Авторы Филд Гартуэйт и Dr. Томас Дж. Салливан
С каждым днем «искусственный интеллект» (ИИ) становится все более распространенным в прессе, бизнесе и новых технологиях. Но мы должны относиться ко всем заявлениям об инновациях искусственного интеллекта со здоровым скептицизмом. «Что именно вы имеете в виду под ИИ? Что делают системы?» это отличный способ открыть A.I. обсуждение любого рода.
Вообще говоря, существует две основные разновидности ИИ, одна из которых все еще находится в области научной фантастики, а другая уже используется в сотнях отраслей.
- Общий интеллект — машина пытается реализовать весь спектр когнитивных способностей человека, чего еще никто не достиг.
- Вычислительный интеллект — фокусируется на узком наборе задач, которые могут выполняться людьми, и может включать в себя сочетание искусственных нейронных сетей, машинного обучения, адаптации, эволюции и логики.
С искусственным интеллектом вычислительного интеллекта люди являются обязательным требованием в процессе и рабочем процессе, поскольку они делятся знаниями в предметной области и обеспечивают обратную связь на выходе алгоритмов, что приводит к тому, что можно рассматривать как расширенный интеллект [1]. В случае машинного обучения человеческая обратная связь повышает точность и точность. По мере того, как алгоритмы адаптируются к этой обратной связи, у человека появляется возможность оценить производительность системы и позволить ИИ работать с ней. взять на себя большую долю рабочей нагрузки, чтобы она могла сосредоточиться на принятии более стратегических решений.
Простой пример, с которым многие из нас сталкивались, — это автоматизация колл-центра или даже голосовые помощники Siri, Cortana, Alexa, а теперь и Google Assistant. Эти системы могут распознать, когда они сделали ошибку в произношении, представляя варианты, пытающиеся семантически соответствовать тому, что вы сказали вслух. Siri даже спросит, можете ли вы помочь системе выучить слово, которое вы сказали, и, конечно же, она знает, где вы находитесь и где проводите много времени, что позволяет Apple со временем выучить разные диалекты и темпы речи в разных частях мира. . Когда вы кричите на Siri за ошибку, к сожалению, никакая ваша вежливая конструктивная критика не поможет, хотя, возможно, когда-нибудь Siri начнет интегрировать различные формы обучения, которые объединяют функции. По своей сути Google — это рекомендательная система. Facebook — это рекомендательная система. Как и Pinterest, LinkedIn, Amazon, Netflix и YouTube. Каждый из них уникален по отслеживаемым «активам» — людям, средствам массовой информации, продуктам электронной коммерции, поведению пользователей, которое они собирают, и по тому, как они используют этот набор данных для удовлетворения своих бизнес-потребностей.
Несмотря на кажущуюся простоту такой задачи, как распознавание голоса, и необходимость взаимодействия системы с людьми для улучшения, это никоим образом не упрощает то, что мы просим машины помочь нам сделать.
Такие сервисы, как IBM Watson и IRIS.TV, представляют собой наборы экспертных систем, которые работают путем упорядочивания, задач, вероятностей и приложений машинного обучения для решения конкретных задач.
Такие решения дополненного интеллекта потенциально могут понять, что такое видео, создавать сложные наборы данных на основе этого видео и вокруг него, понимать, что смотрят пользователи, какое сейчас время суток, на каком устройстве находится пользователь, и, таким образом, мы можем сопоставлять правильные видео каждому отдельному зрителю в режиме реального времени. Системы машинного обучения включают в себя распознавание именованных объектов, компьютерное зрение, обработку естественного языка, искусственные нейронные сети, вероятностный вывод и эволюционные вычисления.
Чтобы пролить некоторый свет на сложность того, что входит в создание системы вычислительного интеллекта, мы хотели поделиться частью работы, которую она включает в себя для IRIS.TV:
- Извлечение и обнаружение аудио/визуальных метаданных: системы, включающие системы компьютерного зрения и обработку естественного языка для анализа языка, определения контекста/тона и распознавания объектов.
- Управление таксономией: постоянное обновление категоризации активов на основе стандартизированной, универсальной и специфической для клиента категоризации.
