Post

AI & ML w biznesie: Mistrz rozwiązywania problemów?

Masz trudny problem biznesowy? Szanse na to, że Nauka Maszynowa i Sztuczna Inteligencja pomogą Ci go rozwiązać.

Nie jest to jednak rozwiązanie uniwersalne - Sztuczna Inteligencja (AI) i Sztuczna Inteligencja Maszynowa (ML) mogą wiele zdziałać, więc jest kilka rzeczy, które musisz wiedzieć, nie tylko o różnicy między nimi. Po drugie, kiedy już się o tym dowiesz, możesz przyjrzeć się temu, co chcesz zoptymalizować lub poprawić w swojej firmie, aby określić najbardziej odpowiednią technologię.

Tutaj, chcę wyjaśnić kluczowe różnice, przed omówieniem niektórych z otaczających technologii i najbardziej odpowiednich przypadków wykorzystania AI i Machine Learning dla biznesu.

Dwa groszki w strąku

Terminy "AI" i "ML" są czasami mylące i często używane w niewłaściwym kontekście. Czym dokładnie jest ten pierwszy i czym różni się od drugiego?

Cóż, na prawdę nie różnią się od siebie. Mówiąc dokładniej, ML może być uważany za podzbiór lub część AI. Z łatwością możemy znaleźć różne wykresy i modele przedstawiające AI jako większą sferę technologiczną, przy czym ML jest przedstawiony jako podzbiór niszowy zawarty wewnątrz - co wyraźniej wyjaśnia ten obraz:

Zacznijmy więc od warstwy zewnętrznej - czym jest AI? Najprościej mówiąc, można ją rozumieć jako wszystko, co może naśladować ludzkie zachowania. Jest to ogólna i pojemna definicja, ale mimo to dość dobrze oddaje rzeczywistość. Istnieją już setki przykładów AI w działaniu - w rzeczywistości AI jest wszędzie i wszyscy już jej używają, czasem nawet nieświadomie.

Na przykład, używasz AI, gdy odblokowujesz telefon z rozpoznaniem twarzy, gdy rozmawiasz z asystentem głosowym, lub gdy nawigujesz po swojej ulubionej platformie do transmisji strumieniowej. Oczywiście, AI istnieje również w znacznie bardziej wyrafinowanych rozwiązaniach, takich jak samojezdne samochody lub gorączkowo ludzkie AI napędzane kotwice wiadomości (więcej na ten temat poniżej). Obecnie jest ona mniej więcej wszędzie, wdrażana w wielu różnych formach.

ML, z drugiej strony, jest dziedziną wiedzy, która pozwala na implementację pewnych scenariuszy AI. Na przykład, ML może być wykorzystany do opracowania modeli uczenia się, które zwiększą wykorzystanie SI. Jest to, w jego najgłębszym znaczeniu, zbiór algorytmów lub metod o różnym pochodzeniu. Oczywiście, jest to nadal silne uproszczenie, ponieważ w istocie "uczenie się maszynowe" jest pojęciem, a nie jakimś konkretnym algorytmem.

Jednak w poprzedniej grafice można było zauważyć inną, mniejszą warstwę wewnątrz. Jest to spowodowane tym, że jest jeszcze jeden termin często wymieniany przy okazji mówienia o ML, a mianowicie głębokie uczenie się, które czasami jest również określane jako głębokie sieci neuronowe. Deep Learning (DL) jest jedną z metod ML. Jest ona bardzo wyrafinowana w swojej matematycznej naturze i jest używana do konkretnych scenariuszy. Istnieje jednak wiele innych, prostszych metod ML, które są ściśle analityczne i nawet jeśli generują "inteligentne" wyniki, opierają się na obliczeniach matematycznych (takich jak regresja liniowa).

To powiedziawszy, musimy podkreślić jedną zasadę, która jest najważniejsza ze wszystkich: nie ma metody ML bez danych. Dzisiejszy świat i technologia dostarczają wiele danych, które mogą być wykorzystane do treningu naszych modeli ML. Więcej informacji pozwala na uzyskanie dokładniejszych wyników, dlatego też nauka maszynowa jest często połączona z procesami Big Data.

Fakt ten jest wykorzystywany przez wiele firm, zwłaszcza dostawców usług w chmurze, którzy dostarczają nam gotowe do użycia rozwiązania AI. Usługi te zostały nauczone i przeszkolone z wykorzystaniem metod ML i mogą być teraz wykorzystywane przez każdego za pomocą prostego interfejsu programowania aplikacji (API).

