и почему это важно?

Мэтт Денесук, доктор философии, главный специалист по науке о данных, Noodle.AI

Почему искусственный интеллект важен для промышленных фирм и традиционных предприятий?

На протяжении всей истории современного бизнеса в отраслях, которые в основном ориентировались на «данные + математика», наблюдался как огромный рост производительности, так и подрыв бизнес-моделей и лидерство в бизнесе. Сегодня мы называем это цифровой трансформацией. Финансовые услуги и банковское дело, трансформация которых началась на заре компьютерной эры, являются одними из первых примеров трансформации отраслей. С тех пор мы видели еще много примеров в телекоммуникациях, СМИ и развлечениях, розничной торговле и других отраслях. Такие фирмы, как Netflix и Amazon, стали лидерами как в области вещания, так и в области создания контента; Amazon доминирует во все большем количестве секторов розничной торговли и распределения; а онлайн-видеоигры и социальные сети вытеснили более традиционные формы отдыха.

Это имеет драматические последствия для фирм, которые в настоящее время работают в этих отраслях и не в полной мере внедрили цифровую трансформацию, поскольку они сталкиваются с вытеснением или постепенной маргинализацией, если они не быстро разработают стратегию и не начнут быстро ее реализовывать.

В отраслях, которые находятся ниже по кривой с точки зрения цифровой трансформации, есть возможности для установления нового лидерства и стимулирования тех преобразований, которые изменят эти отрасли в будущем. Это особенно характерно для очень физических отраслей, таких как транспорт, энергетика, металлургия и горнодобывающая промышленность. Фирмы, начинающие внедрять новые технологии, получают возможность изменить методы работы, что приведет к изменениям в показателях деятельности и появлению в фирме новых лидеров.

Что такое корпоративный ИИ и промышленный ИИ?

Мы называем основные технологии и процессы, движущие этими преобразованиями в современную эпоху, «корпоративный ИИ и промышленный ИИ». Сейчас об «ИИ» очень много говорят, и бизнес-лидерам и практикам может быть очень сложно не отставать от него, понимать, что все это значит для их бизнеса и как начать применять его.

Зрелый ИИ

Прежде всего поймите, что большая часть того, что вы слышите сегодня в СМИ (включая технические СМИ), относится к классу проблем, которые можно назвать «зрелым ИИ». Такие проблемы обычно имеют следующие характеристики:

1. Проблемы четко обозначены и сформулированы. Считается само собой разумеющимся, что решение по сути зависит от ИИ.

2. Используемые наборы данных обширны, хорошо отредактированы и часто создаются специально для конкретных целей. Например, датчики и политики сбора данных для беспилотных автомобилей были спроектированы и размещены с самого начала, чтобы генерировать именно те данные, которые потребуются моделям ИИ для эффективного обучения. Затем эти автомобили проезжают миллиарды миль в реальном мире - и даже больше в виртуальном смысле с помощью моделирования », которое можно использовать для генерации огромных объемов дополнительных данных и обучения. Данные в областях зрелого ИИ также обычно хорошо помечены; например, изображения с пометкой их содержания, лица, связанные с правильными людьми, или текст на одном языке, связанный с правильно переведенным текстом на другом языке.

3. Деловая ценность работы обычно считается самоочевидной, и все ожидают медленного, устойчивого прогресса при значительных устойчивых инвестициях. Считается само собой разумеющимся, что повышение точности алгоритма распознавания лиц на 0,5% стоит того, или даже небольшое снижение риска для беспилотного автомобиля стоит того, чтобы за него заплатить.

4. Зрелые области ИИ часто связаны с огромными глобальными исследовательскими и инженерными сообществами. Эти сообщества курируют и публикуют журналы и проводят конференции по обмену информацией, посвященные жизненно важным техническим элементам в этих областях. Можно найти множество профессиональных журналов, конференций и обществ, посвященных распознаванию речи, распознаванию изображений и объектов и так далее.

5. Производительность моделей и приложений в областях зрелых приложений искусственного интеллекта обычно повышается постепенно, стабильно, что можно сравнить с «прогрессом, подобным закону Мура». Основными участниками этого являются:

  • Постоянное добавление большего количества однотипных данных - больше изображений с пометками, больше переведенных документов, больше миль (реальных или виртуальных) и т. д.
  • Едем по кривой увеличения вычислительной мощности и архитектур. Это включает в себя неуклонное увеличение скорости и параллелизма ЦП или ГП, улучшения в системах хранения и поиска и т. Д. Просто продолжают обновлять оборудование и системы по мере их появления.
  • Настройка производительности основного алгоритма. В моделях искусственного интеллекта есть множество «ручек», которые можно настраивать, например структура и глубина нейронной сети, различные гиперпараметры, которые точно настраивают внутренние операции многих алгоритмов, а также более тонкую сегментацию ключевых проблемных случаев. После первоначального нахождения подходящих настроек продолжение их настройки может со временем привести к незначительным улучшениям.

