Η AI και η μηχανική μάθηση πρόκειται να αρχίσουν να παίρνουν πολύ περισσότερες αποφάσεις. Πιθανότατα ακόμη δεν θα χρησιμοποιηθούν στο εγγύς μέλλον για τη λήψη «μεγάλων» αποφάσεων όπως εάν θα επιβάλουν δασμό 25 τοις εκατό σε ένα εμπόρευμα και θα ξεκινήσουν έναν εμπορικό πόλεμο με έναν συνεργάτη.
Ωστόσο, σχεδόν οτιδήποτε έχετε κολλήσει στο Excel και κάνετε μασάζ, κωδικοποίηση ή ταξινόμηση είναι ένα καλό πρόβλημα συμπλέγματος, ταξινόμησης ή εκμάθησης κατάταξης. Οτιδήποτε είναι ένα σύνολο τιμών που μπορεί να προβλεφθεί είναι ένα καλό πρόβλημα μηχανικής μάθησης. Οτιδήποτε είναι ένα μοτίβο ή σχήμα ή αντικείμενο που απλώς περνάτε και "αναζητάτε" είναι ένα καλό πρόβλημα βαθιάς μάθησης.
Και η επιχείρηση είναι γεμάτη από αυτά. Ακριβώς όπως το πρόγραμμα επεξεργασίας κειμένου αντικατέστησε το σύνολο γραφομηχανών, το AI θα αντικαταστήσει σύντομα ορδές εργαζομένων γραφείων που κοιτάζουν το Excel - και θα αντικαταστήσει και ορισμένους αναλυτές.
Οι εταιρείες πρέπει να προετοιμάζονται για αυτήν την αλλαγή. Ακριβώς όπως οι εταιρείες που δεν προετοιμάστηκαν για τον Ιστό και το ηλεκτρονικό εμπόριο έμειναν στη σκόνη, έτσι και οι εταιρείες που δεν προσαρμόζονται στην AI και στη μηχανική μάθηση. Εάν δεν βλέπετε τα τεράστια ποσά δεδομένων που επεξεργάζεστε και τις αποφάσεις που λαμβάνετε και ρωτάτε: "Δεν μπορώ να κάνω το τελευταίο μίλι για την αυτοματοποίηση αυτού;" ή ψάχνετε για πράγματα που δεν κάνετε επειδή δεν μπορείτε να αποφασίσετε «σε πραγματικό χρόνο» για να κερδίσετε ένα πλεονέκτημα. Θα δω το κλείσιμο της εταιρείας σας στα χαρτιά σε λίγα χρόνια.
Για να προετοιμαστείτε για αυτήν την αλλαγή, έχετε πέντε προϋποθέσεις για να μπορέσετε ακόμη και να ξεκινήσετε μια επιχειρηματική μετατροπή. Χρειάζεστε μια στρατηγική για να διαδώσετε την τεχνητή νοημοσύνη σε ολόκληρο τον οργανισμό σας που ξεκινά με αυτές τις πέντε προϋποθέσεις.
Προαπαιτούμενο AI Νο. 1: Εκπαίδευση
Δεν μπορείτε να κάνετε όλους στην εταιρεία σας επιστήμονα δεδομένων. Επιπλέον, μερικά από τα μαθηματικά τρέχουν πολύ γρήγορα για να καταλάβουμε απλώς θνητοί - ο συγκεκριμένος αλγόριθμος που οι άνθρωποι πιστεύουν ότι είναι πιο αποτελεσματικός αυτή την εβδομάδα δεν είναι πιθανό να είναι ο σωστός την επόμενη εβδομάδα.
Ωστόσο, ορισμένα βασικά πράγματα δεν πρόκειται να αλλάξουν. Όλοι στον οργανισμό σας πρέπει να κατανοήσουν ορισμένες βασικές δυνατότητες της μηχανικής μάθησης, ιδίως των προγραμματιστών:
- Ομαδοποίηση: Ομαδοποίηση πραγμάτων.
- Ταξινόμηση: Ταξινόμηση πραγμάτων σε ομάδες με ετικέτες.
- Πρόβλεψη σε μια γραμμή: Εάν μπορείτε να δημιουργήσετε ένα γράφημα γραμμών, πιθανότατα μπορείτε να προβλέψετε ποια θα είναι αυτή η τιμή.
