Искусственный интеллект сегодня является одним из самых модных словечек в мире технологий, и он никуда не денется. Но что такое ИИ? Еще в ранние годы ИИ отцы этой научной области описывали его как «любая задача, выполняемая машиной, и если бы человек выполнял ту же деятельность, мы бы сказали, что человек применил интеллект для ее выполнения», это довольно широкое определение, но мы можем рассматривать ИИ как системы или машины, способные воспроизводить человеческое поведение, такое как обучение или взаимодействие.

Концепция ИИ давно известна широкой публике, и я могу упомянуть несколько культовых фильмов, в которых отражена популярная концепция ИИ: «Терминатор», «Из машины» или «Мир Дикого Запада». Из-за того, что он тесно связан с массовой культурой или, скажем, с наследием научной фантастики, термин ИИ вызывает некоторые заблуждения, с нереалистичными характеристиками и невероятными ожиданиями того, как он изменит будущее человечества. . Несмотря на то, что освещение этой темы в СМИ неоднозначно, благодаря сосредоточению внимания на этических и философских аспектах использования ИИ, эти методы существуют уже несколько десятилетий, и только в течение последнего года они получили мировое личное и повседневное применение. Споры обычно возникают из двух отправных точек:

  • ИИ заменит нас. Машины заменили людей со времен промышленной революции, двести лет назад. Ожидается, что люди перестанут выполнять простые или повторяющиеся задачи по мере развития технологий, и это то, что происходит сегодня. Ожидается ли, что от массового производства до цифровизации, а теперь и искусственного интеллекта, мы, люди, будем использовать наш естественный интеллект и заставлять роботов выполнять работу, которую мы не хотим делать. Однако за последние десятилетия нас учили, что наша цель в мире — добиться успеха на работе и чувствовать себя реализованными, достигая профессиональных целей. Мы опасаемся, что ИИ лишит нас этой цели. Наличие робота, выполняющего нашу работу за нас, должно стать возможностью начать делать то, что делает нас счастливыми.
  • ИИ убьет нас: я участвовал в конференциях и дебатах, и всегда есть кто-то, кто задает следующий вопрос: «Когда беспилотный автомобиль разбивается и ему нужно выбрать, кого убить, либо пассажир, либо пешеход, кого он выберет?» Во-первых, это даже не проблема машинного обучения, потому что алгоритмы не думают и не выбирают. Если мы хотим решить этот вопрос с точки зрения ИИ, мы должны учитывать следующее: ИИ реагирует на данные и вычисляет вероятности; Данные поступают от автомобиля и близлежащих датчиков (при условии, что автомобиль с самостоятельным вождением находится в среде «Умного города»). В последние моменты аварии автомобиль будет рассчитывать вероятности, согласно полученным данным, чтобы избежать аварии. Каждое решение, которое примет машина, будет с наибольшей вероятностью избежать аварии. При этом в двух почти одинаковых авариях может погибнуть либо пассажир, либо пешеход, потому что машина будет ориентироваться на вероятность никого не убить. Дело не в алгоритме. Это данные и датчики. В этой области мы должны сосредоточиться на создании высококачественных датчиков для наших автомобилей и наполнять алгоритмы большими объемами и качеством данных.

Имея это в виду, теперь мы можем взглянуть на ИИ с точки зрения бизнеса, чтобы понять его ценность. Бизнес-задачи не меняются независимо от того, используем мы ИИ или нет. Организации существуют, чтобы создавать ценность для своих акционеров, и они будут следовать тому, что приносит больший доход. Бывает, что ИИ оказывается решением для нескольких вариантов использования во всех отраслях и даже внутри организации. По данным Tractica, ожидается, что в ближайшие годы мировой рынок программного обеспечения для ИИ будет стремительно расти, а выручка вырастет примерно с 9,5 млрд долларов в 2018 году до ожидаемых 118,6 млрд долларов к 2025 году. и 5,8 трлн долларов в год по девяти бизнес-функциям в 19 отраслях. Это большие деньги.

