Что потребуется, чтобы сделать это правильно

Выглядит так же, но не

Искусственный интеллект / машинное обучение работают на компьютерах. На предприятии много компьютеров. Это не проблема инфраструктуры;, и это одно из немногих значительных достижений, которых нет.

AI / ML не использует значительно другие (или более) ресурсы, чем любая другая существующая технология. Несмотря на то, что у них могут быть особые потребности, они в первую очередь используют существующие корпоративные сервисы, интерфейсы и хранилища данных.

С точки зрения инфраструктуры, интеграция искусственного интеллекта / машинного обучения на предприятии почти такая же, как почти все, что мы интегрировали ранее. Это опасно, потому что, хотя инфраструктура и фактическая интеграция схожи, конечные результаты не похожи на все, что мы когда-либо делали.

Мы попробовали это с помощью DevOps. Шутка заключалась в том, что компании хотели купить DevOps (например, в коробке), хотя, конечно, внедрение DevOps часто носит более культурный, нежели технический характер. Конечно, у искусственного интеллекта есть технические элементы, но существует так много воздействий, которые выходят далеко за рамки традиционных технических решений, если предположить, что он хоть немного похож на ловушку.

Люди верят в компьютер

Мой хороший друг продавал новостройки в 1980-х годах. У него есть история о том, как он написал простую программу BASIC, чтобы указать цену дома со всеми вариантами и вариантами, которые хотел клиент. Он заметил значительную разницу в поведении клиентов, когда использовал программу:

Это было удивительно. Если бы я работал с цитатой бумагой и карандашом, люди обсуждали бы каждую мелочь. Они спорили о цене каждого варианта. Но когда компьютер распечатал цитату с теми же числами и теми же деталями, никто не сказал ни слова. Они всегда просто принимали цитату, не задавая вопросов.

На предприятии столько всего происходит, что уже трудно сказать, какие решения хорошие, а какие плохие. Люди верят технологиям; частично потому, что до этого момента технология была очень детерминированной и относительно легко проверяемой. Это позволяет легко доверять.

Машинное обучение и искусственный интеллект - не очень.

Ключ: обеспечение качества модели

Люди верят компьютеру, поэтому люди поверят, что бы ни производил ИИ на предприятии. Затем они будут принимать меры на основе этих результатов.

Кто будет подвергать сомнению сверхразумный ИИ предприятия?

Даже если (и особенно когда!) Выходы не имеют смысла, их будет легко оправдать, поскольку модель «видит больше», чем видит человек-аналитик. Это, конечно, правда; машинное обучение обладает невероятной способностью поглощать данные. Но если это неправильные данные, если это не вся картина, рекомендации, которые даст модель, скорее всего, будут в некоторой степени неверными.

При детерминированном программировании ошибочный алгоритм часто оказывается явно неправильным - с этими моделями может быть просто достаточно неправильным, что вещи начинают незаметно отклоняться от курса и оставаться незамеченными в течение очень долгого времени.

Что более вредно: корпоративный лидер, принимающий неверные решения, или никогда не исчерпываемый, всегда доступный инструмент машинного обучения, который с радостью даст плохие (или даже слегка ошибочные) рекомендации кому угодно (или любой службе ) что спрашивает у него мнение?

Что еще хуже, ошибиться в модели очень легко, а небольшие фрагменты данных, добавленные или отсутствующие в обучающих данных модели, могут иметь огромное влияние.

Мой любимый пример из научной фантастики - это 2001: Космическая одиссея, где продвинутый ИИ, установленный на космическом корабле (HAL 9000), решает убить человеческий экипаж, в то время как идентичная машина на Земле (SAL 9000) сохранила более желанное нежелательное. - жестокое поведение.

Как это произошло?

HAL была предоставлена ​​небольшая часть информации, которую он должен был сохранить в секрете, в то время как SAL не была предоставлена ​​эта информация или указание. Вот и все. Все остальное в машинах и моделях, которыми они управляли, было идентично.

Мой любимый пример из реальной жизни - попытка создать модель машинного обучения для выявления рака кожи, но вместо этого случайно построил детектор линейки, потому что на многих фотографиях в наборе данных для обучения были линейки на изображении, когда область был известен раком.

Конечно, есть еще множество историй о том, как данные обучения неожиданно повлияли на модель, как положительные, так и отрицательные. Существует также реализация самого машинного обучения, которая также сильно влияет на модель. При создании ИИ для предприятия есть о чем беспокоиться, и есть множество способов сделать это неправильно.

