Ohjelmointi

Kuinka aloittaa tekoäly - ennen kuin on liian myöhäistä

Tekoäly ja koneoppiminen alkavat tehdä paljon enemmän päätöksiä. Niitä ei todennäköisesti vieläkään käytetä lähitulevaisuudessa "suurten" päätösten tekemiseen, kuten 25 prosentin tullin asettaminen hyödykkeelle ja kauppasodan aloittaminen kumppanin kanssa.

Kuitenkin melkein kaikki, mitä olet juuttunut Exceliin ja hieronut, koodannut tai lajitellut, on hyvä klusterointi-, luokitus- tai luokitteluoppimisongelma. Kaikki, mikä on joukko arvoja, jotka voidaan ennustaa, on hyvä koneoppimisongelma. Kaikki, mikä on kuvio tai muoto tai esine, jonka vain käydään läpi ja "etsit", on hyvä syväoppimisongelma.

Ja liike on täynnä näitä. Aivan kuten tekstinkäsittelyohjelma korvasi kirjoituskone poolin, tekoäly korvaa pian joukot toimistotyöntekijöitä, jotka tuijottavat Exceliä - ja korvaavat myös jotkut analyytikot.

Yritysten on valmistauduttava tähän muutokseen. Aivan kuten yritykset, jotka eivät valmistaudu verkkoon ja verkkokauppaan, jäivät pölyyn, samoin yritykset, jotka eivät sopeudu tekoälyyn ja koneoppimiseen. Jos et katso valtavia määriä käsittelemääsi dataa ja tekemiäsi päätöksiä ja kysyt: "Voinko automatisoida viimeisen kilometrin?" tai etsit asioita, joita et tee, koska et voi päättää "reaaliajassa" tarpeeksi etujen saamiseksi - näen yrityksesi sulkemisen lehdissä muutaman vuoden kuluttua.

Valmistautuaksesi tähän muutokseen sinulla on viisi edellytystä, ennen kuin voit edes aloittaa liiketoiminnan muutoksen. Tarvitset strategian, jolla tekoäly levitetään organisaatiossasi ja joka alkaa näistä viidestä ennakkoedellytyksestä.

Tekoälyn edellytys nro 1: Koulutus

Et voi tehdä kaikista yrityksessäsi datatieteilijöiksi. Lisäksi osa matematiikasta kulkee liian nopeasti, jotta me vain kuolevaiset voisimme ymmärtää - tietty algoritmi, jonka ihmiset ajattelevat olevan tehokkain tällä viikolla, ei todennäköisesti ole oikea ensi viikolla.

Jotkut perustavat asiat eivät kuitenkaan muutu. Kaikkien organisaatiosi tulisi ymmärtää koneoppimisen perusominaisuudet, erityisesti kehittäjät:

  • Klusterointi: Asioiden ryhmittely yhteen.
  • Luokittelu: Asioiden lajittelu leimattuihin ryhmiin.
  • Viivan ennustus: Jos pystyt tekemään viivakaavion, voit todennäköisesti ennustaa, mikä arvo on.
  • Varianssiennuste: Olipa kyse likviditeettiriskistä, tärinästä tai tehohuipusta, jos sinulla on joukko arvoja, jotka kuuluvat alueelle, voit ennustaa varianssisi tiettynä päivänä.
  • Lajittelu / tilaaminen / priorisointi: en puhu yksinkertaisista asioista. Huolimatta siitä, onko haku tai priorisointi, minkä puhelun myynti- tai tukihenkilösi ottaa seuraavaksi, koneoppiminen voi hoitaa tämän.
  • Kuvion tunnistus: Olipa kyseessä muoto, ääni tai joukko arvoalueita tai tapahtumia, tietokoneet voivat oppia löytämään sen.

Yksi avainasia on, että ympärillä on joukko ihmisiä, jotka voivat mykistää sen ihmisille heidän taitotasonsa perusteella. Kehittäjät saattavat olla kiinnostuneita tietyistä algoritmeista tai tekniikoista, mutta analyytikoidesi ja johtajien tulisi ymmärtää liiketoiminnan perusongelmat ja tietotekniikat. Avainhenkilöidesi ei ehkä tarvitse tietää klusteroinnin toimintaa, mutta heidän on tunnustettava, että ongelma "näyttää" klusterointiongelmalta.

Lopuksi, sinun on päivitettävä säännöllinen koulutus vähintään vuosittain, koska kyvyt laajenevat.

Aiheeseen liittyvä video: Koneoppiminen ja tekoälyn tulkinta

Koneoppimisen ja tekoälyn ympärillä vallitsevan hyökkäyksen läpi paneelimme puhuu tekniikan määritelmät ja vaikutukset.