AI i ML w Cloud

Nie można przecenić korzyści płynących z wykorzystania Cloud do celów AI i ML.

Przede wszystkim, jak wcześniej stwierdzono, można korzystać z gotowych do użycia API, zasilanych danymi już zebranymi przez dostawców usług w chmurze. Weźmy na przykład rozpoznawanie obrazów - takie modele opierają się na miliardach obrazów przechowywanych i tagowanych w taki sposób, jak indeksowanie Google. Nie możesz stworzyć lepszego modelu, jeśli nie masz wystarczającej ilości zasobów, aby zasilić swój proces uczenia się - a jest bardzo, bardzo duże prawdopodobieństwo, że nie masz do dyspozycji większego zbioru danych.

Co więcej, możesz zacząć korzystać z zasobów chmury po niskich kosztach i przestać ich używać zaraz po tym, jak Twoje algorytmy zakończą swoją pracę. Dzięki temu nie musisz udostępniać ogromnych serwerów i możesz uniknąć przepłacania za wymagane zasoby. Dzięki chmurze płacisz tylko za to, czego naprawdę potrzebujesz i faktycznie używasz.

To również sprawia, że jest ona wysoce skalowalna, dając Ci więcej mocy obliczeniowej lub miejsca na serwerze podczas udoskonalania i rozszerzania aplikacji do nauki gry w AI & Machine Learning - a nie musisz przygotowywać się do pracy z własnym sprzętem fizycznym (prawdopodobnie jedno z najsilniejszych ograniczeń dla tych aplikacji biznesowych w przeszłości).

Prototypowanie niskiego ryzyka

Jeśli to możliwe, każdy wolałby mieć pewność co do dojrzałości rynkowej swojego rozwiązania przed jego oficjalnym uruchomieniem na żywo. W ramach projektów AI/ML, będziesz mógł testować, iterować i szybko zawieść bezpiecznie i ekonomicznie.

Zawsze lepiej jest wygładzić krawędzie rozwiązania w środowisku o niskim ryzyku i bezużytecznym. W ten sposób oszczędzisz swoim klientom niepotrzebnej frustracji, dostarczając im w zamian wyrafinowany i wypolerowany produkt końcowy.

Cenna Czkawka

Cały sens sztucznie inteligentnych rozwiązań polega na umożliwieniu im ciągłego doskonalenia. Aby tego dokonać, muszą one posiadać pętle sprzężenia zwrotnego, które precyzyjnie wskazują na występowanie "złych" decyzji. Jest to niezbędny krok, aby móc przestać je powtarzać.

Jak powiedział kiedyś filozof George Santayana, "ci, którzy nie uczą się historii, są skazani na jej powtarzanie" - jest to uczucie, które dotyczy zarówno ludzi, przedsiębiorstw, jak i sztucznych inteligencji.

W przyszłości taka wiedza pomoże ci w podejmowaniu mądrzejszych decyzji biznesowych. Należy jednak pamiętać, że należy eksperymentować z inteligencją w obszarach, które nie będą zagrażać dobremu imieniu organizacji ani wysokiej jakości doświadczeń użytkowników.

Rozmiar projektu ma znaczenie

Prawdziwy potencjał SI będzie można odkryć tylko wtedy, gdy wykorzysta się go do rozwiązania odpowiedniego rodzaju problemów biznesowych. Dzięki tak ekscytującej technologii, łatwo jest się wciągnąć w jej pozornie nieograniczone możliwości oszczędzania świata i ryzykować utratę koncentracji na rozwiązywaniu prawdziwych problemów, które po udzieleniu odpowiedzi w zauważalny sposób pomogą usprawnić Twoją firmę.

Należy jednak pamiętać, że przed zapisaniem się na maraton należy najpierw nauczyć się chodzić. Rozłożenie wysiłków związanych z sztuczną inteligencją na mniejsze (aczkolwiek ważne) projekty pomaga skoncentrować energię zespołów, pozwalając im na bardziej efektywne dostarczanie najnowocześniejszych rozwiązań.

ML w swoim elemencie

Twarde zasady logiczne nie są sposobem na rozwiązywanie rzeczywistych problemów świata, ale, co zaskakujące, są to kwestie, które chcielibyśmy najbardziej złagodzić. Uczenie się maszynowe ma charakter sytuacyjny.

