Существует ряд сходств, когда мы говорим о некоторых ведущих мировых именах, включая Google, Facebook, Microsoft, Amazon и т. д.
Помимо получения огромного количества данных за минувшие годы, эти технологические гиганты являются одними из пионеров, в настоящее время осваивающих использование искусственного интеллекта в разработке новых решений.
Поскольку всем нравится говорить об ИИ и связываться с машинным обучением, наукой о данных и технологиями глубокого обучения, только немногие компании фактически используют ИИ в своих основных операциях.
По данным MMV Ventures, в Европе только 60% стартапов используют технологию искусственного интеллекта, которая действительно полезна для их операций и ценностного предложения.
Неудивительно, что реализация не так проста, как понимание
концепции ИИ, требования первоклассных, сложных навыков, кодирования,
моделирования статистики, анализа данных и других математических и программных задач, которые не так легко найти.
Даже когда такие ресурсы действительно найдены, их доступность не является чашей Грааля для всех. Кроме того, корпорации требуют тонны данных для обучения своих систем искусственного интеллекта. Установка правильной инфраструктуры для создания системы на основе ИИ — это инвестиция, которую не многие компании готовы сделать, несмотря на признание преимуществ, которые она может принести для их бизнеса.
Чтобы использовать истинный потенциал искусственного интеллекта, технология должна охватывать различные компании по всему миру.
Это то, что мы называем «демократизацией ИИ».
Что мы подразумеваем под демократизацией ИИ и почему это требуется?
Идея демократизации ИИ означает, что технология должна быть легко доступна для различных предприятий.
Очевидно, что не многие предприятия сегодня имеют ресурсы и предпосылки для понимания применения ИИ, однако «знание — это сила», и оно, безусловно, приносит пользу тем, кто на него опирается.
Другими словами, обеспечение доступности ИИ означает, что больше
людей будут иметь возможность взаимодействовать с ним. При этом
разработчики мобильных приложений войдут в другие, неиспользованные секторы, а эксперты ИИ будут иметь возможность перейти к проектам высокого уровня.
Каковы шаги по демократизации искусственного интеллекта?
Доступность и качество данных
«пожни, что хочешь», «мусор на входе, мусор на выходе» и тому подобные ассоциации сегодня часто помечаются данными. Поскольку мы знаем, что данные — это новая нефть, и результаты хороши только для ввода данных, но поддерживать качество и управление данными легче, чем сделать.
Сбор тонн данных в настоящее время более удобен и доступен по сравнению с прошлым, однако большинство предприятий по-прежнему сталкиваются с одной из следующих ситуаций.
· Из-за ограниченной доступности требуемых данных трудно создавать системы на основе ИИ.
· Низкое качество данных создает одинаково нестабильные и несколько вводящие в заблуждение системы ИИ.
· Использование неправильно управляемых и обработанных данных приводит к трудоемкой и дорогостоящей автоматизации систем искусственного интеллекта.
Только правильное использование данных даст надежные результаты с помощью моделей ИИ. Поэтому демократизация процесса не будет, но демократизация аспекта управления данными также важна для выполнения работы.
Несколько отраслевых экспертов посоветовали изучать культуру сохранения данных, обеспечения качества и управления в рамках каждой иерархии социальной и корпоративной системы, то есть от базового до высшего
образования и объединения важных аспектов науки о данных во всех основных отраслях промышленности во всем мире.
Удобные для пользователя интерфейсы
Поскольку мы знаем, как первые компьютеры рассматривались и обрабатывались во время их появления в мире, только отдельные люди знали, как запускать ранние машины. Сегодня даже малыши знают, как открыть YouTube, использовать развлекательные приложения и т. Д. На iPad и смартфонах.
Одной из основных причин этой огромной простоты является развитие пользовательского интерфейса смартфонов и настольных компьютеров.
Типичный ученый данных зависит от игры в коде на протяжении всего аналитического проекта. Понятно, что на первый взгляд кодирование пугает, но, к счастью, более простые в использовании пользовательские интерфейсы инструментов для кодирования соблазняют даже нетехнических людей взаимодействовать с данными в руках.
По мере того как поставщики облачных услуг, такие как Microsoft, выпускают аналитику самообслуживания, такую как Azure ML, взаимодействие с ИИ становится все более интуитивным.
Объяснение результатов
Предположим, что компания завершила предварительные рассуждения и получила доступ, собрала и отфильтровала данные и создала начальную прогностическую модель. Теперь команда будет представлять результаты высшему руководству компании.
Как вы убедите команду признать модель и поработать над предсказаниями вашей модели?
Это где объяснения результатов приходит! Возможно, вам придется пойти на компромисс с определенной точностью модели для лучшего и понятного результата.
В этом случае использование модели черного ящика будет неуместным, когда вы знаете вход и получаете выход, но не знаете, что происходит
между ними. Очевидно, вы хотите, чтобы руководство действовало на результаты, а не только доверяло им.
Понимание того, что приводит к определенным действиям, приводит к результатам и их влиянию на ваш бизнес посредством определенного поведения. Следовательно, помимо сосредоточения внимания на данных в руках и на том, какую информацию они содержат, также необходимо определить движущие силы этого действия. Вот почему рекомендуется активно работать с членами межфункциональных команд.
Решение проблем, связанных с демократизацией ИИ
Неважно, управляете ли вы компанией по разработке мобильных игр, розничным магазином по соседству или авторитетным поставщиком страховых услуг, никакие инновации и изменения не приносятся без определенной степени риска. Однако в случае искусственного интеллекта это не должно сдерживать коллективные усилия мировой индустрии по использованию истинного потенциала технологии.
Мы находимся на пути автоматизации всего процесса от обработки данных и моделирования и даем возможность компаниям и командам создавать свои собственные прогностические модели.
Да, ключ к реалистичности, на борту должен быть широкий набор навыков. Например, такие действия, как перетаскивание, первоклассные функции моделирования и т. д., можно модерировать и автоматизировать. Хотя машина в конце концов должна следовать только правилам.
Помните, что если вы обманываете или вводите неправильные инструкции из-за неопытности или неосторожности, машина будет следовать неверным инструкциям и давать непригодные результаты. Выявление таких ошибок или определение ограничений определенных алгоритмов — это навык, которым должен обладать ученый.
Короче говоря, передача управления ИИ людям приведет к тому, что недостаточные знания в области науки о данных будут способствовать неправильной интерпретации результатов. Более того, не существует единой грандиозной метрики, которая указывает, какую модель использовать, и хорошо ли она будет функционировать. Хитрость заключается в том, чтобы сохранить экспериментирование и сравнение различных алгоритмов, метрик и параметров.
Очевидно, все это сводится к опыту и специальным знаниям в конце концов.
Последние мысли!
Чтобы избежать подобных проблем, очень важно, чтобы люди обладали значительными знаниями в области науки о данных, о том, как взаимодействовать с аналитикой самообслуживания и о том, что происходит в игре за обычными пользовательскими интерфейсами, которые мы видим на разных платформах.
Во-вторых, вместо того, чтобы фокусироваться на демократизации ИИ, лучше брать сразу несколько приложений и работать над тем, чтобы сделать их доступными для заинтересованных сторон.
Например, автоматизация некоторых более понятных и часто выполняемых сценариев использования, включая прогнозирование оттока денежных средств, дефолт по кредиту и аналогичные задачи, поможет пользователям научиться правильно интерпретировать и анализировать имеющиеся результаты, а для предприятий они помогут не исчерпать ресурсы.