Tekoälyn edellytys nro 2: Komponentointi

Jotkut viimeaikaisista komponentointiin liittyvistä työkaluista ovat ”muistikirjoja” datatieteilijöille; monet muut työkalut kasvavat näistä. Nämä ovat upeita työkaluja datatieteilijöille ja heidän yhteistyökumppaneilleen.

Ongelmana on, että ne kannustavat tuotantoon liittyviä huonoja käytäntöjä. Rajapinta luokitusalgoritmiin näyttää suunnilleen samalta kuin kaikki muut algoritmit. Tietyn luokitusalgoritmin toteutus ei muutu liiketoiminnan ongelman mukana.

Aivan kuten monien yritysten oli selvitettävä, kuinka tehdä yksi edustaja asiakkaasta (sen sijaan, että kussakin järjestelmässä olisivat täysin erilaiset kullekin liiketoimintaongelmalle), sinun on tehtävä sama myös algoritmeille. Tämä ei tarkoita sitä, että sinun on keksittävä yksi todellinen klusterointialgoritmi, vaan että komponentoit eri asiaa.

Tekoälyn edellytys nro 3: Järjestelmä

Kaikista vanteista huolimatta useimmat järjestelmät näyttävät silti samoilta. On jonkinlainen prosessi tietojen saamiseksi algoritmiin, jokin prosessi algoritmin suorittamiseksi ja paikka, josta tulos voidaan sylkeä. Jos suunnittelet kaikki nämä asiat aina uudelleen jokaiselle algoritmille, tuhlaat aikaa ja rahaa - ja luo itsellesi suuremman ongelman. Aivan kuten SOA muutti sovellusten ohjelmistojen käyttöönoton määrää, samankaltaisia ​​tekniikoita tarvitaan tekoälyn käyttöönotossa.

Sinun ei tarvitse joukko mukautettuja Spark-klustereita, jotka kulkevat mukautettujen "kannettavien" kanssa kaikkialla ja mukautettujen ETL-prosessien kanssa. Tarvitset tekoälyjärjestelmiä, jotka pystyvät suorittamaan raskaan nostamisen yrityksen ongelmasta riippumatta.

Tekoälyn edellytys nro 4: AI / UI-komponentointi

JavaScript- / web-käyttöliittymämaailmassa, jossa on RESTful-palveluja, monien käyttöliittymiesi pitäisi pystyä sekoittamaan vain tekoälykomponentti. Olipa kyseessä käyttäjän käyttäytymiseen perustuva suosittelija tai täysimittainen virtuaaliassistentti, yrityksesi tulisi rakentaa käyttöliittymäkirjasto, joka sisältää tekoälytoiminnot, jotta se voidaan helposti upottaa liiketoimintasovelluksiisi.

Tekoälyn edellytys nro 5: Instrumentointi

Mikään näistä ei toimi ilman tietoja. Palatkaamme takaisin luomaan suuria, rasvaisia ​​tietojätteitä, joissa keräämme vain joukon roskia HDFS: lle ja toivomme, että sillä on arvoa joskus, kuten jotkut myyjät ovat kehottaneet tekemään niin. Katsotaan sen sijaan, mitä asioita pitäisi instrumentoida.

Jos valmistat, on yksinkertaisia ​​lähtökohtia: Jokainen, joka vetää manuaalisen mittarin, tuhlaa aikaa. Jopa myynnissä ja markkinoinnissa sinulla on sähköposti ja matkapuhelimet - näistä voidaan kerätä tietoja automaattisesti, mikä on selvästi hyödyllistä. Sen sijaan, että myyjät nuhtelevat tietojen syöttämistä, miksi et antaisi järjestelmien tehdä sen itse?

Liiku tekoälystrategian mukaan

Lyhyesti sanottuna viisi keskeistä edellytystä ovat:

  • Levitä tekoälyosaamista koko organisaatioosi.
  • Jokaisen tulisi ymmärtää päivittäiset perusasiat, joita koneet voivat tehdä itse.
  • Rakenna järjestelmiä ja komponentteja tekoälyä varten.
  • Rakenna tekoälyn / käyttöliittymän yhdistelmiä tekoälyn lisäämiseen helposti yrityssovelluksiisi.
  • Ohjaa järjestelmiäsi keräämään tarvittavat tiedot algoritmien syöttämiseksi, jotta voit tehdä päätöksiä puolestasi.

Jos asetat nämä edellytykset yhteen, loput tulee noudattaa, kun siirryt tietokaudesta Insight-ikään.

$config[zx-auto] not found$config[zx-overlay] not found