Rozumie ono wyjątki i emocje. Uczy się na przykładach, co oznacza, że zamiast pisać tysiące wierszy kodu, maszyna może uczyć się na podstawie obserwacji, dzięki czemu później będzie w stanie samodzielnie zastosować tę wiedzę. To nie jest magia, to ML z odrobiną nauki o danych.

Firmy wykorzystują obecnie technologię Machine Learning do gromadzenia cennych i, co może być ważniejsze, użytecznych informacji biznesowych i predykcyjnych spostrzeżeń analitycznych z dużych ilości danych - zarówno tych zebranych w przeszłości, jak i w czasie rzeczywistym. Wynika to z faktu, że istnieje wymierna wartość w opieraniu strategii biznesowej na twardych faktach, jak również na błędach, które popełniły Twoje maszyny i w konsekwencji wyciągnęły z nich wnioski.

Algorytmy ML tworzą powtarzalne, niezawodne i wykonywalne procesy biznesowe. Identyfikują one korelacje, formułują rekomendacje i personalizują doświadczenia użytkowników poprzez zrozumienie kontekstu.

Biorąc to wszystko pod uwagę, łatwo jest zrozumieć, dlaczego tak wiele firm decyduje się dziś na zastosowanie Machine Learning w swoich rozwiązaniach, a wszystko to w nadziei na zwiększenie zysków i napędzanie innowacji.

Nie chodzi tu jednak tylko o algorytmy. Innowatorzy zajmujący się transformacją cyfrową muszą wyobrazić sobie szerszą perspektywę, aby zapewnić, że dane, logistyka, zaangażowanie użytkowników itp. są brane pod uwagę w celu osiągnięcia optymalnej efektywności organizacji jako całości.

Poniżej znajduje się kilka przykładów par maszyn do nauki, o których wiadomo, że generują najbardziej imponujące wyniki i zaawansowanie technologiczne. Jeśli szukasz rozwiązania, które dotyczy któregokolwiek z tych obszarów, zwróć się do ML, aby pomóc katapultować swoją koncepcję na większą wysokość.

Business Intelligence

Machine Learning i inteligentna analiza danych, w połączeniu z nowoczesną platformą Business Intelligence (BI), może prowadzić do większej wydajności operacyjnej i skuteczniejszej identyfikacji problemów.

Połączenie Machine Learning i Business Intelligence jest szczególnie przydatne tam, gdzie natychmiastowe informacje mogą prowadzić do podejmowania cennych decyzji, a problemy muszą być identyfikowane w czasie rzeczywistym. Dotyczy to w szczególności handlu elektronicznego i bankowości (w szczególności wykrywania oszustw - ale już niedługo), ponieważ w związku z tym należy podjąć działania w odpowiednim czasie i w dokładny sposób. Dokładniej mówiąc, dobrze poinformowana aplikacja, wspomagana przez uczenie się maszynowe, może zidentyfikować unikalne trendy i reagować szybciej niż człowiek.

Przetwarzanie obrazu i tekstu

Jeden z naszych klientów, firma medialna, która codziennie publikuje setki artykułów, miał niskoefektywną pracę redakcyjną. Dziennikarze poświęcali zbyt wiele cennego czasu na poszukiwanie, sortowanie i kategoryzowanie zdjęć artykułów - zamiast skupić się na pisaniu.

Mając dość marnowania zasobów, podeszli do nas z pomysłem, który polegał na stworzeniu prototypu inteligentnego rozwiązania do nauki maszynowej w chmurze, które automatycznie przetwarzałoby, oznaczało i sortowało obrazy.

Stworzony prototyp pokazał firmie, że podejście do rozpoznawania i klasyfikacji obrazów w technologii Machine Learning pomogło rozwiązać ich problem z przepływem pracy i przyspieszyło cały proces - uwalniając zasoby i oszczędzając czas.

Rozpoznawanie mowy

W listopadzie 2018 r. chińska agencja państwowa (Xinhua) zadebiutowała jako pierwsza na świecie AI news anchors. Nadawcy zostali stworzeni przy użyciu programu Machine Learning, dzięki któremu są w stanie symulować głos, mimikę twarzy i unikalne gesty prawdziwych prezenterów wiadomości, a także generować i prezentować nowe informacje dla widzów.

