Искусственный интеллект достаточно нов, поэтому многие компании не совсем уверены, как его можно использовать для улучшения своих организаций. Но искусственный интеллект приближается, независимо от того, являетесь ли вы малым и средним бизнесом (SMB) или корпоративной корпорацией. Что нужно учитывать дальновидным владельцам бизнеса, чтобы использовать ИИ в ближайшие годы?

Как работает машинное обучение
Во-первых, вот (очень) общий взгляд на то, как это работает. Здесь мы говорим о машинном обучении, подкатегории ИИ. Вы можете прочитать мою предыдущую статью о машинном обучении здесь.

Строительные блоки машинного обучения называются персептронами и нейронами. В этой статье мы будем использовать перцептроны и нейроны как синонимы. Однако вы можете думать о нейронах как о сложных персептронах. С точки зрения непрофессионала, алгоритм персептрона используется для создания линии, которая используется для классификации сущностей. Однослойный персептрон принимает ряд входных данных, применяет назначенный вес, а затем создает (запускает) выходной сигнал — либо ноль, либо единицу, что можно рассматривать как его сущность. Классифицируется как вставьте сюда классификацию да или нет соответственно.

Чтобы лучше понять концепции, давайте возьмем базовый пример: при наличии изображения PNG в градациях серого 10x10 с одной рукописной цифрой, как мы можем определить, какая цифра была написана?

Очевидно, что изображение цифры может содержать любое число от 0 до 9. Для человека достаточно беглого взгляда на изображение, и через миллисекунды нейронные сети вашего мозга распознают цифру (при условии, что это не почерк врача).
Это немного сложнее. задача для компьютерного алгоритма. Один из способов достижения желаемых результатов — сначала разбить изображение на уровень пикселей, где каждый пиксель представляет персептрон в сети. Таким образом, первый слой, называемый входным, будет представлен 100 персептронами. Ввод будет равен нулю для черного и единице для белого. Каждому персептрону будет присвоен вес. Например, пиксель в верхнем левом углу изображения, скорее всего, будет иметь гораздо меньший вес, чем пиксель в центре изображения. Чем выше вес, тем важнее нейрон.

Каждому персептрону также будет назначен порог, который позволяет ему срабатывать. Например, нейрон с порогом 10 будет труднее активировать, чем нейрон с порогом 5. После того, как ваша нейронная сеть настроена, вам нужно будет передать ей обучающие данные. Для этого примера имеется множество обучающих данных.
Затем обучающие данные подключаются к системе, а ее скрытый слой (слой между входным и выходным слоями, который выполняет всю тяжелую работу) корректируется путем изменения весов и пороговых значений, чтобы обеспечить максимальную вероятность успеха.
Это включает в себя интенсивную математику (по крайней мере, для меня), включая градиентный спуск и другие методы.

Несколько отправных точек, если вы хотите узнать больше о низкоуровневой внутренней работе:
● Ускоренный курс машинного обучения, часть 1
● Ускоренный курс машинного обучения, часть 2
● Ускоренный курс машинного обучения, часть 3
● Ускоренный курс машинного обучения, часть 4
● Нейронные сети и глубокое обучение
● Stanford CS229 Lecture Notes

Выходной слой будет состоять из 10 нейронов, нейрон для нуля, нейрон для 1, вплоть до 9. Итак, ваша нейронная сеть завершена.

Это очень упрощенное объяснение, но оно дает вам некоторое представление о том, как машины начинают эту работу. Удивительно то, что по мере того, как система идентифицирует и обрабатывает данные, она будет подстраиваться и вносить коррективы по ходу дела, повышая общий показатель успеха.
Думайте об этом как о обучении на ходу, как это делает человек. Некоторые из этих систем можно обучить для достижения почти 100-процентной точности; неправильные элементы обычно возникают из-за неразборчивого почерка в нашем примере выше.
Одним из потрясающих примеров этого является система ИИ, использующая глубокое обучение, которая победила человека в игре под названием Defense of the Ancients 2 (DOTA 2). Хотя машины превзошли людей в других играх, таких как шахматы и го, у них ограниченное количество переменных. Эта игра содержит бесконечное количество возможностей.
Кроме того, это не пошаговая игра. В режиме реального времени игроки управляют десятками персонажей с разными способностями, соревнуются в сборе предметов и контроле над территорией. Система, созданная некоммерческой организацией Open AI, поддерживаемой Илоном Маском, демонстрирует возможность создания систем, которые можно научить превосходить людей в выполнении бесконечно сложных задач. Умоляю вас ознакомиться с подробностями этого проекта.

