Cara memulakan dengan AI — sebelum terlambat

AI dan pembelajaran mesin akan mula membuat lebih banyak keputusan. Mereka mungkin masih tidak akan digunakan dalam waktu dekat untuk membuat keputusan "besar" seperti apakah akan mengenakan tarif 25 persen pada komoditi dan memulai perang dagang dengan pasangan.

Walau bagaimanapun, hampir semua perkara yang anda terjebak di Excel dan diurut, dikodkan, atau disusun adalah pengelompokan, klasifikasi, atau masalah pembelajaran yang baik. Apa sahaja yang merupakan sekumpulan nilai yang dapat diramalkan adalah masalah pembelajaran mesin yang baik. Apa sahaja corak atau bentuk atau objek yang baru anda lalui dan "cari" adalah masalah pembelajaran mendalam yang baik.

Dan perniagaan penuh dengan semua ini. Sama seperti pemproses kata yang menggantikan kumpulan mesin taip, AI akan segera menggantikan gerombolan pekerja pejabat yang menatap Excel — dan juga menggantikan beberapa penganalisis.

Syarikat perlu bersiap sedia menghadapi perubahan ini. Sama seperti syarikat yang tidak membuat persiapan untuk web dan e-commerce yang tersisa, begitu juga syarikat yang tidak menyesuaikan diri dengan AI dan pembelajaran mesin. Sekiranya anda tidak melihat sejumlah besar data yang anda proses dan keputusan yang anda buat dan tanyakan, "Tidak bolehkah saya menempuh jarak terakhir untuk mengotomatisasi ini?" atau mencari perkara yang tidak anda lakukan kerana anda tidak dapat memutuskan "dalam masa nyata" cukup untuk memperoleh kelebihan - Saya akan melihat penutupan syarikat anda di surat khabar dalam beberapa tahun.

Untuk mempersiapkan perubahan ini, anda mempunyai lima prasyarat sebelum anda dapat memulakan transformasi perniagaan. Anda memerlukan strategi untuk menyebarkan AI ke seluruh organisasi anda yang bermula dengan lima prasyarat ini.

Prasyarat AI No. 1: Pendidikan

Anda tidak boleh menjadikan semua orang di syarikat anda sebagai saintis data. Lebih-lebih lagi, beberapa matematik berjalan terlalu cepat untuk kita hanya memahami - algoritma tertentu yang difikirkan orang paling berkesan minggu ini tidak mungkin menjadi yang tepat minggu depan.

Namun, beberapa perkara asas tidak akan berubah. Setiap orang dalam organisasi anda harus memahami beberapa keupayaan asas pembelajaran mesin terutamanya pembangun:

  • Penggabungan: Mengumpulkan sesuatu bersama.
  • Klasifikasi: Menyusun perkara menjadi kumpulan berlabel.
  • Ramalan pada garis: Sekiranya anda dapat membuat graf garis, anda mungkin dapat meramalkan berapa nilainya.
  • Ramalan varians: Sama ada risiko kecairan atau getaran atau lonjakan kuasa, jika anda mempunyai sekumpulan nilai yang berada dalam julat, anda dapat meramalkan perbezaan anda pada hari tertentu.
  • Menyusun / membuat pesanan / mengutamakan: Saya tidak membincangkan perkara mudah. Sama ada untuk carian atau memprioritaskan yang memanggil pelanggan jualan atau sokongan anda seterusnya, ini adalah sesuatu yang dapat ditangani dengan pembelajaran mesin.
  • Pengecaman corak: Sama ada bentuk, suara, atau sekumpulan rentang atau peristiwa nilai, komputer dapat belajar mencarinya.

Satu perkara penting adalah mempunyai sekumpulan orang di sekitar yang dapat mengurangkannya berdasarkan tahap kemahiran mereka. Pembangun anda mungkin berminat dengan algoritma atau teknik tertentu, tetapi penganalisis dan eksekutif anda harus memahami masalah asas perniagaan dan teknik komputer. Eksekutif anda mungkin tidak perlu tahu bagaimana pengelompokan berfungsi, tetapi mereka perlu menyedari bahawa masalah "kelihatan seperti" masalah pengelompokan.

Akhirnya, anda memerlukan penyegaran pendidikan biasa, sekurang-kurangnya setiap tahun, kerana kemampuannya semakin meningkat. 

