Можно ли сделать ИИ радикально более доступным и быстрым в использовании? Как насчет того, чтобы вы могли получить прогнозы, рекомендации и функциональность ИИ с помощью таких запросов:

{
  "from": "engagements",
  "where": {
     "customer": "[email protected]"
  },
  "recommend": "product",
  "goal" : "purchase"
}

В типичной технологической среде очень легко найти приложения для AI/ML. Конечные пользователи привыкли к функциям, управляемым искусственным интеллектом, таким как рекомендации. Такие функции, как персонализация, могут обеспечить огромные преимущества как для пользователя, так и для бизнеса. Возможности, связанные с ИИ, — частая тема для обсуждения как в продуктовых командах, стартапах, так и в менеджменте. Просто есть обилие идей и желание привнести ИИ в софт.

Тем не менее, хотя ИИ огромен, он может быть недоступен для средней команды разработчиков. Не в каждой команде разработчиков есть специалист по данным. Более того, зачастую это непомерно дорого. На изображении ниже показан один из способов создания типичного проекта машинного обучения. Чего не хватает на картинке, так это того, что процесс может занять недели или месяцы, его реализация может стоить десятки или сотни тысяч евро, а результаты не всегда соответствуют ожидаемым.

Немногие продуктовые команды могут выделить «дополнительные 50 000 евро», чтобы попробовать умную функциональность, которая могла бы улучшить продукт. Как следствие, более 90% интеллектуальных функций, добавляющих ценность, финансово нецелесообразны.

Учитывая все это, истинный вопрос заключается в том, можно ли сделать ИИ радикально более доступным и быстрым в использовании?

Прогностическая база данных

Чтобы по-настоящему понять значение прогностической базы данных, давайте рассмотрим следующий сценарий. У вас есть база данных, которая обеспечивает обычные операции с базой данных для вашего продуктового магазина. Вы можете использовать базу данных для составления списка прошлых покупок клиентов следующим образом:

{
  "from": "purchases",
  "where": {
     "customer": "[email protected]"
  }
}

Теперь ваш PO провел несколько интервью и обнаружил, что клиенты жалуются на то, что заполнение списка покупок на неделю доставляет массу хлопот. Что бы вы сделали? Возможно, вы могли бы использовать следующий запрос для предсказания следующих покупок клиента:

{
  "from": "purchases",
  "where": {
     "customer": "[email protected]"
  },
  "predict": "productIds",
  "exclusiveness": false
}

В результатах запроса будут перечислены следующие покупки клиента в соответствии с вероятностью покупки. Вы можете использовать его для предварительного наполнения корзины для покупок маслом и молоком на неделю. Его также можно использовать для предоставления рекомендаций.

Но есть еще кое-что. Как насчет того, если у вас есть данные о показах и кликах, а ваш заказ на покупку, ваши клиенты и сама команда хотят персонализированного поиска? Давайте попробуем следующий запрос, чтобы рекомендовать продукты, связанные с молоком:

{
  "from": "impressions",
  "where": {
     "customer": "[email protected]",
     "product.text": {
       "$match": "milk"
     }
  },
  "recommend": "product",
  "goal": { "click": true }
}

Запрос возвращает продукты, содержащие слово «молоко», в зависимости от вероятности того, что покупатель щелкнет по нему. Если у клиента непереносимость лактозы, продукты без лактозы будут перечислены первыми. Таким образом, запрос плавно сочетает в себе мягкое статистическое обоснование с операцией жесткого текстового поиска для получения искомых результатов.

Существует множество других проблем, связанных с ИИ, которые можно быстро решить с помощью запросов. Например, вы можете формировать простые запросы, чтобы предлагать теги для продуктов, предлагать персонализированные слова запроса, сопоставлять строки электронной почты с продуктами в базе данных или объяснять покупки и поведение клиентов. Таким образом, эти простые запросы могут обеспечить интеллектуальное взаимодействие с пользователем, автоматизацию процессов и аналитику.

Влияние

Теперь рассмотрим предыдущее видение, примеры и тот факт, что мы реализовали видение. Значительное снижение затрат на внедрение интеллектуальных функций означает, что становится экономичным:

  1. Добавьте функциональность ИИ во внутренние инструменты, PoC, MVP и небольшие продукты.
  2. Добавьте множество более мелких функций ИИ, таких как мелочи, которые облегчают жизнь пользователям.
  3. Сделайте программное обеспечение полностью интеллектуальным и включите в него все интеллектуальные функции из набора функций ИИ.

В целом, меняющаяся экономика может способствовать демократизации ИИ и сделать его доступным; это может коренным образом изменить способ использования ИИ.

Познакомьтесь с Айто

Это видение прогностической базы данных было реализовано нашим стартапом под названием Aito. Наш продукт, также называемый Aito, в настоящее время находится в стадии открытого бета-тестирования и предлагается в качестве SAAS для разработчиков по всему миру.

В качестве прогностической базы данных Aito позволяет вам запрашивать как известные факты, такие как обычная база данных, так и неизвестные, такие как решения AI / ML. Это также позволяет легко сочетать фильтрацию базы данных с функцией оценки машинного обучения.

Aito существует для поддержки разработчиков, которые ценят быстрый выход на рынок и ищут мощные, но простые инструменты, которые могут решить широкий спектр проблем, связанных с ИИ и данными.

Заинтересованы? Ознакомьтесь с этой документацией, чтобы ознакомиться поближе, или просто попробуйте сами.

Первоначально опубликовано на https://aito.ai.
Автор: Антти Раухала, соучредитель и главный специалист по данным в aito.ai