Чтобы освоить искусственный интеллект, не забывайте о людях и процессах

Видео: Этика, необходимая ИИ для успеха

В зависимости от вашей точки зрения, мир искусственного интеллекта (ИИ) благословлен или проклят из-за богатства.

В отличие от плохих старых времен ИИ зима, у нас есть не только алгоритмы, но также данные и инфраструктура для реализации искусственного интеллекта и машинного обучения. И мы снизили барьеры для входа. Благодаря облаку вам больше не нужно работать в организации, которая может позволить себе собственные высокопроизводительные вычисления (HPC). кластере, а благодаря открытому исходному коду вам больше не нужно изобретать велосипед, когда дело доходит до шлифования алгоритмы. И благодаря появлению

курируемые облачные сервисы, внедрить машинное обучение может быть так же просто, как создать приложение в Visual Studio.

Читайте также: Moneyball для кино: наука о данных и искусственный интеллект в Голливуде

Итак, что может пойти не так? Не было недостатка в предупреждениях, начиная с отрезвляющий к возвышенный.

Как и в случае с любой технологией, всегда может повезти однажды. Вы можете запустить специальный проект и получить революционную информацию. Этот новый алгоритм следующего лучшего предложения только что увеличил конверсию на 10%. Повторение этого подвига означает обращение внимания на людей и процессуальную сторону процесса.

Это начинается с построение команды. Очевидно, что это будет легче сказать, чем сделать. PwC прогнозирует, что 3 миллиона практиков с аналитическими навыками в кадровом резерве США, но это широкий набор специалистов, который распространяется на инженерию данных и визуализацию. Да, существуют миллионы специалистов по аналитике. Но спрос будет превышать предложение еще долгое время, независимо от того, насколько быстро колледжи и университеты выпускают выпускников в области науки о данных.

Интересно то, как PwC характеризует набор навыков; он предполагает, что ученые, работающие с данными, должны быть универсальными суперзвездами с передовыми навыками во всем: от от предметных знаний до визуализации, управления данными, проектирования, поиска данных, аналитики и машинного оборудования. обучение. Давайте будем реалистами: в большинстве случаев вам понадобится команда, обладающая дополняющими друг друга сочетаниями этих навыков, поскольку маловероятно, что вы найдете их воплощенными в одном человеке.

Если вашей организации удалось собрать правильное сочетание людей, именно здесь на помощь приходит процесс. Скорее всего, большинство организаций, которые стремятся получить выгоду от искусственного интеллекта и машинного обучения, уже имеют опыт работы с аналитикой; будем надеяться, что там существует какой-то процесс выявления аналитических проблем и практического применения ответов, хотя в большинстве организаций он, вероятно, неформальный, если что-то вообще существует,

Но искусственный интеллект и машинное обучение добавляют в процесс новые переменные. это должно начинаться с науки о данных. Наука стоит на первом месте, и в сценариях, где целью является выявление закономерностей, например выявление случая и следствия, ИИ может не обязательно понадобиться.

Между успешным внедрением науки о данных и ИИ есть общие черты. Оба вида спорта являются командными.

Но для ИИ ставки (и риски), возможно, выше. В науке о данных решения принимаются людьми. ИИ добавляет еще один набор движущихся частей: систему. С помощью моделей и алгоритмов система масштабирует способность людей обнаруживать сигналы в данных, которые затем используются для получения информации и принятия решений, которые должны способствовать развитию бизнеса. преимущества. Благодаря ИИ большая часть обучения, а во многих случаях и принятия решений ложится на машины. Независимо от того, является ли подход машинного или глубокого обучения контролируемым или неконтролируемым, люди должны быть частью уравнения.

При выборе подхода существует множество переменных. Все начинается с смущения богатства открытого исходного кода. машинное обучение и глубокийобучение фреймворков на выбор, что затрудняет выбор подходящего инструмента для работы, если не сказать больше. Часто выбор может зависеть от типов наборов навыков, имеющихся в вашей организации; например, если R является лингва франка, скорее всего, будет предвзятость в сторону КРАН библиотеки; если ваша команда предпочитает Python, Scikit-Learn скорее всего, это будет выбор. Если ваша аналитика использует Spark, будет тенденция использовать MLlib в ваших конвейерах обработки данных.

Затем есть логическая сторона модели и цель (или намерение). Знаем ли мы, какую проблему ищем, или нам нужна машина, которая поможет нам ее обнаружить? Какие критерии мы используем для присвоения характеристик и параметров модели, и не встраиваем ли мы случайно какие-то ошибочные предубеждения или предубеждения? Создаем ли мы больше Отчеты меньшинства? Документирование обоснований и предположений моделей машинного обучения и глубокого обучения все еще является новой областью.

Затем необходимо принять решение о том, как обучать модели; должен ли он быть контролируемым (когда люди выдвигают предположения) или неконтролируемым (когда машине приходится сортировать и выяснять, что изучать) или чем-то средним? И каковы критерии определения адекватности обучения модели?

Ловкость является ключевым моментом. Команда должна быть готова к быстрому провалу; Наука о данных и искусственный интеллект связаны с постоянной проверкой гипотез. Из-за итеративного характера машинного обучения модели необходимо постоянно оценивать и сравнивать. Сбои или необычные события могут либо подтвердить модель, либо опровергнуть ее. Необходимо также обратить внимание на выбор наборов данных. И даже когда лучшие алгоритмы и наборы данных определены, возникает явление дрейфа: наборы данных, поступающие из разных источников, не всегда предсказуемы. Характеристики данных (например, файлов журналов) могут легко изменяться. А искажения в данных могут легко сбить с толку модели машинного и глубокого обучения. У команд должен быть систематизированный способ обнаружения и реагирования на отклонения данных и моделей.

Читайте также: Смерть и наука о данных: как машинное обучение может улучшить уход в конце жизни

Много внимания было уделено процессу перехода от разработки модели к ее внедрению; существует множество инструментов, которые помогают управлять технологической стороной процесса. А как насчет внедрения модели в бизнес? Помните, мы раньше говорили о документировании намерений? Здесь резина встречается с дорогой. Машины могут помочь делать предположения, выявлять закономерности и даже принимать решения. Не исключено, что в будущем появятся новые нормативные требования для документирования предположений или намерений, лежащих в основе модели, а также того, как и почему модель развивалась.

На данный момент ИИ и его проявления в машинном и глубоком обучении являются новинкой; это новые блестящие объекты технологии. Первая часть задачи — внедрение ИИ; наличие нужных людей и наличие процессов имеют важное значение, если ИИ хочет внедриться в бизнес. Повторяемость является большим препятствием. Но следующий шаг — не стать жертвой собственного успеха, и именно здесь на помощь приходит ответственность. Именно здесь ИИ становится проблемой для людей и процессов, где естественный интеллект в конечном итоге становится ответственным за результаты, полученные с искусственной стороны.

Предыдущее и связанное освещение

Алекса, заткнись: Amazon пытается подавить спонтанный смех

Amazon в среду заявила, что вносит некоторые изменения в своего виртуального помощника на базе искусственного интеллекта после того, как клиенты сообщили о неожиданном смехе на устройствах с поддержкой Alexa.

Новый запуск IBM: PAIRS Gescope нацелен на поиск больших геопространственных данных

IBM хочет, чтобы предприятия использовали ее наборы данных PAIRS Gescope для разработки более качественных геопространственных услуг.