AI a strojové učení začnou dělat mnohem více rozhodnutí. Pravděpodobně stále nebudou použity v blízké budoucnosti k „velkým“ rozhodnutím, jako je to, zda uvalit 25% clo na komoditu a zahájit obchodní válku s partnerem.
Téměř vše, co jste uvízli v aplikaci Excel a masírovali, kódovali nebo třídili, je však dobrý problém s klastrováním, klasifikací nebo zařazením do třídy. Cokoli, co je sada hodnot, které lze předvídat, je dobrým problémem se strojovým učením. Cokoli, co je vzor, tvar nebo předmět, kterým projdete a „hledáte“, je dobrým problémem hlubokého učení.
A podnikání je jich plné. Stejně jako textový procesor nahradil fond psacích strojů, AI brzy nahradí hordy kancelářských pracovníků hledících na Excel - a nahradí také některé analytiky.
Společnosti se musí na tuto změnu připravit. Stejně jako společnosti, které se nepřipravovaly na web a elektronický obchod, zůstaly v prachu, stejně tak i společnosti, které se nepřizpůsobují AI a strojovému učení. Pokud se nedíváte na obrovské množství dat, která zpracováváte, a na svá rozhodnutí, která děláte, a ptáte se: „Nemohu v automatizaci toho udělat poslední míli?“ nebo hledáte věci, které neděláte, protože se nemůžete rozhodnout „v reálném čase“ natolik, abyste získali výhodu - za pár let uvidím uzavření vaší společnosti v novinách.
K přípravě na tuto změnu máte pět předpokladů, než budete moci dokonce zahájit obchodní transformaci. Potřebujete strategii šíření AI v celé vaší organizaci, která začíná těmito pěti předpoklady.
Předpoklad AI č. 1: Vzdělávání
Nemůžete z každého ve vaší společnosti udělat datového vědce. Navíc některá matematika běží příliš rychle na to, abychom ji mohli pouhými smrtelníky pochopit - konkrétní algoritmus, který si lidé myslí, že je tento týden nejefektivnější, pravděpodobně příští týden nebude ten pravý.
Některé základní věci se však nezmění. Každý ve vaší organizaci by měl rozumět některým základním schopnostem strojového učení, zejména vývojářům:
- Shlukování: Seskupování věcí dohromady.
- Klasifikace: Třídění věcí do označených skupin.
- Predikce na spojnici: Pokud dokážete vytvořit spojnicový graf, můžete pravděpodobně předpovědět, jaká bude tato hodnota.
- Predikce odchylky: Ať už se jedná o riziko likvidity nebo vibrace nebo energetické špičky, pokud máte sadu hodnot, které spadají do rozsahu, můžete předpovědět, jaká je vaše odchylka v daný den.
- Třídění / objednávání / stanovení priorit: Nemluvím o jednoduchých věcech. Ať už jde o vyhledávání nebo stanovení priorit, které volání vašeho prodejce nebo podpory bude následovat, je to něco, co lze zvládnout strojovým učením.
- Rozpoznávání vzorů: Ať už se jedná o tvar, zvuk nebo množinu rozsahů hodnot nebo událostí, počítače se ho mohou naučit najít.
Jednou z klíčových věcí je mít kolem sebe skupinu lidí, kteří to pro lidi na základě jejich úrovně dovedností umlčí. Vaši vývojáři by se mohli zajímat o konkrétní algoritmy nebo techniky, ale vaši analytici a vedoucí pracovníci by měli rozumět základním obchodním problémům a počítačovým technikám. Vaši vedoucí pracovníci možná nemusejí vědět, jak klastrování funguje, ale musí si uvědomit, že problém „vypadá jako“ problém klastrování.
Nakonec potřebujete pravidelné obnovování vzdělávání, alespoň jednou ročně, protože se rozšiřují možnosti.
Související video: Dešifrování strojového učení a AI
Náš panel prolomil humbuk kolem strojového učení a umělé inteligence a promlouvá přes definice a důsledky této technologie.
Předpoklad AI č. 2: Komponentizace
Některé z nedávných nástrojů kolem komponentizace jsou „notebooky“ pro datové vědce; z nich vyrostla spousta dalších nástrojů. Jedná se o skvělé nástroje pro datové vědce a jejich spolupracovníky.
Problém je v tom, že podporují špatné postupy, pokud jde o výrobu. Rozhraní s klasifikačním algoritmem vypadá zhruba stejně jako všechny ostatní algoritmy. Implementace konkrétního klasifikačního algoritmu se s obchodním problémem nemění.
Stejně jako mnoho společností muselo přijít na to, jak udělat jedno zastoupení zákazníka (spíše než úplně odlišné v každém systému pro každý obchodní problém), musíte udělat totéž pro algoritmy. To neznamená, že musíte přijít s jediným opravdovým klastrovacím algoritmem, ale že musíte rozdělit to, co se liší.
Předpoklad AI č. 3: Systemizace
Navzdory všem hoopla vypadá většina systémů stále stejně. Existuje nějaký proces pro získání dat do algoritmu, nějaký proces pro provedení algoritmu a místo, kde je výsledek vyplivnut. Pokud jste zvyklí navrhovat všechny tyto věci znovu a znovu pro každý algoritmus, ztrácíte čas a peníze - a vytváříte pro sebe větší problém. Stejně jako SOA změnila, kolik společností nasazuje aplikační software, jsou podobné techniky potřebné i při nasazování AI.
Nepotřebujete spoustu vlastních clusterů Spark pobíhajících s vlastními „poznámkovými bloky“ všude a na míru vytvořenými procesy ETL. Potřebujete systémy AI, které zvládnou těžké práce bez ohledu na obchodní problém.
Předpoklad AI č. 4: Komponentizace AI / UI
Ve světě uživatelského rozhraní JavaScript / web s RESTful službami na zadním konci by mnoho vašich uživatelských rozhraní mělo být schopno pouze smíchat součást AI. Ať už se jedná o doporučení na základě chování uživatelů nebo o úplného virtuálního asistenta, vaše společnost by měla budovat knihovnu uživatelského rozhraní, která obsahuje funkce AI, které lze snadno vložit do svých obchodních aplikací.
Předpoklad AI č. 5: Přístrojové vybavení
Nic z toho nefunguje bez dat. Vraťme se k vytváření velkých a tučných datových skládek, kde na HDFS právě shromažďujeme hromadu odpadků a doufáme, že to někdy bude mít hodnotu, jak vás k tomu někteří prodejci vyzvali. Místo toho se podívejme na to, co by mělo být vybaveno.
Pokud vyrábíte, existují jednoduché výchozí body: Každý, kdo vytáhne ruční měřidlo, ztrácí čas. I v oblasti prodeje a marketingu však máte e-mail a mobilní telefony - z nich lze automaticky shromažďovat data, což je zjevně užitečné. Místo toho, abyste otravovali prodejce, aby si nechali zadávat data, proč to nenechat systémy udělat sami?
Pusťte se do své strategie AI
Shrnuto, pět klíčových předpokladů je:
- Šířte znalosti AI v celé vaší organizaci.
- Každý by měl rozumět základním každodenním věcem, které stroje mohou dělat samy.
- Sestavujte systémy a komponenty pro svou AI.
- Vytvořte mixiny AI / UI pro snadné přidání AI do vašich obchodních aplikací.
- Umožněte svým systémům shromáždit data, která potřebujete ke krmení algoritmů, abyste mohli rozhodovat za vás.
Pokud dáte tyto předpoklady dohromady, zbytek by měl následovat při přechodu z informačního věku do věku přehledu.