- Πρόβλεψη διακύμανσης: Είτε πρόκειται για κίνδυνο ρευστότητας είτε δονήσεις ή αιχμές ισχύος, εάν έχετε ένα σύνολο τιμών που εμπίπτουν σε ένα εύρος, μπορείτε να προβλέψετε ποια είναι η διακύμανση σας σε μια δεδομένη ημέρα.
- Ταξινόμηση / παραγγελία / προτεραιότητα: Δεν μιλάω για τα απλά πράγματα. Είτε πρόκειται για αναζήτηση είτε για προτεραιότητα που καλεί στη συνέχεια οι πωλήσεις σας ή το άτομο υποστήριξης, αυτό είναι κάτι που μπορεί να αντιμετωπιστεί με τη μηχανική εκμάθηση.
- Αναγνώριση προτύπων: Είτε πρόκειται για σχήμα, ήχο, είτε για σειρά τιμών ή συμβάντων, οι υπολογιστές μπορούν να μάθουν να το βρίσκουν.
Ένα βασικό πράγμα είναι να έχουμε ένα σύνολο ανθρώπων γύρω που μπορούν να το ξεγελάσουν για άτομα με βάση το επίπεδο δεξιοτήτων τους. Οι προγραμματιστές σας μπορεί να ενδιαφέρονται για συγκεκριμένους αλγόριθμους ή τεχνικές, αλλά οι αναλυτές και τα στελέχη σας πρέπει να κατανοήσουν τα βασικά επιχειρηματικά προβλήματα και τις τεχνικές υπολογιστών. Τα στελέχη σας μπορεί να μην χρειάζεται να γνωρίζουν πώς λειτουργεί η ομαδοποίηση, αλλά πρέπει να αναγνωρίζουν ότι ένα πρόβλημα "μοιάζει" με ένα πρόβλημα ομαδοποίησης.
Τέλος, χρειάζεστε μια τακτική ανανέωση της εκπαίδευσης, τουλάχιστον κάθε χρόνο, επειδή οι δυνατότητες επεκτείνονται.
Σχετικό βίντεο: Μηχανική εκμάθηση και αποκρυπτογράφηση AI
Σπάζοντας τη διαφημιστική εκστρατεία γύρω από τη μηχανική μάθηση και την τεχνητή νοημοσύνη, το πάνελ μας μιλά για τους ορισμούς και τις επιπτώσεις της τεχνολογίας.
Προαπαιτούμενο AI Νο. 2: Συγκέντρωση
Μερικά από τα πρόσφατα εργαλεία γύρω από τη σύνθεση είναι «σημειωματάρια» για επιστήμονες δεδομένων. πολλά από τα άλλα εργαλεία αναπτύσσονται από αυτά. Αυτά είναι εξαιρετικά εργαλεία για τους επιστήμονες δεδομένων και τους συνεργάτες τους.
Το πρόβλημα είναι ότι ενθαρρύνουν τις κακές πρακτικές όσον αφορά την παραγωγή. Η διεπαφή με έναν αλγόριθμο ταξινόμησης μοιάζει περίπου με όλους τους άλλους αλγορίθμους. Μια συγκεκριμένη εφαρμογή αλγορίθμου ταξινόμησης δεν αλλάζει με το επιχειρηματικό πρόβλημα.
Ακριβώς όπως πολλές εταιρείες έπρεπε να καταλάβουν πώς να κάνουν μια εκπροσώπηση ενός πελάτη (αντί για εντελώς διαφορετικές σε κάθε σύστημα για κάθε επιχειρηματικό πρόβλημα), πρέπει να κάνετε το ίδιο για αλγόριθμους. Αυτό δεν σημαίνει ότι πρέπει να δημιουργήσετε έναν πραγματικό αλγόριθμο ομαδοποίησης, αλλά ότι συνθέτετε αυτό που είναι διαφορετικό.
