AI un mašīnmācīšanās sāks pieņemt daudz vairāk lēmumu. Tie, iespējams, joprojām netiks izmantoti tuvākajā nākotnē, lai pieņemtu "lielus" lēmumus, piemēram, vai uzlikt precei 25 procentu tarifu un sākt tirdzniecības karu ar partneri.
Tomēr gandrīz viss, ko esat iestrēdzis programmā Excel un iemasējis, kodējis vai kārtojis, ir laba kopu veidošanas, klasificēšanas vai klasificēšanas problēma. Viss, kas ir vērtību kopums, ko var paredzēt, ir laba mašīnmācīšanās problēma. Viss, kas ir paraugs, forma vai objekts, kuru jūs vienkārši izdzīvojat un “meklējat”, ir laba dziļas mācīšanās problēma.
Un bizness ir pilns ar šiem. Tāpat kā vārdu procesors aizstāja rakstāmmašīnu kopu, arī AI drīz aizstās biroju darbinieku barus, kas skatās uz Excel, un aizstās arī dažus analītiķus.
Uzņēmumiem ir jāgatavojas šīm izmaiņām. Tāpat kā uzņēmumi, kas nesagatavojās tīmeklim un e-komercijai, palika putekļos, tāpat arī uzņēmumi, kas nepielāgojas AI un mašīnmācībai. Ja jūs neskatāties uz milzīgajiem apstrādājamo datu apjomiem un pieņemtajiem lēmumiem un jautājat: "Vai es nevaru iet pēdējo jūdzi, to automatizējot?" vai meklējat lietas, ko nedarāt, jo nevarat izlemt “reāllaikā” pietiekami, lai iegūtu priekšrocības - pēc dažiem gadiem es redzēšu jūsu uzņēmuma slēgšanu dokumentos.
Lai sagatavotos šīm izmaiņām, jums ir pieci priekšnoteikumi, pirms jūs pat varat sākt uzņēmējdarbības pārveidi. Jums ir nepieciešama stratēģija AI izplatīšanai visā jūsu organizācijā, kas sākas ar šiem pieciem priekšnosacījumiem.
AI priekšnoteikums Nr. 1: izglītība
Jūs nevarat padarīt ikvienu jūsu uzņēmumā par datu zinātnieku. Turklāt daļa matemātikas darbojas pārāk ātri, lai mēs, vienkārši mirstīgie, to saprastu - konkrētais algoritms, ko cilvēki uzskata par visefektīvāko šonedēļ, visticamāk, nebūs pareizs nākamnedēļ.
Tomēr dažas pamatlietas nemainīsies. Ikvienam jūsu organizācijā ir jāsaprot dažas mašīnmācīšanās pamatspējas, īpaši izstrādātājiem:
- Grupēšana: lietu sagrupēšana kopā.
- Klasifikācija: lietu kārtošana iezīmētās grupās.
- Prognozēšana uz līnijas: ja jūs varat izveidot līniju diagrammu, jūs, iespējams, varat paredzēt, kāda būs šī vērtība.
- Dispersijas prognoze: neatkarīgi no tā, vai tas ir likviditātes risks, vibrācijas vai jaudas palielināšanās, ja jums ir vērtību kopa, kas ietilpst diapazonā, varat paredzēt, kāda ir jūsu dispersija attiecīgajā dienā.
- Kārtošana / pasūtīšana / prioritāšu noteikšana: Es nerunāju par vienkāršām lietām. Neatkarīgi no tā, vai meklēšanai vai prioritātei izvēloties zvanu, kuru veic jūsu pārdošanas vai atbalsta persona, tas ir kaut kas, ko var apstrādāt mašīnmācīšanās.
- Rakstu atpazīšana: neatkarīgi no tā, vai tā ir forma, skaņa vai vērtību diapazonu vai notikumu kopa, datori var iemācīties to atrast.
Viena no galvenajām lietām ir tas, ka apkārt ir cilvēku kopums, kurš to var nomākt cilvēkiem, pamatojoties uz viņu prasmju līmeni. Jūsu izstrādātājus varētu interesēt konkrēti algoritmi vai paņēmieni, taču jūsu analītiķiem un vadītājiem vajadzētu saprast pamata biznesa problēmas un datortehniku. Jūsu vadītājiem, iespējams, nav jāzina, kā darbojas kopu veidošana, taču viņiem ir jāatzīst, ka problēma “izskatās” kā kopu veidošanas problēma.
Visbeidzot, jums regulāri jāatjaunina izglītība, vismaz reizi gadā, jo iespējas paplašinās.
