживание, и многие другие являются примерами узкого ИИ. Весьма вероятно, что ваша организация уже занимается некоторыми из этих вещей.
· Генеративный ИИ — в последнее время этому уделяется много внимания, например, последняя версия ChatGPT и интеграция генеративных возможностей в поисковые системы. Он использует структуру глубокого обучения, чтобы понять содержание пользовательского ввода и может генерировать соответствующие ответы. Существует множество практических приложений, таких как интерактивный чат, создание контента, интерфейсы поисковых систем или написание курсовой работы вашего ребенка.
· Общий ИИ — способность выполнять любую задачу, которую может выполнить человек. Домашний робот, который может сделать вам напиток, обсудить разницу между американской и французской революциями и рассказать вам, как починить посудомоечную машину. Этого не существует… пока.
Как вы «делаете» ИИ? Ландшафт терминологии здесь также может сбивать с толку. Мы начинаем слышать такие термины, как машинное обучение (ML), взаимозаменяемые с ИИ, которые связаны, но не одно и то же.
Давайте разберемся с нашей терминологией
Для создания ценности для бизнеса с помощью ИИ требуется экосистема, которая определяет цели и включает среду, позволяющую внедрять эти решения. При обдумывании того, как сделать все это функциональным, нам необходимо разобраться в терминологии, которая его определяет.
Результаты
Существует набор терминов, описывающих результаты — например, сам ИИ. Этот список ни в коем случае не является исчерпывающим, но в большинстве бизнес-контекстов актуальны следующие:
· ИИ — компьютерные программы, имитирующие человеческий интеллект
· Обработка естественного языка (NLP) — раздел ИИ, занимающийся пониманием и генерацией естественного языка.
· Компьютерное зрение — еще одна область ИИ, использующая алгоритмы для интерпретации и понимания визуальных данных.
Подходы
Термины, используемые для описания результатов, должны отличаться от описания подходов к выполнению этих задач. Основным набором подходов для достижения результатов, ориентированных на ИИ, является машинное обучение, но есть и другие, такие как системы, основанные на правилах, экспертные системы, деревья решений и эволюционные (генетические) алгоритмы.
Глубокое обучение — это важное подмножество машинного обучения, которое включает в себя несколько слоев нейронных сетей для представления очень сложных взаимосвязей данных.
Методы
Наконец, есть определенные методы, которые используются, например, в подходе машинного обучения. Такие методы, как регрессия, кластеризация K-средних, анализ основных компонентов (PCA), могут использоваться для базовой аналитики или как часть платформы машинного обучения. Чаще в машинном обучении используются другие методы, такие как нейронные сети (нейронные сети — это компьютерные алгоритмы, смоделированные на основе мыслительного процесса человека).
На приведенной ниже диаграмме представлены эти три типа терминологии, а также то, как они взаимодействуют и перекрываются. Рассмотрим пространство за пределами круга ИИ как основное определение аналитики.
Машинное обучение (МО)
Поскольку машинное обучение играет доминирующую роль в обсуждении ИИ, особенно для бизнес-приложений, стоит уделить несколько минут трем основным подходам. Сам термин описывает компьютерные алгоритмы, которые можно улучшить с опытом. Машинное обучение — это часть ИИ (но не весь ИИ — это машинное обучение). Конкретные типы алгоритмов, которые могут быть задействованы в решении для машинного обучения, различаются и могут включать базовые подходы, такие как регрессия (линейная, логистическая и т. д.), но чаще включают более сложные подходы, такие как нейронные сети.
Независимо от конкретного типа алгоритма, в машинном обучении есть три широких подхода, каждый из которых имеет свой собственный набор оптимальных вариантов использования.
Контролируемое обучение
Основным контекстом для этого подхода обычно является предсказание некоторого результата или классификация чего-либо с объективной истиной. Он используется, когда вы знаете ответ и предоставляете алгоритму множество примеров (данные для обучения). Затем алгоритм сопоставляет входные данные с выходными на основе всех предоставленных вами данных.
