Как ИИ помогает нам, когда он находит закономерности в массивных наборах данных, и как эти закономерности на самом деле помогают нашему бизнесу? Уточнение этого помогает нам разрабатывать лучшие ИИ и более успешно их использовать.
Задача ИИ — находить полезные закономерности
ИИ просто находит закономерности, вот и все. Мы называем их «моделями», потому что они представляют собой упрощенные модели того, что описывает набор данных, например. шаблоны покупок клиентов, лица, которые нужно распознавать, или человеческая речь, которую нужно понимать.
Количество новых типов данных, инструментов, методов машинного обучения и приложений ИИ растет очень быстро. Но все дело в поиске полезных шаблонов.
Один тип шаблона соединяет множество входов со многими выходами, например. шаблон, описывающий типы покупателей, склонных покупать много сыра. Это достигается с помощью методов контролируемого обучения. Другой тип шаблона организует отдельные элементы в группы более высокого уровня, например. рынок, полный клиентов, сгруппированных в потребительские сегменты. Это достигается с помощью методов обучения без учителя. Третий основной тип — обучение с подкреплением. Но это больше касается использования метода проб и ошибок для поиска и улучшения шаблона, а не самого найденного шаблона.
Зачем нам нужны ИИ?
Этот вопрос может показаться немного странным, поскольку у нас есть ИИ повсюду, и многие другие на подходе. Но чем больше у вас ясности в отношении цели проекта ИИ, тем лучше вы будете разрабатывать модели ИИ, а затем использовать их.
Суть в том, что нам нужны ИИ, потому что у людей очень ограниченные возможности обработки информации. Лауреат Нобелевской премии Герберт Саймон назвал это «ограниченной рациональностью». Ограниченная рациональность — это ограничение способности нашего мозга получать, хранить и обрабатывать информацию.
И эти ограничения естественным образом переносятся на организацию, которую мы строим. Компании, правительства, социальные сети и общество в целом имеют ограничения на информацию, которую они могут обрабатывать, и скорость, с которой они это делают.
Даже несмотря на то, что сами человеческие организации созданы как попытка раздвинуть эти ограничения.
Шаблоны, созданные искусственным интеллектом, помогают нам организовывать массивные наборы данных
Итак, если люди и фирма, в которой мы работаем, имеют ограничения на «информационную перегрузку», то как в этом помогают шаблоны, созданные ИИ?
Ответ заключается в том, что эти шаблоны — всего лишь способы организации массивных наборов данных, чтобы люди могли их обрабатывать и использовать.
Например, наборы данных о лояльности клиентов содержат данные, описывающие, что миллионы клиентов покупают каждый день. Популярные веб-сайты, такие как Amazon, потенциально могут записывать каждый щелчок, нажатие клавиши и движение мыши еще большего числа людей.
Было бы невозможно определить, на каких клиентов ориентироваться с конкретными предложениями или рекомендациями по интересным продуктам, без шаблона, которым бы мы руководствовались. Паттерн — это «кратчайший путь», который связывает конкретные предложения или интересные продукты с людьми, которые проявляли к ним некоторый интерес в прошлом. Или шаблон, который классифицирует группы людей для поддержки приоритизации ресурсов.
Как шаблон на самом деле помогает?
Шаблоны — это «шпаргалки».
Это «мосты», которые связывают данные в невероятно сложных наборах данных с идеями, которые мы хотим найти.
Ограничения обработки информации человеком означают, что мы должны разбивать большие проблемы на более мелкие части и решать их по одной части за раз.
Нашему разуму нужно, чтобы задачи (в данном случае поиск в наборах данных) были организованы иерархически. Иерархии представляют собой древовидные структуры, такие как иерархия должностей и должностей в фирме. Иерархии — это «ножи», которые разрезают большие проблемы на более мелкие части.
Как модульность, так и объектно-ориентированное программирование используют иерархию для разбиения больших задач на разные уровни со слабо связанными фрагментами на каждом уровне. Каждый «фрагмент» — это модуль, который в какой-то мере связан с другими модулями, но с достаточной степенью свободы позволяет полезно рассматривать каждый модуль отдельно.
Людям нужны разные вещи из набора данных, поэтому в одном наборе данных может быть много разных паттернов. Вот почему так важно четко определить свои аналитические цели в начале любого проекта.
Шаблоны — это всего лишь правила разделения задачи на слабо связанные модули. Шаблон для массивного набора данных похож на индекс или адресную книгу, где можно найти то, что вам нужно. И каждый паттерн возникает в результате нахождения лежащих в основе проблемы структур.
Раньше я учил модульным иерархиям, рассказывая о том, как нарезать жареного цыпленка на ужин. Основная структура суставов курицы позволяет легко разделить ее определенным образом. Следуйте рисунку суставов, не пытайтесь перепилить кости.
Но один студент MBA был экспертом в тестировании цыплят. Оказывается, если ваша цель — проверить курицу на наличие болезней, а не съесть ее на ужин, то перепиливание костей — лучший способ разделить курицу.
Итак, подумайте о работе ИИ как о поиске шаблонов, подумайте о шаблоне как об одной «шпаргалке» для набора данных и используйте свои аналитические цели, чтобы убедиться, что вы получили правильную «шпаргалку».
Разработка лучших ИИ и их более успешное использование
Есть два следствия понимания того, как паттерны помогают нашему ограниченному человеческому мозгу использовать чрезвычайно сложные наборы данных. Они помогают нам разрабатывать и использовать ИИ, которые находят закономерности. И разрабатывать и использовать сами шаблоны.
Во-первых, начните с размышлений о желаемом шаблоне, а не об алгоритме, потому что алгоритм машинного обучения — это средство, а не цель. Если роль шаблона состоит в том, чтобы следовать базовой структуре в наборе данных, чтобы упростить эти данные (но при этом сохранить их актуальность), подумайте обо всех различных структурных схемах в этом наборе данных. Какие из них наиболее актуальны для вашего проекта? Рассмотрите компромиссы между релевантностью, точностью и простотой. Не отвлекайтесь (или даже не вводите в заблуждение) неподходящими шаблонами.
Во-вторых, подумайте о процессе поиска закономерностей. Если роль ИИ состоит в том, чтобы находить закономерности, то подумайте о том, как он будет искать и тестировать потенциальные закономерности. И подумайте о поддержании этих шаблонов и связанных с этим затратах на переобучение моделей. Учитывая ваше понимание того, как может выглядеть желаемый паттерн, какую технологию ИИ наиболее эффективно использовать для его поиска? Какой набор данных может фиксировать интересующие вас явления реальной жизни?
Большинство бизнес-лидеров и магистров делового администрирования будут нанимать специализированную фирму по искусственному интеллекту, такую как Filament, для использования технологий искусственного интеллекта мирового класса от Google, IBM Watson и других источников. Но стоит продумать качественную стратегию того, чего вы пытаетесь достичь, и как все это работает вместе.
Версия этой статьи изначально была опубликована в моем блоге LinkedIn