Когда речь идет о машинном обучении на предприятии, является проблемой обеспечение точности / достоверности моделей и алгоритмов.

Как мы обеспечиваем качество AI / ML на предприятии?

Это большой вопрос, и, как и все большие вопросы, здесь просто нет универсального ответа, но есть одна основная истина, в соответствии с которой необходимо действовать.

Должна быть целенаправленная, непрерывная разработка модели.

Это усилие должно привести к правильной модели на раннем этапе (или, по крайней мере, * действительно близко к правому *), и должно продолжаться, чтобы гарантировать правильность модели с течением времени.

Данные, доступные для всех моделей, со временем будут развиваться, будут появляться тенденции, внутренние усилия будут увеличиваться и уменьшаться, а характер клиента изменится. Каждой модели необходимо адаптироваться к этим новым ситуациям, чтобы она оставалась полезной и продолжала предоставлять полезные рекомендации; устаревшая модель без постоянной оценки точности не только бесполезна, но и потенциально вредна.

Кроме того, предприятие, которое не будет постоянно адаптировать и улучшать свои модели и расширять свои познавательные услуги, быстро обнаружит, что оно отстает от остальной отрасли. Поскольку машинное обучение является аддитивным (значительно улучшается по мере увеличения объема данных), отставание от отрасли - невероятно сложная ситуация, из которой можно выйти.

С другими технологиями можно было наверстать упущенное, потратив больше денег; с AI / ML это менее возможно, потому что речь идет не столько об инфраструктуре, сколько о данных. Потерянное время - это потерянные данные, и их трудно заменить.

Машинное обучение - это не путь к двери, а путь, который навсегда ведет к горизонту. Постоянное совершенствование решений AI / ML на предприятии - это не просто хорошая идея, это императив.

Изменения - это то, которое придает AI / ML его нынешнюю, продолжающуюся и улучшающуюся ценность.

Что это значит

Чтобы постоянно улучшать свои модели, предприятию необходимо иметь:

Отличные внутренние усилия по разработке моделей и методы развертывания.

Отличная разработка и управление версиями алгоритмов и ансамблевых подходов.

Отличное управление версиями обучающих данных,

Отличное управление версиями полученных обученных моделей и

Отличные инструменты для тестирования, записи и сравнения построенных моделей друг с другом.

Некоторые предприятия уже взяли на себя задачи по созданию хороших разработок - но это намного сложнее. Постоянные усилия по развитию ИИ / МО на предприятии должны быть намного лучше и идти дальше, чем традиционные усилия по разработке. Он должен быть выдающимся.

В отличие от традиционных усилий по разработке, AI / ML не является детерминированным. Будут результаты, которых нельзя ожидать, и для возможности тестировать, находить, изолировать и исследовать эти результаты потребуются очень сильные инструменты / процессы тестирования и управления артефактами. Для этого потребуются инструменты и процессы, которые мы только начали создавать.

Затем, после того как мы изолировали неожиданные результаты, нам нужно будет сравнить их с другими моделями, чтобы увидеть, являются ли рекомендации, которые дает тестируемая модель, хорошими или плохими. AI / ML ставит под сомнение очень концепцию традиционного тестирования типа "прошел / не прошел". Теперь мы должны рассмотреть доверительный интервал / точность в дополнение ко всем другим традиционным аспектам качества.

А поскольку AI / ML управляется данными предприятия, предприятию необходимо будет выполнять эту работу внутри организации, иначе он рискнет поделиться критически важными (и чрезвычайно ценными) данными с внешней организацией.

Соревнование

Предприятие должно быть готово принять, принять и поддержать постоянное внутреннее развитие и постоянное совершенствование своих решений ИИ не только для обеспечения высокого качества рекомендаций, предоставляемых их решениями, при изменении данных и ситуаций, но и для обеспечения их решений. продолжают развиваться темпами развития отрасли.

Многие из используемых сегодня усилий по разработке моделей - это эксперименты и ручная обработка. Эти подходы работают, но они не являются повторяемыми, готовыми к работе инструментами и методами производственного класса. Необходимо будет открыть и усовершенствовать методы и инструменты, охватывающие все аспекты разработки модели и жизненного цикла; что еще больше затрудняет реализацию всего вышеперечисленного, особенно для предприятий.

В любом случае это должно произойти.

Это серьезный вопрос, но те, кто желают и могут подойти к нему, быстрее прибегут к ускользающей скорости и быстро станут трудноуловимыми лидерами отрасли.