Tak oszałamiający postęp był ostatnio możliwy dzięki technologii ML, która zaczęła podchodzić do dźwięku z perspektywy wizualnej. To najnowsze osiągnięcie sprawiło, że rozpoznawanie obrazu stało się kluczowym aspektem badań nad SI, ponieważ nawet tam, gdzie materiał do przetworzenia jest oparty na dźwięku (lub w inny sposób abstrakcyjny i niewizualny), najbardziej wymierne dane są nadal prezentowane graficznie.

Wykrywanie oszustw

Charakter wykrywania nadużyć finansowych i zapobiegania im zapewnia idealne przypadki wykorzystania prania pieniędzy i sztucznej inteligencji w bankowości, jak również inne zastosowania w szerszym sektorze finansowym. Większość konsumentów nie zdaje sobie nawet sprawy z istnienia skomplikowanych, inteligentnych algorytmów stojących za działaniami w zakresie obsługi klienta w sektorze usług finansowych. Masz już dość sprawdzania poprawności każdej transakcji za pomocą hasła generowanego przez SMS? Następnym razem, gdy zostaniesz o to poproszony, po prostu pamiętaj, że pomagasz swojemu bankowi wdrożyć technologię ML, aby nauczyć się i, co za tym idzie, zapobiec oszustwom w przyszłości. Tak więc, możesz podziękować tym algorytmom później.

Machine Learning w usługach finansowych pozwala badaczom danych łatwo i dokładnie określić, które transakcje są najbardziej narażone na oszustwa. To dlatego, że umożliwia automatyczne wykrywanie wzorców w oparciu o duże ilości danych zebranych z transakcji na żywo. Umiejętnie zastosowane rozwiązania ML mogą bez trudu odróżnić działalność oszukańczą od legalnej, jednocześnie ucząc się identyfikować wcześniej niewidoczne taktyki oszustwa.

Co więcej, po zidentyfikowaniu takich trendów, ML może wykorzystać tę wiedzę do zatrzymania powtarzających się zdarzeń w działaniu. Czy kiedykolwiek Twój bank poinformował Cię o ewentualnej nieuczciwej działalności, którą udało mu się powstrzymać, zanim to nastąpiło - a nie po? Masz też ML, żeby za to podziękować.

Ważne jest jednak, aby skorzystać z profesjonalnie opracowanego modelu ML, aby zapewnić, że będzie on w stanie poprawnie wykonać tysiące obliczeń w ciągu milisekund. Prawidłowo" jest tu kluczowym słowem, ponieważ algorytmy mogą równie łatwo nauczyć się niewłaściwych rzeczy, co prowadzi do całkowitej nieskuteczności. Ludzki nadzór powinien być zawsze regularnie wdrażany w celu sprawdzenia i skierowania ML na właściwą drogę.

Dzisiejsze Problemy, Jutrzejsze Rozwiązania

Prognozy na następną dekadę wyraźnie wskazują, że Big Data stanie się wszechobecną podstawą w życiu każdego człowieka. Na zeszłorocznej amerykańskiej konferencji Big Data, BigData SV 2018, przedstawiono wyniki badań wskazujące, że Big Data wygeneruje około 103 miliardy dolarów do 2027 roku. Przychody z tego sektora będą rosły w tempie około 10 miliardów dolarów rocznie. To imponujące!

Ale oznacza to również, że mistrzowsko wykonana SI i ML będą nadal rosły na znaczeniu. W rzeczywistości, prawdopodobnie staną się one niezbędne, ponieważ rozwiązania Big Data dość często prowadzą do rozwiązywania problemów z prognozami lub klasyfikacją. I, jak wcześniej wspomniano, ML po prostu nie jest możliwy bez danych - dlatego Big Data jest niezbędnym komponentem AI.

Wydaje się więc, że wszystkie dane będą królować w przewidywalnym środowisku technologicznym - czyniąc z AI i ML kluczowych doradców z gwarantowanym miejscem przy stole.

Podsumowując, jeśli chcesz wrzucić trochę innowacji do tego, co robiłeś lub całkowicie przekształcić swój biznes cyfrowo - zajrzyj do ML, AI i Big Data, aby zobaczyć, jak możesz najlepiej wykorzystać to, co nadchodzi.

Komentarze (0)

Zostaw komentarz