Προαπαιτούμενο AI Νο. 3: Συστηματισμός
Παρ 'όλα αυτά, τα περισσότερα συστήματα εξακολουθούν να φαίνονται τα ίδια. Υπάρχει κάποια διαδικασία για την εισαγωγή των δεδομένων σε έναν αλγόριθμο, κάποια διαδικασία για την εκτέλεση του αλγορίθμου και μια θέση για να φτύσει το αποτέλεσμα. Εάν έχετε συνήθεια να σχεδιάζετε όλα αυτά τα πράγματα ξανά και ξανά για κάθε αλγόριθμο, σπαταλάτε χρόνο και χρήμα και δημιουργείτε ένα μεγαλύτερο πρόβλημα για τον εαυτό σας. Ακριβώς όπως η SOA άλλαξε πόσες εταιρείες αναπτύσσουν λογισμικό εφαρμογών, χρειάζονται παρόμοιες τεχνικές για τον τρόπο ανάπτυξης του AI.
Δεν χρειάζεστε μια δέσμη προσαρμοσμένων συμπλεγμάτων Spark που τρέχουν με προσαρμοσμένα "σημειωματάρια" παντού και προσαρμοσμένες διαδικασίες ETL. Χρειάζεστε συστήματα AI που μπορούν να κάνουν τη βαριά ανύψωση ανεξάρτητα από το επιχειρηματικό πρόβλημα.
Προαπαιτούμενο AI Νο. 4: Διαμόρφωση AI / UI
Σε έναν κόσμο διεπαφής χρήστη JavaScript / ιστού με υπηρεσίες RESTful στο πίσω μέρος, πολλές από τις διεπαφές χρήστη σας θα πρέπει να μπορούν να αναμειγνύονται μόνο σε ένα στοιχείο AI. Είτε πρόκειται για έναν συνιστώμενο με βάση τη συμπεριφορά των χρηστών είτε έναν πλήρη εικονικό βοηθό, η εταιρεία σας θα πρέπει να δημιουργεί μια βιβλιοθήκη διεπαφής χρήστη που περιλαμβάνει λειτουργικότητα AI για εύκολη ενσωμάτωση στις επιχειρηματικές σας εφαρμογές.
Απαραίτητη προϋπόθεση Νο. 5: Όργανα
Κανένα από αυτά δεν λειτουργεί χωρίς δεδομένα. Ας μην επιστρέψουμε στη δημιουργία μεγάλων, χοντρικών απορρίψεων δεδομένων όπου συλλέγουμε απλώς ένα σωρό σκουπίδια στο HDFS και ελπίζουμε ότι θα έχει αξία κάποια μέρα, όπως σας έχουν ζητήσει ορισμένοι προμηθευτές. Αντ 'αυτού, ας δούμε ποια πράγματα πρέπει να οργανωθούν.
Εάν βρίσκεστε στην κατασκευή, υπάρχουν απλά σημεία εκκίνησης: Όποιος βγάζει χειροκίνητο μετρητή χάνει το χρόνο σας. Ωστόσο, ακόμη και στις πωλήσεις και το μάρκετινγκ έχετε email και κινητά τηλέφωνα - δεδομένα μπορούν να συλλεχθούν αυτόματα από αυτά που είναι σαφώς χρήσιμα. Αντί να ενοχλούν τους πωλητές για να κάνουν την καταχώριση δεδομένων τους, γιατί να μην αφήσουν τα συστήματα να το κάνουν μόνοι τους;
Προχωρήστε στη στρατηγική AI σας
Για να ανακεφαλαιώσετε, οι πέντε βασικές προϋποθέσεις είναι:
- Διαδώστε γνώσεις AI σε ολόκληρο τον οργανισμό σας.
- Όλοι πρέπει να κατανοήσουν τα βασικά καθημερινά πράγματα που μπορούν να κάνουν οι μηχανές μόνα τους.
- Δημιουργήστε συστήματα και εξαρτήματα για το AI σας.
- Δημιουργήστε AI / UI mixins για εύκολη προσθήκη AI στις επιχειρηματικές σας εφαρμογές.
- Οργάνωση των συστημάτων σας για τη συλλογή των δεδομένων που χρειάζεστε για να τροφοδοτήσετε τους αλγόριθμους για να λάβετε αποφάσεις για εσάς.
Εάν συνδυάσετε αυτές τις προϋποθέσεις, τα υπόλοιπα θα ακολουθήσουν καθώς μεταβαίνετε από την εποχή της πληροφορίας στην εποχή της γνώσης.
