AI a strojové učenie začnú robiť oveľa viac rozhodnutí. Pravdepodobne sa v blízkej budúcnosti pravdepodobne nebudú používať na prijímanie „veľkých“ rozhodnutí, ako napríklad to, či uvalia 25-percentné clo na komoditu a začnú obchodnú vojnu s partnerom.
Avšak takmer všetko, čo ste uviazli v Exceli a masírovali, kódovali alebo triedili, je dobrý problém so zhlukovaním, klasifikáciou alebo učením sa. Čokoľvek, čo je súborom hodnôt, ktoré možno predvídať, je dobrý problém so strojovým učením. Čokoľvek, čo je vzor, tvar alebo predmet, ktorým len prejdete a „hľadáte“, je dobrý problém s hlbokým učením.
A tých je plný obchod. Rovnako ako textový procesor nahradil skupinu písacích strojov, aj AI čoskoro nahradí zástupy kancelárskych pracovníkov hľadiacich na Excel - a nahradí tiež niektorých analytikov.
Spoločnosti sa musia pripraviť na túto zmenu. Rovnako ako spoločnosti, ktoré sa nepripravovali na web a elektronický obchod, zostali v prachu, rovnako to budú mať aj spoločnosti, ktoré sa neprispôsobujú umelej inteligencii a strojovému učeniu. Ak sa nepozeráte na obrovské množstvo údajov, ktoré spracúvate, a na vaše rozhodnutia, ktoré robíte, a pýtate sa: „Nemôžem ísť poslednou míľou v automatizácii tohto procesu?“ alebo hľadáte veci, ktoré nerobíte, pretože sa nemôžete rozhodnúť dostatočne „v reálnom čase“, aby ste získali výhodu - o niekoľko rokov uvidím, ako bude vaša spoločnosť zatvorená v novinách.
Na prípravu tejto zmeny je potrebných päť predpokladov, než budete môcť vôbec začať s transformáciou podniku. Potrebujete stratégiu na šírenie umelej inteligencie vo vašej organizácii, ktorá začína týmito piatimi predpokladmi.
AI podmienka č. 1: Vzdelávanie
Nemôžete z každého vo svojej spoločnosti urobiť dátového vedca. Niektoré matematiky navyše bežia príliš rýchlo na to, aby sme ich len smrteľníci pochopili - konkrétny algoritmus, ktorý si ľudia myslia, že je tento týždeň najefektívnejší, pravdepodobne nebude budúci týždeň ten pravý.
Niektoré základné veci sa však nezmenia. Každý vo vašej organizácii by mal rozumieť niektorým základným schopnostiam strojového učenia, najmä vývojárom:
- Zoskupovanie: Zoskupovanie vecí.
- Klasifikácia: Triedenie vecí do označených skupín.
- Predikcia na riadku: Ak dokážete vytvoriť spojnicový graf, môžete pravdepodobne predpovedať, aká bude táto hodnota.
- Predikcia odchýlky: Či už ide o riziko likvidity alebo vibrácie alebo špičky výkonu, ak máte súbor hodnôt, ktoré spadajú do rozsahu, môžete predpovedať, aký je váš rozptyl v daný deň.
- Triedenie / objednávanie / stanovenie priorít: Nehovorím o jednoduchých veciach. Či už ide o vyhľadávanie alebo určovanie priorít, ktoré volania budú nasledovať od vašej obchodnej alebo podpornej osoby, pomocou strojového učenia sa dá vyriešiť toto.
- Rozpoznávanie vzorov: Či už ide o tvar, zvuk alebo množinu rozsahov hodnôt alebo udalostí, počítače sa môžu naučiť nájsť ho.
Jednou z kľúčových vecí je mať okolo seba skupinu ľudí, ktorí to môžu ľuďom umlčať na základe úrovne ich schopností. Váš vývojár by sa mohol zaujímať o konkrétne algoritmy alebo techniky, ale vaši analytici a manažéri by mali rozumieť základným obchodným problémom a počítačovým technikám. Vaši vedúci pracovníci možno nebudú musieť vedieť, ako klastrovanie funguje, ale musia si uvedomiť, že problém „vyzerá ako“ problém klastrovania.
Nakoniec potrebujete pravidelné obnovovanie vzdelávania, minimálne raz ročne, pretože sa rozširujú možnosti.
