Недостающий ингредиент
Системы, помогающие оптимизировать рабочий процесс и предприятие, в прошлом с трудом добивались обещанного повышения производительности, потому что стоимость точности в такой сложной системе быстро становится непомерно высокой, а данные быстро устаревают.
Машинное обучение обещает обеспечить оптимизацию в этих условиях, но недостающим элементом является отличный набор обучающих данных. Проблема с получением большого набора данных заключается в том, что его трудно собрать без значительного ручного вмешательства пользователя для записи прогресса.
Будущее ИИ
Фрэнк Чен из A16Z изложил хорошее обобщение прогресса ИИ и его возможных будущих последствий для программного обеспечения, предсказывая, что он окажет столь же широкое влияние на революцию реляционных баз данных. Он определяет ряд областей, которые ИИ удешевит или сделает более возможными, в том числе понимание мира с помощью генеративно-состязательных сетей и создание контента.
Одно из самых эффективных применений, которое он упоминает, — это возможность оптимизировать сложные системы.
Это область личного увлечения для меня, особенно в сложной системе предприятия и работы. Как вид, наша способность координировать между большим количеством нас отличает нас, но способность оптимизировать в рамках этой системы для конкретных шагов, таких как то, над чем работать дальше, остается проблемой.
До сих пор нам приходилось решать эту проблему методом «пузырьковой сортировки», когда усилия, затраченные на оптимизацию работы на предприятии, увеличивались быстрее, чем размер корпоративных проблем, что приводило к значительной неэффективности. Нам нужно только взглянуть на переполненный почтовый ящик, который используется как плохо работающая очередь рабочих инструкций, чтобы увидеть это в действии.
Длительное «вычислительное» время этих систем приводит к тому, что ответ на оптимизацию становится недействительным при доставке, поскольку среда или рабочий контекст изменились, например. стратегическое планирование в 80-х гг. Это стало восприниматься как фоновое условие и что-то, чем нужно управлять, поскольку отдельные лица и команды изо всех сил пытаются понять контекст и самостоятельно решить, что делать дальше.
Чтобы обойти эту неэффективность, работа разбивается на более мелкие agile-блоки, чтобы свести к минимуму влияние принятой тенденции неоптимального выбора. Мы также согласны с тем, что сообщения теряются в шуме и что стороны не будут читать свои электронные письма.
Использование алгоритма оптимизации для облегчения выбора имеет значительный потенциал. Идея центральной возможности, управляющей вычислениями, была отвергнута в прошлом из-за сбоев, но в основном они были связаны с неверным человеческим суждением, а не с оптимизацией машины.
Дьявол в данных
Три ключевых события помогли разблокировать прогресс здесь. Во-первых, вычислительная мощность и архитектура графических процессоров с растущим параллелизмом, во-вторых, постоянное совершенствование алгоритмов и, в-третьих, данные.
Последний компонент легко упустить из виду. Мы бы не позволили малышу перейти главную дорогу, но мы можем быть счастливы, что у подростка есть такая возможность. Разница между ними заключается в десятилетии обучения данных о том, что важно в этой системе.
Проблема в «работе предприятия» заключается в сборе конкретных данных сверх общих наборов данных о настроениях. Системы, требующие от пользователя ручного ввода того, что он делал и когда, плохо адаптированы и в значительной степени неточны. Если бы у Google и Tesla не было автомобилей с датчиками, которые миллионы часов ездили бы по дорогам, не было бы и автономных транспортных средств. Как мы можем получить эквивалент в области рабочих задач предприятия?
Принципы, которые, по нашему мнению, помогают предоставлять правильные наборы данных для обучения, следующие:
- Преимущества для пользователей при обмене данными. Пользователи Facebook променяли конфиденциальность на социальную ценность, водители Tesla променяли отслеживание на ранние преимущества от вызова их автомобилей. Как можно показать некоторую раннюю ценность корпоративным пользователям их данных? Это может быть так же просто, как преимущество автозаполнения, которое предлагает Google, основанное на прослушивании ваших и других наиболее распространенных входных данных.
- Собирайте данные как часть работы. Избегание дополнительных действий пользователей для предоставления данных способствует более эффективному внедрению. Дополнительный ручной ввод также подвержен предвзятости и ошибкам. Как можно собирать данные в рамках обычных рабочих процессов и использовать существующие золотые источники?
- Начните с модели данных. В случае накопления данных и выгод очень важно убедиться, что с самого начала вы собираете набор данных, который позволит вам делать выводы для доставки лотов. пользовательских значений.
Если мы сможем эффективно собирать данные и обучить систему предоставлять нам информацию, необходимую для принятия более эффективных решений, у нас есть шанс оптимизировать эту проблему, которая традиционно считалась «слишком сложной». У нас есть возможность заняться оптимизацией, а не в лучшем случае применять тактику, обеспечивающую гибкость при принятии решений, которые часто ошибочны.
Кай Никол – генеральный директор Cutover.
Cutover со штаб-квартирой в Лондоне лидирует в управлении событиями изменений с помощью платформы Cutover Enterprise, которая обеспечивает сложную человеческую координацию, совместную работу и связь, необходимые для событий критических изменений и тестов аварийного восстановления. Cutover Enterprise используется крупными финансовыми и корпоративными организациями по всему миру для устранения рисков и повышения эффективности. Среди клиентов Capita, Deloitte, Nationwide Building Society, Barclaycard и Barclays Bank.