Развивающийся ИИ

Легко совершить ошибку, думая о проблемах в областях «развивающегося ИИ», как если бы они были в областях зрелого ИИ. Это может привести к путанице, неправильному использованию ресурсов и неудачным попыткам искусственного интеллекта.

В частности, большинство проблем в области корпоративного ИИ и промышленного ИИ не созрели в описанном выше смысле и фактически обычно относятся либо к так называемому «развивающемуся ИИ», либо, для тех, кто в какой-то мере продвинулся по более зрелому пути, «Переходный ИИ». Сильно отличающиеся характеристики таких проблем от проблем зрелого ИИ, требуют сосредоточения внимания на разных видах деятельности и применения разных подходов, чем те, которые подходят для проблем зрелого ИИ.

Проблемы «Возникающий ИИ» обычно имеют следующие характеристики:

1. Проблемы часто плохо сформулированы как проблемы искусственного интеллекта, что означает отсутствие четкой связи между номинальной бизнес-проблемой, которая ставится, и технической проблемой, решение которой существенно помогло бы решить эту бизнес-проблему. В этих случаях крайне важный этап определения технической проблемы еще не завершен. Это возможность, потому что это означает, что существует большая гибкость с точки зрения сопоставления бизнес-проблемы с хорошей и решаемой технической проблемой, но это также означает, что еще многое предстоит сделать, прежде чем даже всерьез приступить к разработке модели. Это также означает, что не так много прецедентов или предшествующих работ, на которые можно было бы опираться или опираться. Еще одна сложность может возникнуть из-за того, что рассматриваемая бизнес-проблема в настоящее время обычно решается другими средствами (например, расчетами электронных таблиц, программным обеспечением на основе правил, информационными панелями + людьми и т. Д.).

2. Наборы данных имеют тенденцию быть скудными, разнородными, разреженными и низкого качества. Системы и политики сбора корпоративных данных, как правило, создавались для соблюдения нормативных требований или отчетности, а не для ИИ. Системы и политики сбора данных промышленных предприятий, как правило, применялись для контроля, базового мониторинга или устранения неполадок после событий. Если данные не важны для одной из этих вещей, они обычно не записываются. Даже если они зарегистрированы, они часто выбрасываются после некоторого номинального периода владения. Эти ограничения серьезно затрудняют подходы к моделированию, которые могут быть использованы, а также предельную точность модели, которая может быть достигнута. Кроме того, каждый заказчик стремится иметь свои собственные уникальные модели данных, политики сбора данных и архитектуры данных. Разработанное решение для одной среды или одного клиента, как правило, неприменимо к другой среде или заказчику, даже если номинальная бизнес-проблема весьма схожа.

3. Потенциальная стоимость бизнеса не принимается как должное. Многим клиентам необходимо быть уверенными в том, что ИИ может иметь отношение к их бизнесу и что вложения в ИИ оправданы. Как правило, они хотят действовать медленно, маленькими шагами и видеть измеримое влияние на бизнес, прежде чем оправдывать следующий шаг дополнительных инвестиций. Для этого требуется эффективное общение с различными группами заинтересованных сторон и их завоевание. Это также требует создания дорожной карты предоставляемых возможностей, где каждый шаг может продемонстрировать свою сильную и положительную рентабельность инвестиций по мере того, как он основывается на предыдущем шаге.

4. Сообщества исследователей и инженеров, статьи в соответствующих журналах и соответствующие технические конференции, как правило, разрознены и разрознены. Как правило, не существует глобального сообщества специалистов-практиков в области ИИ, обладающих глубокими знаниями, которые позволяли бы быстро разрабатывать и делиться технологиями и идеями. Каждая команда или компания-поставщик - это, по сути, свое собственное обособленное сообщество, что значительно замедляет разработку лучших подходов и практик.