- Сторонние тенденции:использование социальных сетей и новостей для оценки актуального интереса к ресурсам в видеотеке.
- Оценка видеообъекта: учитывается исторический анализ эффективности, виральности и вероятности того, что он будет просмотрен и приведет к последующему взаимодействию, т. е. побуждает ли это отдельное видео зрителей хотеть смотреть больше?
- Оптимизация плейлиста. Чтобы расширить оценку видеоресурсов, этот анализ определяет наилучший способ представления видеоматериалов с учетом пользовательского опыта. Например, если зрители получают непрерывный поток видео после воспроизведения первого видео, в каком порядке должны воспроизводиться ресурсы? Какая комбинация обеспечит наибольшее время просмотра и/или побудит зрителя естественным образом вернуться на сайт.
- Персонализация: при этом используются результаты ранее описанного вычислительного интеллекта и применяется последний уровень точности — индивидуальные пользовательские настройки, география, устройство, поведенческая сегментация и многое другое.
Все эти вычисления и решения происходят в режиме реального времени и постоянно совершенствуются. Для этого требуется не только обработка миллиардов точек данных, но и наука о данных и инженерные знания, чтобы все это происходило мгновенно в тот момент, когда пользователь нажимает кнопку воспроизведения на видео.
В то время как искусственный интеллект, используемый IRIS.TV, является вычислительным и фокусируется на конкретной проблеме, мы являемся частью волны компаний, которые используют данные и автоматизацию для повышения ценности. Для IRIS.TV и наших клиентов производительность нашего продукта важнее всего. Лучший способ оценить успех любого «ИИ». Продукт заключается в том, чтобы сначала понять ваши потребности, проблемы и цели и уточнить, какой тип системы и технологии продукт использует для решения этой проблемы. Результаты для сопоставимых клиентов, понимание того, как измерить успех, и попытка увидеть, как он работает, — лучший способ отделить ценные продукты от маркетингового языка.
[1] http://www.informationweek.com/government/leadership/ibm-ai-should-stand-for-augmented-intelligence/d/d-id/1326496
Об авторах
Филд Гартуэйт является соучредителем и генеральным директором IRIS.TV, ведущей платформы персонализации и видеопрограммирования. С момента изобретения базовой технологии IRIS.TV в 2010 году Филд привел компанию к тому, чтобы предоставить издателям видео программное обеспечение и упрощенные API, которые позволяют им персонализировать потоковое видео на основе предпочтений и поведения пользователя на всех платформах и устройствах. Его опыт работы в сфере медиа и развлечений дает уникальное представление о проблемах, стоящих перед отраслью, и о том, как лучше управлять цифровым распространением и монетизировать его. Пакет продуктов IRIS.TV используется сотнями издателей и вещательных компаний по всему миру, включая Time Inc., CBS, Telepictures, Tronc, Hearst, The Hollywood Reporter и Billboard. До IRIS.TV Филд работал в области цифровой дистрибуции, архитектуры данных и видео для таких компаний, как HBO, Universal Pictures, Rubicon Project и Jukebox TV.
Доктор. Томас Дж. Салливан(доктор вычислительных наук и информатики, Университет Джорджа Мейсона) присоединился к IRIS.TV в качестве главного специалиста по данным в 2013 году. обучение, обработка естественного языка, проектирование и создание механизма персонализированных рекомендаций, геопространственный анализ, моделирование временных рядов, прогнозный и предписывающий анализ и визуализация. Он проработал 13 лет специалистом по информатике в корпорации RAND, где участвовал или руководил проектами в области национальной безопасности. Он был отправлен в Багдад, Ирак, в 2004 году в качестве специалиста по стратегическому планированию Временной администрации Коалиции, а затем снова в 2005 году в поддержку усилий Коалиции по борьбе с обедненными взрывными устройствами (СВУ). Он совместно разработал алгоритм для разведывательного сообщества, предназначенный для определения вероятности приобретения террористической группой оружия массового уничтожения. Он был профессором RAND Pardee Graduate School, где преподавал углубленную статистику, а также читал лекции о количественных подходах к оценке угроз СВУ для развертывания предложений в Армейском университете логистики.
