В процессе самостоятельного изучения искусственного интеллекта я обнаружил, что большинство текущих материалов описывают как машины учатся. В этих материалах обычно используются аналогии между биологическими функциями из нейронов и индуктивных выводов из статистических алгоритмов. Подход этих материалов представляет собой полезную информацию для разработчиков программного обеспечения, имеющих опыт работы с данными.

Однако этот подход основан на концепциях, которые слишком сложны в математике , чтобы быть полезными менеджерам и руководителям организацийдля планирования, реализации и извлечения выгоды из бизнес-проекты, включающие решения и опыт в области искусственного интеллекта. Моя цель в серии статей, начиная с этой, — сделать сложную тему ИИ более доступной для предприятий. В свою очередь, эта доступность может привести к лучшему пониманию того, как улучшить преимущества, внедрение и предоставление возможностей ИИ в крупных организациях.

Статья начинает этот путь объяснения с описания концептуальной бизнес-архитектуры платформы ИИ, основанной на педагогике. Статья заканчивается вводным объяснением Функций и Ярлыков. Основываясь на реакции и отзывах на эту статью, я могу проверить свою первоначальную гипотезу о том, что педагогика ИИ — это плодотворный подход к ИИ для крупных организаций.

Перенос педагогики с естественного на искусственный интеллект

В своем естественном контексте педагогика имеет дело с методами, используемыми академическим сообществом для оказания влияния на обучение учащихся. В идеале педагогика приводит к многократному улучшению учащимися приобретения человеческого интеллекта. Перенося этот контекст на искусственный интеллект, Педагогика ИИ занимается командными ролями, рабочими процессами и технологиями, чтобы обеспечить итеративные улучшения в автоматизированной эмуляции человеческого интеллекта.

Поскольку большинство из нас были (и, возможно, остаются) студентами академических институтов, мы были субъектами и объектами педагогики. Такие слова, как компетентность, планы уроков, классная комната, обучение, уроки, тесты, ученичество, имеют интуитивное значение. Концептуальная бизнес-архитектура платформы ИИ использует преимущества этого предполагаемого интуитивного понимания.

Концептуальная бизнес-архитектура платформы ИИ

На диаграмме Педагогическое колесо ИИ показаны высокоуровневые действия, которые корпоративная команда по разработке платформы ИИ повторяла бы в нескольких проектах.

Это колесо может стать основой для Корпоративного итеративного пути к имитации человеческого интеллекта.

Чтобы проверить гипотезу о том, что эта структура может найти отклик как у предприятий, так и у специалистов по данным, и у экспертов в области ИИ, в следующем разделе описывается центр педагогического колеса ИИ — Эмуляция человеческого интеллекта и первый активность высокого уровня — Определить эмулируемую компетенцию.

Эмуляция человеческого интеллекта

Рассуждение — это синоним слова Интеллект, который чаще всего ассоциируется с ИИ. Наиболее популярными формами логических рассуждений человека являются дедуктивные (выводы на основе применения правил к конкретным данным) и индуктивные (выводы на основе применения обобщенных наблюдений о наборах данных к конкретным данным). . Предыдущая версия технологии ИИ (примерно 1970-1990 гг.) была сосредоточена на дедуктивном рассуждении с использованием экспертных систем. Текущая версия (начиная примерно с 2009 г.) по индуктивному мышлению с использованием машинного обучения.

Центральной и непреходящей целью платформы ИИ является эффективное, своевременное и действенное создание ценных выводов для предприятия путем сочетания индуктивного, дедуктивного (и других вариантов) путей логических рассуждений.

Определить эмулируемую компетенцию

Первым шагом в планировании корпоративных проектов является определение масштаба. В педагогике ИИ область действия описывается с точки зрения домена и параметра.

Доменидентифицирует области знаний (например, выдача кредита, оценка кредитоспособности, вынесение решения о кредитоспособности) и логические выводы (например, «предложить кредитную карту или предложить дом в ипотеку?», «сколько кредита следует предложить?»). Понимая Область, специалисты по данным могут определять Функции (входные данные) и Ярлыки (выходные данные).

Примеры подмножества функций в домене «credit scoring» включают «годовой оклад», «годы- занятости», «долговая нагрузка» и «история платежей».

Примеры подмножества ярлыков в одном и том же домене включают «отличный кредит», «хороший кредит». , «напряженная кредитная история» и «плохая кредитная история».

Размер — это объем и плотность вычислений, которые должны выполнять машины ИИ для получения меток из функций. Типичным представлением объема и плотности вычислений в науке о данных является векторное пространство.

Является ли педагогика ИИ полезным подходом для предприятия?

В этой статье я попытался сопоставить термины педагогики, такие как интеллект, рассуждение, дедуктивный, индуктивный и компетентность, с терминами науки о данных, такими какмашинное обучение, функции иметки. Кроме того, я использовал это сопоставление для определения объема корпоративного проекта ИИ.

Я надеюсь, что для предприятия вы нашли этот подход к ИИ доступным, а объяснения интуитивно понятными. Надеюсь, я не слишком упростил для специалистов по данным.

Все должно быть максимально просто, но не проще — Альберт Эйнштейн

Независимо от того, представляете ли вы предприятие или науку о данных, я ценю ваши отзывы.