Фактор затрат
Машинное обучение – это новая, захватывающая область, и мы только раскрываем ее потенциал. Тем не менее малые и средние предприятия и даже некоторые предприятия могут задаться вопросом, какое место они занимают во всем этом. В конце концов, использование ИИ использует новейшие технологии.

В то время как стандартные компьютерные функции выполняются на ЦП (центральных процессорах), для этого типа вычислений требуются графические процессоры или графические процессоры. Первоначально они были разработаны игровыми компаниями, такими как Nvidia и ATI, для обработки функций и графики в видеоиграх.

В то время как вы платите премию за этот тип энергии и людей, которые могут ее создать, окупаемость инвестиций делает затраты неактуальными. Многие компании в конечном итоге дополнят ИИ в обмен на человеческий труд, особенно команды, которые работают над прогнозами и предсказаниями. Если вы заплатили человеку за то, чтобы он сел и изучил данные о состоянии здоровья за 30 лет, ему или ей могут потребоваться месяцы или даже годы для выполнения этой работы. Человек должен спать и может ошибаться.

Тем временем машины найдут скрытые закономерности, которых мы не видим, и ничего не упустят из виду. Кроме того, они постоянно учатся и совершенствуются. Человек, который играл в DOTA2 против ИИ, годами обучался игре. Машина обучалась один месяц.
Представьте, если бы мы настроили системы искусственного интеллекта для обучения и изучения мировых проблем в течение многих лет. Они откроют то, что люди никогда не откроют.

Фактор данных
Еще одна проблема для бизнеса: наличие достаточного количества данных. Чтобы применить ИИ, вам нужны массивные наборы данных с сотнями тысяч (или миллионами) точек. Чем больше набор данных, тем лучше для машины, чтобы она могла учиться.

Вы можете найти некоторые данные в вашей организации, например, информацию о ваших клиентах или клиентах. Анализ этого может принести пользу компании во многих отношениях, от продаж и маркетинга до улучшения вашего продукта или услуги.

Компании также могут полагаться на общедоступные наборы данных. Правительства, неправительственные организации (НПО), некоммерческие и другие организации публикуют множество данных о нашем мире и его людях. Сюда входят данные о преступности в вашем районе, данные переписи населения, финансовая информация и даже информация о почте. Например, юридическая фирма может анализировать местные данные о преступности.

Данные о сотрудниках также полезны. Рассмотрим эти идеи:

● Определяйте наиболее продуктивное время людей, чтобы планировать встречи, не мешающие их лучшему рабочему графику.
● В производстве отслеживание производительности по часам и дням для определения высокой/низкой производительности и использования этой информации для прогнозирования возникновения проблем.
● В строительстве для прогнозирования вероятности больничных дней и ненастной погоды. более точный график проекта.

ИИ может сделать компании более эффективными, сократить расходы и улучшить обслуживание клиентов. Не отставая от этой тенденции, вы сделаете свой бизнес более конкурентоспособным во все более технологичном мире.

Каждая компания нуждается в изучении данных или использует их по-своему, поэтому мы и другие не предлагаем конкретный продукт. Не существует универсального варианта, но свяжитесь с нами, чтобы узнать о индивидуальных решениях, которые могут улучшить ваш бизнес.

Помните, 20 лет назад интернет не был мейнстримом. Где будет ваша компания через 20 лет? ИИ — это будущее; Прими это.

Эта статья изначально была опубликована в блоге Imaginovation.