Бизнес-задачи, с которыми обычно сталкиваются компании, могут быть следующими:

  1. Увеличение доходов
  2. Снижение цены
  3. Повышение эффективности
  4. Законное требование

Вышеуказанные проблемы можно решить, разработав новый продукт, изменив существующий, автоматизировав процесс и так далее. Нет конкретной задачи, для решения которой ИИ лучше всего подходит, и нет задачи, которую мы вообще не смогли бы применить. Но есть некоторые аспекты, которые влияют на то, следует ли нам его использовать: задачи и процессы, которые должны выполняться вручную или слишком сложны для выполнения человеком. ИИ будет использоваться при решении конкретной бизнес-задачи, если:

1. Трудно напрямую кодировать решение

2. Трудно масштабировать решение на основе кода.

3. Персонализированный вывод

4. Функции меняются со временем

Примерами использования этих задач могут быть проблемы классификации: вообразив, что мы должны классифицировать изображения, будь то изображение кошки или изображение собаки. Человеку было бы легко сделать это за небольшую сумму, но если бы нам это нужно было для миллионов изображений, это потребовало бы много времени, было бы повторяющимся и скучным. В этом сценарии подход ИИ имел бы смысл. Сам термин состоит из подполей, поскольку мы чаще всего относимся к робототехнике. ИИ также состоит из компьютерного зрения, обработки естественного языка (NLP), машинного обучения (ML) и других, некоторые из которых более продвинуты, чем другие. Машинное обучение — одно из самых популярных приложений ИИ, в котором компьютеры действуют посредством познания (очень похожего на человеческий мозг). Более конкретным определением может быть «Системы, которые улучшают свою производительность в заданной задаче со все большим и большим опытом или данными». Решение ML может предоставить результаты классификации «Кошка против собаки» за считанные секунды. Несмотря на это короткое время обработки, процесс обучения сильно отличается от человеческого: в то время как нам нужно просто увидеть одну кошку или собаку, чтобы узнать, что это за животное, подход ИИ должен будет проанализировать тысячи изображений кошек и собак в чтобы правильно классифицировать новые изображения с приличной точностью.

Многие из вариантов использования организаций полагаются на проблемы классификации, такие как система CRM, чтобы предсказать, собирается ли клиент уйти, или механизмы рекомендаций. Промышленные и транспортные компании сосредотачиваются на профилактическом обслуживании, которое позволит им сэкономить миллионы, выполняя обслуживание в идеальное время, избегая потерь. Большие усилия также прилагаются в области обработки естественного языка с созданием чат-ботов на основе искусственного интеллекта для автоматизированных продаж или поддержки клиентов. Технология доказывает свою ценность, и ее возможности безграничны. Вместо этого организациям следует начать думать о подходах, ориентированных на данные, иначе появятся обычные подходы к программному обеспечению и новые возможности.

Некоторые примеры других реальных приложений ИИ:

  1. Виртуальные личные помощники. Популярными примерами являются Siri, Google Assistant и Alexa. Они помогают звонящему найти информацию с помощью голосовой команды. Все, что вам нужно сделать, это взаимодействовать с ними, спрашивая что-то вроде: «Какое у меня расписание на сегодня?» или «Какие рейсы из Лиссабона в Лондон». Составляя ответ, помощник ищет информацию, вспоминает ваши связанные вопросы или использует другие приложения для телефона для сбора запрошенной информации. Машинное обучение является важной частью этих программных приложений, поскольку они собирают и уточняют информацию на основе вашего предыдущего участия в них. Позже этот набор данных используется для отображения результатов, адаптированных к вашим предпочтениям.
  2. Социальные сети: от персонализированной рекламы до распознавания лиц на фотографиях, социальные сети имеют множество применений искусственного интеллекта.
  3. Онлайн-поддержка клиентов: большинство веб-сайтов теперь предлагают возможность общаться в чате с кем-то из службы поддержки. Однако не на каждом веб-сайте есть живой агент, который ответит на ваши вопросы. В большинстве случаев вы разговариваете с чат-ботом. Эти боты, как правило, извлекают информацию с веб-сайта и представляют ее клиенту. Это пример методов обработки естественного языка.
  4. Рекомендации. Этот вариант более распространен, поскольку он существует уже некоторое время и развивается вместе с машинным обучением. Когда вы совершаете покупки в Интернете, вы получаете рекомендации, предложения, а затем маркетинговые электронные письма в зависимости от ваших предпочтений. ML уточняет опыт покупок на основе вашего поведения на веб-сайте или в приложении, прошлых покупок, понравившихся товаров, предпочтений бренда и т. д.
  5. Обнаружение мошенничества. Машинное обучение используется для сравнения транзакций и определения законных и незаконных транзакций. Это может предотвратить мошенничество или обнаружить отмывание денег. Paypal использует эту технику для сравнения транзакций между покупателями и продавцами.