Súvisiace video: Strojové učenie a AI dešifrované
Pri prekonávaní humbuku okolo strojového učenia a umelej inteligencie náš panel hovorí o definíciách a dôsledkoch tejto technológie.
Predpoklad AI č. 2: Komponentizácia
Niektoré z posledných nástrojov okolo komponentizácie sú „notebooky“ pre dátových vedcov; z nich vyrastá veľa ďalších nástrojov. Sú to vynikajúce nástroje pre vedcov v oblasti údajov a ich spolupracovníkov.
Problém je v tom, že podporujú zlé postupy pri výrobe. Rozhranie s klasifikačným algoritmom vyzerá zhruba rovnako ako všetky ostatné algoritmy. Implementácia konkrétneho klasifikačného algoritmu sa s obchodným problémom nemení.
Rovnako ako mnoho spoločností muselo prísť na to, ako vytvoriť jedno zastúpenie zákazníka (a nie úplne odlišné v každom systéme pre každý obchodný problém), musíte urobiť to isté pre algoritmy. To neznamená, že musíte prísť s jedným skutočným klastrovacím algoritmom, ale aby ste zložili to, čo je iné.
Predpoklad AI: č. 3: Systemizácia
Napriek všetkým obručiam vyzerá väčšina systémov stále rovnako. Existuje určitý proces na získanie údajov do algoritmu, nejaký proces na vykonanie algoritmu a miesto na vypľutie výsledku. Ak zvyknete navrhovať všetky tieto veci znova a znova pre každý algoritmus, strácate čas a peniaze - a vytvárate si tak väčší problém. Rovnako ako SOA zmenila, koľko spoločností nasadzuje aplikačný softvér, sú potrebné podobné techniky aj pri nasadzovaní AI.
Nepotrebujete kopu vlastných klastrov Spark, ktoré všade pobehujú s vlastnými „notebookmi“ všade a s vlastnými procesmi ETL. Potrebujete systémy AI, ktoré zvládnu ťažké bremená bez ohľadu na obchodný problém.
Predpoklad AI č. 4: Komponentizácia AI / UI
Vo svete používateľského rozhrania JavaScript / web s RESTful službami na zadnej strane by malo byť veľa vašich používateľských rozhraní schopných zmiešať iba komponent AI. Bez ohľadu na to, či ide o odporúčateľa založeného na správaní používateľov alebo úplného virtuálneho asistenta, vaša spoločnosť by mala budovať knižnicu používateľského rozhrania, ktorá obsahuje funkcie AI, aby sa dala ľahko vložiť do vašich obchodných aplikácií.
AI predpoklad č. 5: Prístrojové vybavenie
Nič z toho nefunguje bez údajov. Vráťme sa k vytváraniu veľkých a tučných skládok dát, kde na HDFS zhromažďujeme len hromadu odpadkov a dúfame, že to niekedy bude mať hodnotu, ako vás k tomu vyzvali niektorí predajcovia. Namiesto toho sa pozrime na to, čo by malo byť vybavené prístrojmi.
Ak vyrábate, existujú jednoduché východiskové body: Každý, kto vytiahne ručný doraz, stráca čas. Avšak aj v oblasti predaja a marketingu máte e-maily a mobilné telefóny - z nich je možné automaticky zhromažďovať údaje, ktoré sú jednoznačne užitočné. Namiesto toho, aby ste otravovali predajcov, aby si nechali zadávať svoje údaje, prečo to nenechať na systémoch samých?
Pohybujte sa vo svojej stratégii umelej inteligencie
Aby som to zhrnul, päť kľúčových predpokladov je:
- Šírte vedomosti o AI do svojej organizácie.
- Každý by mal pochopiť základné každodenné veci, ktoré stroje môžu robiť sami.
- Vytvárajte systémy a komponenty pre svoju AI.
- Vytvorte mixiny AI / UI pre ľahké pridanie AI do vašich podnikových aplikácií.
- Vybavte svoje systémy prístrojmi na zhromažďovanie údajov, ktoré potrebujete na doplnenie algoritmov, aby ste mohli robiť rozhodnutia.
Ak dáte tieto predpoklady dohromady, zvyšok by mal nasledovať pri prechode z informačného veku do veku vhľadov.