Video berkaitan: Pembelajaran mesin dan AI diuraikan

Menerusi hype pembelajaran mesin dan kecerdasan buatan, panel kami membincangkan definisi dan implikasi teknologi.

Prasyarat AI No. 2: Komponen

Beberapa alat baru mengenai komponenisasi adalah "notebook" untuk saintis data; banyak alat lain tumbuh dari ini. Ini adalah alat yang hebat untuk saintis data dan kolaboratornya.

Masalahnya ialah mereka mendorong amalan buruk ketika melakukan pengeluaran. Antara muka untuk algoritma klasifikasi kelihatan sama seperti semua algoritma lain. Pelaksanaan algoritma klasifikasi tertentu tidak berubah dengan masalah perniagaan.

Sama seperti banyak syarikat yang harus mencari cara membuat satu perwakilan pelanggan (daripada yang sama sekali berbeza dalam setiap sistem untuk setiap masalah perniagaan), anda perlu melakukan hal yang sama untuk algoritma. Ini tidak bermaksud anda perlu membuat satu algoritma pengelompokan yang benar, tetapi anda membuat komponen yang berbeza.

Prasyarat AI No. 3: Sistemisasi

Walaupun terdapat banyak rintangan, kebanyakan sistem masih kelihatan sama. Ada beberapa proses untuk memasukkan data ke dalam algoritma, beberapa proses untuk menjalankan algoritma, dan tempat untuk memuntahkan hasilnya. Sekiranya anda merancang semua perkara ini berulang-ulang untuk setiap algoritma, anda membuang masa dan wang - dan mewujudkan masalah yang lebih besar untuk diri sendiri. Sama seperti SOA yang mengubah berapa banyak syarikat menggunakan perisian aplikasi, teknik serupa diperlukan dalam bagaimana AI digunakan.

Anda tidak memerlukan sekumpulan kelompok Spark khusus yang berjalan dengan "notebook" tersuai di mana-mana sahaja dan proses ETL yang dibuat khas. Anda memerlukan sistem AI yang boleh melakukan pengangkatan berat tanpa mengira masalah perniagaan.

Prasyarat AI No. 4: Komponenisasi AI / UI

Dalam dunia UI JavaScript / web dengan perkhidmatan TERBAIK di bahagian belakang, banyak UI anda seharusnya dapat mencampurkan komponen AI. Sama ada pengesyorkan berdasarkan tingkah laku pengguna atau pembantu maya yang lengkap, syarikat anda harus membina perpustakaan UI yang merangkumi fungsi AI untuk disematkan dengan mudah dalam aplikasi perniagaan anda.

Prasyarat AI No. 5: Instrumentasi

Tidak ada yang berfungsi tanpa data. Jangan kembali membuat tempat pembuangan data yang besar dan gemuk di mana kita hanya mengumpulkan banyak sampah di HDFS dan berharap ia mempunyai nilai suatu hari nanti, seperti yang disarankan oleh beberapa vendor. Sebaliknya, mari kita lihat perkara-perkara apa yang harus diinstrumentasikan.

Sekiranya anda berada di bidang pembuatan, ada titik permulaan yang mudah: Sesiapa yang mengeluarkan alat pengukur manual membuang masa anda. Namun, walaupun dalam penjualan dan pemasaran, anda mempunyai e-mel dan telefon bimbit — data dapat dikumpulkan secara automatik dari yang jelas berguna. Daripada menyusahkan jurujual untuk membuat kemasukan data mereka, mengapa tidak membiarkan sistem melakukannya sendiri?

Ikuti strategi AI anda

Untuk merangkum semula, lima prasyarat utama adalah:

  • Sebarkan pengetahuan AI ke seluruh organisasi anda.
  • Setiap orang harus memahami perkara-perkara asas yang boleh dilakukan sendiri oleh mesin.
  • Bina sistem dan komponen untuk AI anda.
  • Bina mixin AI / UI untuk menambahkan AI pada aplikasi perniagaan anda dengan mudah.
  • Instrumen sistem anda untuk mengumpulkan data yang anda perlukan untuk memberi makan algoritma untuk membuat keputusan untuk anda.

Sekiranya anda memasukkan prasyarat ini, selebihnya harus diikuti semasa anda beralih dari Zaman Maklumat ke Zaman Wawasan.