Есть много реальных проблем, которые можно решить с помощью ИИ. Для конкретной бизнес-проблемы, если она соответствует одной из упомянутых категорий, мы должны начать решать ее как проблему ИИ или машинного обучения, что приведет нас к дополнительным вопросам:

  • Какого объема данных достаточно для построения успешных моделей машинного обучения?
  • Как решить проблемы с качеством данных?

На этом этапе организации должны быть готовы к работе с данными как по количеству, так и по качеству. Кажется здравым смыслом, что внедрение ИИ состоит всего из двух шагов: сбор данных + обучение модели; но на самом деле все гораздо сложнее. Существует множество действий по подготовке данных перед построением модели, и большинство специалистов по данным считают, что они тратят от 70 до 80 % своего времени на работу с самими данными, а не на создание модели ИИ. Кроме того, специалисты по обработке и анализу данных и инженеры по машинному обучению считают, что основной причиной неудач при внедрении ИИ является отсутствие высококачественных данных.

Не говоря уже о том, что конфиденциальность данных касается большинства организаций из-за риска утечки данных и невозможности обмена данными с третьими сторонами (такими как консалтинговые фирмы или другие, которые будут работать над внедрением решения) из-за юридических препятствий.

Состояние искусственного интеллекта в Португалии относительно отстает по сравнению с другими европейскими странами, Северной Америкой или Китаем. Хорошей новостью является то, что университеты начинают читать лекции по этим областям, и теперь мы можем видеть, как некоторые стартапы фактически реализуют настоящие модели машинного обучения, такие как наши стартапы-единороги, в области электронной коммерции, обработки естественного языка и обнаружения мошенничества, а также в других относительно новые стартапы. Однако мы далеки от центров знаний об ИИ, таких как Монреаль, Силиконовая долина или Северная Америка в целом. Кроме того, Китай становится крупным игроком в этой области благодаря огромным инвестициям не только венчурного капитала, но и самого правительства. Существует политическое движение, заставляющее компании внедрять ИИ в свою деятельность и инвестировать в исследования и разработки. Постепенно Португалия делает правильные шаги, чтобы оставаться в курсе событий, публикуя свою стратегию в области ИИ на следующие годы: AI PORTUGAL 2030: PORTUGUESE NATIONAL INITIATIVE ON DIGI — Стратегия инноваций и роста для развития искусственного интеллекта в Португалии в европейском контексте ( https://www.portugal.gov.pt/download-ficheiros/ficheiro.aspx?v=236848b1-fcb6-4c65-9773-292d1c5b9ad1).

В YData мы помогаем организациям использовать ИИ, предоставляя им инструменты и данные для эффективного обучения моделей машинного обучения. У нас есть экосистема инструментов AI-as-a-Service (AIaaS) и Data-as-a-Service (DaaS), которая собирает данные из нескольких источников данных, от открытых до проприетарных, а также от наших партнеров. Мы обеспечиваем создание 360-градусного обзора, позволяя организациям легко использовать высококачественные готовые к использованию наборы данных для создания решений на основе ИИ с мировосприятием, более близким к нашему собственному.

Мы твердо убеждены, что сознательное использование данных должно начинаться с кураторов данных, и, как поставщик DaaS, мы разработали наши инструменты и даже результирующие наборы данных безопасным способом, чтобы использование личных данных больше не было проблемой. Благодаря применению методов искусственного интеллекта мы можем не только анонимизировать данные, но и создавать новые синтетические данные, похожие на исходные, которые не только гарантируют конфиденциальность пользователей, но и не являются собственностью.

Конфиденциальность данных станет, если уже не стала, новым модным словечком на технологической сцене. Технологическая отрасль будет нести ответственность за обеспечение конфиденциальности личной или конфиденциальной информации, поскольку регулирование не будет достаточно.

Статья также опубликована в журнале Essential Business и доступна на сайте https://www.essential-business.pt/2019/06/28/7081/.

YData демократизирует данные.

Выясни как:

YData.ai

whYData.ai

facebook.com/ydataai

linkedin.com/company/ydataai

twitter.com/YData_ai