Машинное обучение и искусственный интеллект в дивном новом мире
Как последние достижения в области искусственного интеллекта совершат революцию в бизнесе и не только
Эта статья была первоначально опубликована в The Economist и спонсирована SAS
У некоторых искусственный интеллект (ИИ) ассоциируется с бесконтрольным роботом, которого люди доблестно пытаются вернуть под свой контроль, будто засунуть джина обратно в бутылку. Но реальность такова, что сегодняшний ИИ - это способность машин учиться на опыте и выполнять задачи, которые когда-то могли выполнить только люди. Это уже реальность, в которой множество вариантов обогащения и улучшения человеческих жизней.
Машинное обучение , один из ключевых строительных блоков ИИ, является частью технологического мира с 1950-х годов, когда самые первые программисты просили компьютеры разобраться в больших наборах данных. Программисты все больше совершенствуют способность машин изучать данные, чтобы выявлять закономерности, которые затем позволяют компьютерам систематизировать информацию, выявлять взаимосвязи, делать прогнозы и обнаруживать аномалии. Сегодня современные приложения искусственного интеллекта уже подарили нам беспилотные автомобили и виртуальных помощников, которые помогают выявлять мошенничество и более эффективно управлять такими ресурсами, как электричество.
Искусственный интеллект для руководителей
Чтобы чего-то достичь, ИИ нужно видеть. Ваше зрение не видит шаблонами, поэтому ИИ-приложение тоже не должно быть таким. С нашим руководством вы можете интегрировать углубленную аналитику, включая искусственный интеллект, в свою стратегию, и понять сильные и слабые стороны различных методов на основе ваших целей.
Такие отрасли, как ритейл , спорт, банковское дело , производство и здравоохранение , нашли применение для машинного обучения и искусственного интеллекта.
Теперь современные машины способны выполнять узкие задачи с высокой точностью, но - важная оговорка - эта точность не уступает качеству и, в некоторых случаях, количеству данных, определяющих модель. Текущее состояние дел в машинном обучении, благодаря вводу тщательно продуманных данных, улучшит существующие продукты и, в конечном счете, разработку автономного ИИ, но при этом не полностью автономных ИИ-устройств типа «бесконтрольных роботов».
Сегодняшние задачи машинного обучения решаются четырьмя основными способами:
- Машины, которым нужно научиться на собственном примере, прежде чем они смогут применить полученный инсайт к аналогичным задачам
- Машины, которые могут экстраполировать из общего шаблона и применить его к другим данным
- Машины, которые могут без учителя изучать данные, чтобы найти закономерности, становясь лучше с опытом (хотя при этом они никогда не автономны)
- Машины, которые могут работать и использовать данный набор правил для достижения желаемого результата
Но поскольку машинное обучение становится глубже, мы идем дальше к все более изощренному ИИ: глубокому обучению. Сложный анализ глубокого обучения проводится через так называемые нейронные сети, потому что они имитируют взаимосвязанную структуру человеческого мозга для обеспечения многоуровневой функциональности.
Эти нейронные сети настолько сложны, что путь, по которому машина приходит к своему выводу, еще не совсем понятен. Глубокое обучение использует огромные, самосовершенствующиеся нейронные сети - это возможно и более широко доступно благодаря недавним достижениям в области вычислительной мощности - для достижения чрезвычайно сложного распознавания образов, таких как распознавание речи или изображений.
«Глубокое обучение может использоваться только тогда, когда оно действительно имеет смысл. Там, где оно может быстро найти запутанные, изменяющиеся отношения, скрытые в больших объемах данных, которые мы еще не смогли извлечь каким-либо другим способом», - объясняет Мэри Бет Эйнсворт, глобальный менеджер по маркетингу продуктов искусственного интеллекта и текстовой аналитики в SAS. «Но глубокое обучение означает, что машина может смотреть на проблему сквозь свою аналитическую призму, в отличие от человеческого аналога. Оно может быть использовано для решения всех видов проблем. Потенциал во всех данных, которые мы собираем каждый день, еще не реализован».