Saistītais video: mašīnmācība un AI atšifrēts
Pārvarot ažiotāžu ap mašīnmācīšanos un mākslīgo intelektu, mūsu panelis pārrunā tehnoloģijas definīcijas un sekas.
AI priekšnoteikums Nr. 2: komponentēšana
Daži no nesenajiem komponentēšanas komponentiem ir “piezīmjdatori” datu zinātniekiem; no tiem izaug daudz citu instrumentu. Šie ir lieliski rīki datu zinātniekiem un viņu līdzstrādniekiem.
Problēma ir tā, ka tie veicina sliktu praksi attiecībā uz ražošanu. Saskarne ar klasifikācijas algoritmu izskatās aptuveni tāda pati kā visi pārējie algoritmi. Konkrēta klasifikācijas algoritma ieviešana nemainās līdz ar uzņēmējdarbības problēmu.
Tāpat kā daudziem uzņēmumiem bija jāizdomā, kā padarīt vienu klienta pārstāvību (nevis pilnīgi atšķirīgu katrā sistēmā katrai biznesa problēmai), tas pats jādara arī algoritmiem. Tas nenozīmē, ka jums jānāk klajā ar vienu patiesu klasteru veidošanas algoritmu, bet gan to, ka jūs apvienojat atšķirīgo.
AI priekšnoteikums Nr. 3: Sistemizācija
Neskatoties uz visu Hoopla, lielākā daļa sistēmu joprojām izskatās vienādi. Ir kāds process datu iegūšanai algoritmā, kāds process algoritma izpildei un vieta, kur izspļaut rezultātu. Ja pielāgojat visu šo lietu izstrādi katram algoritmam, jūs tērējat laiku un naudu, kā arī radāt sev lielāku problēmu. Tāpat kā SOA mainīja, cik daudz uzņēmumu izvieto lietojumprogrammatūru, līdzīgi paņēmieni ir nepieciešami arī AI izvietošanai.
Jums nav nepieciešams daudz pielāgotu Spark kopu, kas darbojas visur ar pielāgotām piezīmjdatoriem un pielāgotiem ETL procesiem. Jums ir nepieciešamas AI sistēmas, kas var veikt smagu celšanu neatkarīgi no biznesa problēmas.
AI priekšnoteikums Nr. 4: AI / UI komponēšana
JavaScript / tīmekļa lietotāja saskarnes pasaulē ar RESTful pakalpojumiem aizmugurē daudziem jūsu lietotāja interfeisiem vajadzētu būt iespējai vienkārši sajaukt AI komponentu. Neatkarīgi no tā, vai tas ir ieteikums, kas balstīts uz lietotāja uzvedību, vai pilnīgs virtuālais palīgs, jūsu uzņēmumam ir jāveido lietotāja saskarnes bibliotēka, kas ietver AI funkcionalitāti, lai to viegli iegultu jūsu biznesa lietojumprogrammās.
AI priekšnoteikums Nr. 5: Instrumentācija
Neviens no tiem nedarbojas bez datiem. Neatgriezīsimies pie lielu, treknu datu izgāztuvju izveidošanas, kur mēs vienkārši savācam ķekaru atkritumu uz HDFS un ceram, ka kādreiz tam būs vērtība, kā daži pārdevēji jūs mudināja darīt. Tā vietā apskatīsim, kādas lietas vajadzētu instrumentēt.
Ja jūs ražojat, ir vienkārši sākuma punkti: ikviens, kurš izvelk manuālo mērierīci, tērē jūsu laiku. Tomēr pat pārdošanas un mārketinga jomā jums ir e-pasts un mobilie tālruņi - datus no tiem var automātiski apkopot, kas ir acīmredzami noderīgi. Tā vietā, lai ļautu pārdevējiem niķoties, lai veiktu datu ievadi, kāpēc gan neļaut sistēmām pašiem to darīt?
Pārvietojieties uz savu AI stratēģiju
Atgādinot, pieci galvenie priekšnoteikumi ir:
- Izplatiet AI zināšanas visā savā organizācijā.
- Ikvienam vajadzētu saprast ikdienas pamata lietas, ko mašīnas var izdarīt pašas.
- Veidojiet sistēmas un komponentus savam AI.
- Veidojiet AI / UI kombinācijas, lai viegli pievienotu AI jūsu biznesa lietojumprogrammām.
- Instrumentējiet savas sistēmas, lai apkopotu datus, kas nepieciešami, lai padotu algoritmus, lai pieņemtu lēmumus jūsu vietā.
Ja saliekat šos priekšnosacījumus kopā, pārējiem vajadzētu sekot, pārejot no informācijas laikmeta uz ieskata laikmetu.