Есть ли на этом изображении кошка? Откликнется ли этот покупатель на мое предложение? Появился ли вчера наш логотип в каких-либо социальных сетях?
Обучение без учителя
Столкнувшись со сложностью, люди любят классифицировать вещи. Это помогает нам упростить и организовать наше мышление и является естественным когнитивным процессом для решения сложных задач. Неконтролируемое обучение — это алгоритм и подход к выявлению необнаруженных закономерностей и взаимосвязей в данных.
Результатом могут быть такие вещи, как кластеры или группы. Практические приложения включают сегментацию клиентов, анализ потребительской корзины или группировку отзывов клиентов по темам или темам.
Обучение с подкреплением
Алгоритмы обучения с подкреплением — это целенаправленные подходы, которые учат, как максимизировать некоторую форму сигнала вознаграждения, и учатся на своих собственных действиях (и могут «быстро потерпеть неудачу»).
Практические приложения включают оптимизацию тем электронных писем, рекомендаций по продуктам или оптимизацию стратегий поиска с помощью таргетинга и ставок.
ИИ против аналитики
Не вся аналитика — это ИИ, да и не должно быть. Аналитика включает в себя использование статистических или математических методов для анализа данных и получения информации. Регрессионный анализ, прогнозное моделирование, проверка гипотез и визуализация данных — вот некоторые из традиционных инструментов, которые можно использовать для получения аналитических сведений. Они были в течение многих лет и будут продолжаться.
Аналитический подход может стать искусственным интеллектом, когда он будет развиваться и включать использование соответствующих алгоритмов обучения для анализа данных и создания прогнозов или решений на основе этих данных. Использование прогностического моделирования и регрессионного анализа для нацеливания на вероятных ответчиков будет считаться аналитическим подходом. Использование алгоритмов машинного обучения для создания тех же самых прогнозов на основе поведения клиентов, демографических данных и других факторов в реальном времени в автоматически самообучающейся среде будет считаться подходом ИИ. Разница между ними может быть субъективной.
Используйте возможности ИИ для своего бизнеса
Чтобы решить сложную бизнес-задачу, можно объединить несколько подходов на основе ИИ для создания решения. Например, если цель состоит в том, чтобы создать эффективную стратегию сегментации потенциальных клиентов, вы можете:
· Используйте обучение под наблюдением, чтобы найти лучших потенциальных клиентов на основе вероятности ответа, потенциального пребывания в должности и потенциального дохода. Все в среде, которая постоянно учится
· Используйте неконтролируемое обучение для выявления тенденций и естественных групп. Используйте эти группы для настройки таргетинга и обработки
· Используйте обучение с подкреплением, чтобы проверить свою стратегию обмена сообщениями и медиа-инвестиций для каждой из этих групп.
Обсуждения сложных тем могут идти в любом направлении, но иногда они могут начинаться с одного и того же места. Внесение ясности в терминологию, используемую для описания сложной темы, делает эти обсуждения более продуктивными. Это то, что мы пытались сделать в этой статье — установить общий язык, используя реальные примеры и как можно меньше жаргона. Если это поможет кому-то избавиться от фраз «Я чувствую себя обделенным» или «Слишком много шумихи!», значит, оно сделало свое дело.
Blend360 совместно с клиентами создает решения для обработки данных для достижения их бизнес-целей. Клиенты — герои нашей истории, и мы предоставляем инструменты и опыт, необходимые для достижения успеха. Мы используем расширенную аналитику, машинное обучение и искусственный интеллект, чтобы принимать решения на основе данных, которые способствуют росту и инновациям. Являясь лидером в отрасли обработки данных, мы сотрудничаем с предприятиями любого размера, чтобы создавать инновационные решения, которые приносят пользу.
Первоначально опубликовано на https://www.blend360.com.
