Прагматичный ИИ на предприятии
Ажиотаж вокруг ИИ настолько распространен, что большинство руководителей любого предприятия держат его на прицеле. Каждая компания сегодня думает об ИИ или реализует какую-либо инициативу в области ИИ. Текущий разговор, который сейчас у всех на уме, заключается в том, как использовать ИИ и что еще можно сделать. Большинство людей относятся к ИИ как к черному ящику, почти как к земле обетованной. Ожидания большие. Все видели мощь Siri и Alexa и слышали о беспилотных автомобилях.
Есть несколько удивительных приложений на базе ИИ, которые мы видели на рынке, например, мобильные роботы, которые обходят проходы магазина и автоматически собирают данные о запасах, или складские роботы, которые автоматически извлекают продукты для отправки.
Последние новинки — роботы-доставщики, которые можно увидеть на улицах Пало-Альто или беспилотные автомобили для доставки, которые Kroger тестирует.
Как работает ИИ?
ИИ в основном заставляет машины видеть закономерности в данных. Этот процесс называется обучением или обучением. Это обучение может осуществляться двумя способами:
Контролируемое обучение
Это процесс обучения машины путем показа ей больших объемов данных определенного типа. Машина просматривает эти данные и запоминает их закономерности. После обучения машина может постоянно обнаруживать одни и те же закономерности в любых новых данных. Простым примером будет, если мы покажем машине 100 изображений стула. Теперь, когда машине показывают новое, невидимое изображение стула, она автоматически сопоставляет изученные шаблоны, чтобы сказать, что это должен быть стул.
Обучение без учителя
В этом подходе мы позволяем машине автоматически начинать поиск шаблонов в данных, а затем на основе этих шаблонов объединять данные в разные сегменты. Этот процесс называется кластеризацией. Машина в основном группирует данные на основе шаблонов, которые она видит в данных.
Хорошим примером этого может быть, если машине показывают смесь стульев и столов, машина создаст группы стульев и столов. Хотя здесь он может и не указать, какой кластер стол или стул, а может сгруппировать их по отдельности.
Применение обнаружения закономерностей — вот где самая интересная часть. Мы можем использовать эту способность, чтобы заставить машины:
- Находите ошибки или аномалии в данных, например, идентифицируйте неправильную транзакцию в банковской выписке, просматривая транзакцию или обнаруживая неправильные данные клиента.
- Маркируйте или классифицируйте данные, например, обучите машину автоматически классифицировать изображения продуктов на стулья, столы и т. д. или заставьте машину просматривать данные о транзакциях клиентов и создавать портреты клиентов. В нашем примере с розничной торговлей мы обучаем моделей смотреть на мебель или одежду и автоматически определять характеристики продукта, такие как цвета, формы, узоры и т. д.
- Генерация данных. Это граница ИИ, где машины могут изучать шаблоны и использовать эти шаблоны для создания новых данных или контента. Лучшим примером может служить машинное изучение стилей живописи таких мастеров, как Ван Гог и Моне, и перерисовывание картины в том же стиле. Существуют модели, которые могут изучать стили письма и воспроизводить описания новых продуктов на основе этих стилей.
Хотя эти примеры не являются крупномасштабными бизнес-приложениями, их можно использовать для решения реальных проблем.
Прелесть ИИ в том, что он может последовательно выполнять свои задачи.
Наш подход заключался в выявлении проблем, у которых нет альтернативного решения, а также в том, что с помощью ИИ можно решить за дни или недели, а не за месяцы или годы.
Хорошим примером является просмотр изображений товаров большого объема и автоматическое получение всей полезной информации из них в виде текстовых атрибутов. Это удобно, когда потребители ищут товары. Другое приложение будет искать продукты, которые выглядят похожими.
ИИ можно легко применять для сверки дебиторской и кредиторской задолженности, очистки и дополнения данных о клиентах, создания персонализированного опыта покупок для потребителей, автоматического создания пользовательских наборов продуктов для каждого потребителя, автоматизации расписаний команд, автоматического определения лучших кандидатов из пула резюме. Список можно продолжать и продолжать.
Ключевой вывод заключается в том, что, хотя есть приложения ИИ, меняющие правила игры, такие как беспилотные автомобили, есть гораздо более важные приложения, которые могут оказать немедленное влияние. Мы верим, что влияние ИИ на решение повседневных проблем и улучшение жизни людей будет намного больше.