Также наблюдается прогресс второго ключевого строительного блока ИИ, обработки естественного языка (NLP). Он превратился в понимание естественного языка (NLU). Если NLP - это способность переводить устный или письменный язык в форму, которую алгоритм может понять, а затем выдать результаты в виде устного или письменного языка, понятного людям, то NLU в целом более привычен: это способность выводить значение в языке, а затем реагировать соответственно, как люди инстинктивно. Siri и Alexa - первые шаги на пути к тому, чтобы сделать ИИ намного проще и удобнее в использовании.
Такие отрасли, как ритейл, спорт, банковское дело, производство и здравоохранение, нашли применение для машинного обучения и искусственного интеллекта.
Вопреки антиутопическим результатам, которые некоторые могут себе представить, люди остаются в центре внимания. Настройка и поддержание полезного машинного обучения требует взаимодействия и инсайтов со стороны человека, равно как и валидация выводов ИИ путем проверки их на соответствие новым данным - важный компонент любого развертывания ИИ. Более того, выбор правильного алгоритма для работы, настройка его для лучшей производительности, уточнение данных, на которых он будет работать, достижение идеального баланса между техническим совершенством машины и ее способностью потреблять данные и интерпретация результатов с пониманием того, что прогнозирование это не то же самое, что причинно-следственная связь - это отчасти наука, отчасти искусство и сила всех людей.
Неудивительно, что, как показали недавние межнациональные опросы клиентов SAS, одна из самых больших проблем, с которой сталкиваются компании в отношении внедрения искусственного интеллекта, заключается в управлении ИИ с помощью человеческого опыта.
«Кто-то захочет присоединиться к модному движению ИИ, потому что это горячая тема, но компании должны определиться, что они хотят с ним делать», - советует Эйнсворт. «К тому же, другие люди все еще негативно воспринимают ИИ из-за того, как его часто изображают так, что это может показаться ошеломляющим. Но во многих случаях эти люди уже используют формы машинного обучения каждый день, когда что-то ищут в интернете, загружают фотографии в социальные сети или совершают покупки в интернете у крупных розничных продавцов. В конечном счете, речь идет об использовании правильного инструмента для правильной работы. ИИ требует стратегии с четко прописанными тактическими шагами для успешного осуществления более крупного плана. ИИ может дать ценные инсайты, но деятельность, связанная с этой информацией, все еще требует человеческого управления».
Уже ясно, что ИИ настроен на революцию, особенно вероятен переход к автоматизации повторяющихся ручных задач с помощью роботизированного оборудования. ИИ вызовет драматические изменения в культуре. Но это не только повысит производительность - например, выявит проблемы с обслуживанием до того, как они возникнут, либо позволит определить цены в режиме реального времени - но и сэкономит время. ИИ будет работать в фоновом режиме, пока мы будем открыты для инноваций или для решения других задач, требующих человеческого внимания. Как распределительные центры Amazon используют робототехнику для отбора товаров, так и люди, которые их упаковывают, коммерция и многие другие сферы жизни станут вопросом командной работы. Человек и машина будут работать вместе.
Рекомендуем прочитать
- Article Beyond IFRS 17 – what's next?IFRS 17 is not just a new accounting standard. Its fundamental objective is to provide transparency and insight to the insurance business while identifying strengths and areas for improvement. Learn how to keep a long-term vision and achieve broader business value beyond the immediate demands of IFRS 17.
- Article Прохождение «последней мили» аналитики в три шагаВнедрение аналитических моделей в производство может быть самой сложной частью аналитического пути. Неудивительно, что эта последняя миля аналитики - внедрение моделей в развертывание - является самой сложной частью инициатив в рамках цифровой трансформации, которую должны освоить компании, потому что она считается наиболее важной.
- Article Data Lineage делает искусственный интеллект умнееРазработайте стратегию управления данными с использованием Data Lineage и дайте возможность ИИ полностью раскрыть свой потенциал.
- Article Insights Page Искусственный интеллект - Что это такое и почему это так важноИскусственный интеллект (ИИ) позволяет компьютерам обучаться на собственном опыте, адаптироваться к задаваемым параметрам и выполнять те задачи, которые раньше были под силу только человеку.
Готовы подписаться на инсайты сейчас?