5. Таким образом, производительность моделей и приложений в новых областях применения искусственного интеллекта определяется очень разными факторами, чем в зрелых областях. Производительность модели или приложения в Emerging AI обычно определяется творческими открытиями в нескольких конкретных областях:

  • Постановка проблемы и установка. «Построение проблемы» - это понимание бизнес-процесса и важных ключевых показателей эффективности (KPI), последующая формулировка одной или нескольких математических задач, связанных с ключевыми ограничениями в этом бизнес-процессе, и оценка доступны ли подходящие данные. «Настройка проблемы» - это процесс построения конкретных данных и моделирования рабочего процесса, который генерирует выходные данные, которые можно использовать для улучшения бизнес-процесса. Они оба обычно корректируются итеративным образом до тех пор, пока не будет получено работоспособное решение, которое в достаточной степени изменяет KPI. Успешное построение проблемы в настоящее время - это отчасти искусство, отчасти наука, но оно абсолютно необходимо для получения ценного решения.
  • Получение и использование новых источников данных. Внедрение нового источника данных, внутреннего или внешнего по отношению к компании, часто может иметь большее влияние в краткосрочной перспективе, чем улучшения модели или алгоритмы. Например, такие вещи, как использование данных о погоде для моделирования износа шин, использование показателей заполняемости отелей или ценообразование для моделей управления доходами авиакомпаний; или использование текущих цен на сырьевые товары в качестве дополнительных ресурсов для оптимизации финансовых показателей производственного процесса. Эти типы внешних источников данных могут значительно улучшить производительность модели.
  • Эффективное использование знаний в предметной области и предыдущего опыта. Особенно потому, что данных, как правило, мало и им не хватает других способов, включение предшествующих знаний, например, в форме инженерных или теоретических уравнений, тщательно спроектированных функций модели и даже частично предварительно обученных компонентов модели, может позволить эффективное решение для быть построенным, несмотря на серьезную неадекватность данных². В некоторых случаях, когда доступно или может быть создано точное моделирование, такое моделирование также может быть очень полезным.
  • Еще неизвестный прорыв. Разблокировать такую ​​большую экономическую и социальную ценность необходимо, что многие организации (государственные, частные, коммерческие, некоммерческие) во многих странах лихорадочно работают над прорывом для решения этой проблемы3.

Как и следовало ожидать, с точки зрения параметров производительности базовой модели новые решения AI, как правило, значительно ниже, чем решения для проблем зрелого AI, как и следовало ожидать с точки зрения параметров производительности модели. Таким образом, рычаги производительности для таких зрелых проблем ИИ, которые, как правило, оказывают влияние в небольших, постепенных количествах, не так полезны для возникающих проблем ИИ. Рычаги производительности для таких возникающих проблем ИИ (описанные выше), хотя и требуют большего творчества и времени, могут привести к поэтапным изменениям в модели и производительности приложений и, следовательно, должны быть в центре внимания в таких проблемных областях.

В заключение

Моделирование искусственного интеллекта процветает благодаря простым формулировкам задач и огромным объемам высококачественных данных. Специалисты по обработке данных обычно не сталкиваются с такими ситуациями, когда пытаются решить критические бизнес-проблемы для предприятий и промышленных фирм. Огромная ценность, которую может принести успешная цифровая трансформация таких организаций, дает повод для серьезных усилий по всему миру, чтобы сделать ИИ актуальным для них.

Критически важно осознавать, что подходы, успешно используемые для постоянного повышения производительности в областях зрелого ИИ, не будут успешно применяться к большинству возникающих проблем ИИ. Мы должны признать уникальные аспекты этих незрелых проблемных областей и использовать набор подходов, разработанных для них. В этой статье дается общий обзор этих подходов ». Это должно привести к созреванию многих из этих проблемных областей, постепенно переведя их на более постепенные и непрерывные траектории улучшения, которые мы в настоящее время наблюдаем с проблемами зрелого ИИ. В результате глобальное экономическое воздействие будет ошеломляющим.

Настроения, ожидаемые по мере продвижения вверх по кривой зрелости, наряду с размещением нескольких выбранных проблемных областей, показаны ниже.

—

1. Зрелый ИИ также часто имеет доступ к достаточно точным симуляторам, таким как симуляторы вождения, которые являются очень зрелыми и хорошо имитируют результаты практически любых действий вождения в виртуальной среде.

2. См. Технический документ Noodle.ai: Моделирование корпоративного и промышленного искусственного интеллекта: как это делается

3. См. Технический документ Noodle.ai: «Грядущие прорывы в корпоративном и промышленном искусственном интеллекте»

4. См. Будущие официальные документы для более подробной информации.

—

Фото Кларка Тиббса на Unsplash, рисунки Мэтта Денесука

Подпишитесь на нас, чтобы узнать больше о будущем искусственного интеллекта. Вы также можете найти Noodle AI в Твиттере, LinkedIn, YouTube и получать нашу последнюю информацию через наши информационные бюллетени!