Искусственный интеллект, или мы могли бы сократить его до ИИ, - это термин, который мы часто слышим в наше время в нашем обществе. Раньше мы обычно слышали термин А.И. в играх, когда мы хотим играть в одиночку и нам нужны «партнеры» для совместной игры. В основном А. это не новая технология, она появилась с 1900-х годов. Однако из-за нескольких факторов, особенно из-за наших текущих вычислительных возможностей, несколько отраслей, помимо игровой, проявляют интерес к возможностям искусственного интеллекта.

Интересный факт: одна из причин, по которой мы смогли раскрыть мощь искусственного интеллекта. Это связано с возможностями современных графических процессоров, а одна из причин, по которой он может достичь нынешней вычислительной мощности, - это спрос со стороны игровой индустрии. Итак, если вы геймер, вам следует гордиться тем, что вы внесли свой вклад в развитие искусственного интеллекта. :)

Как мы знаем, Google - один из пионеров, начавших внедрять искусственный интеллект. Они интегрируют его не только во все свои продукты, но и в цикл своих бизнес-процессов. С их точки зрения, ИИ используется как один из способов масштабирования, автоматизации и персонализации с использованием правильных данных. Теперь они видят проблему с другой стороны и уникальным образом проводят свой бизнес-процесс. Если вы смотрели недавнюю ежегодную конференцию «I / O 2018», которую проводила Google, вы могли увидеть, что они могут успешно наращивать свой прогресс и лидировать в гонке в области искусственного интеллекта. между другими крупными конкурентами, такими как Amazon, Microsoft или Facebook.

Обычно, когда мы говорим о компании, основанной на искусственном интеллекте, эта компания работает в сфере высоких технологий. Дело в том, что каждая компания в любой отрасли может стать компанией, основанной на искусственном интеллекте. Чтобы построить или преобразовать свою компанию, это сложнее, чем просто применить искусственный интеллект. или системы машинного обучения поверх существующей бизнес-системы. Как правило, по крайней мере, было бы трудно продолжать итерацию, особенно для бизнес-процессов старого стиля, которые используют абстракцию и интуицию во многих секторах для повторения общего цикла обратной связи, как показано на рисунке 1.

Хорошо то, что Google поделился своими 5 основными этапами, которые они используют и верят, чтобы превратить свою компанию в компанию, основанную на искусственном интеллекте. Для достижения той же цели они предлагают заняться этими этапами с самого начала.

# 1 Индивидуальный участник

Обычно в нашем обществе мы встречаем множество отдельных участников. Например, обслуживающий персонал в отеле выполняет множество абстрактных задач, от переноски багажа до направления кого-либо в определенное место, предоставления некоторой информации для клиента и т. Д., Тогда как их основная цель - предоставить лучший сервис для клиентов. их клиент. Отдельного участника можно рассматривать как набор абстрактных задач, которые может выполнять один человек. (Мы могли бы также назвать это неформальными задачами.) Чтобы перейти к следующему шагу, нам нужно сначала определить индивидуального участника в каждом секторе вашего бизнес-процесса.

Если мы не попытаемся идентифицировать отдельного участника в вашей компании, вашей компании будет сложно расширить масштаб и перейти к внедрению искусственного интеллекта ... Причина в том, что в ваших бизнес-процессах много абстракции. Такая абстракция затрудняет выполнение задач параллельно. Кроме того, трудно изменить какие-либо неверные предположения, сделанные лицами, принимающими решения. Предположение - это не плохо, однако деятельность, которую вы проводите с использованием этого предположения, будет трудно масштабировать и проверить. Сведение к минимуму использования предположений поможет уменьшить абстракцию задач.

Однако, если мы застряли на этом этапе, это также нанесет ущерб вашей компании. Вы когда-нибудь слышали историю о компании, которая теряет конкурентоспособность из-за потери ключевого сотрудника? Таким компаниям трудно масштабироваться из-за зависимости от их ключевого сотрудника.

# 2 Делегация

После того, как вы определите индивидуального участника в своей компании, пора формализовать план этой задачи, чтобы выполнять эту задачу параллельно. Вы можете заметить, достигла ли ваша компания этого шага, если конкретный бизнес-процесс становится все более и более важным для вклада вашей компании, и вы можете делегировать несколько человек для выполнения этой задачи параллельно.

Этот второй этап также важен. Если вас не заставляют формализовать процесс и придерживаться абстракции в отдельном участнике, вам будет трудно определить общее представление о том, как работает этот конкретный бизнес-процесс. Это решение также влияет на масштабируемость вашей компании, потому что этот конкретный бизнес нельзя вести параллельно - здесь нет масштабируемости.

Этот этап очень важен для дальнейших шагов. Если вы пропустите этот шаг, вы упустите возможность услышать отзывы с разных точек зрения. Мы могли бы использовать этот процесс как испытательную площадку - отличную возможность изучить продукт.

Кроме того, этот этап делегирования имеет решающее значение, особенно при подготовке к этапу машинного обучения. Отличная модель машинного обучения даст много результатов, которые нужно проанализировать человеку. Это может быть хорошим индикатором неполной модели, если результаты модели вводят людей в заблуждение во время процесса проверки. Это действие может быть полезно для измерения «ложноположительного» результата в метрике производительности путем проведения случайной подвыборки.

Проблема в том, что если мы слишком долго задерживаемся на этом этапе, нам придется платить высокие предельные издержки за обслуживание каждого пользователя. Как правило, чем более абстрактна задача, тем важнее она для компании и тем дороже она становится. Чем дольше бизнес находится в этой фазе, тем больше вероятность того, что люди будут сомневаться в возможности автоматизации. Обычный термин для этой ситуации - организационная блокировка.

«Используйте машинное обучение как способ расширить / масштабировать влияние наших сотрудников, а не как способ полностью их устранить. Это очень высокая планка для системы машинного обучения ».

# 3 Оцифровка

После того, как вы начнете переходить от абстрактного выполнения задачи к более параллельному, необходимо сделать еще один важный шаг - оцифровать этот процесс. Дело в том, что для перехода к следующему процессу нам нужна эта информация - данные о том, как выполнялась задача. Приведенные здесь данные являются основным ресурсом для более поздних этапов.

Оцифровывая бизнес-процесс, он не только полезен для дальнейшего процесса, но также становится одним из ресурсов, обеспечивающих масштабируемость в бизнесе. Даже ИТ-проект, который был успешно связан с системой машинного обучения, потерпел бы неудачу, если бы потребовались некоторые рукописные данные или пробелы, которые создавали бы узкое место, предотвращающее полный потенциал автоматизации.

С другой стороны, если вы застрянете на этом этапе, просто собрав данные, у вас может быть больше организационной привязки. Тем не менее, конкуренты собирают данные и настраивают свою систему на основе этой информации. Гонка в области технологий идет довольно быстро, даже в нетехнических отраслях. Например, интеграция Deep Learning в проекты Google в 2012–2015 годах происходит очень быстро, как показано на рисунке 2.

# 4 Большие данные и аналитика

Вот простой общий вопрос: сколько раз вы употребляли безалкогольные напитки в прошлом месяце? Знаете ли вы разницу между планом тренировок А и планом Б? Вы уверены, что на результат тренировки нет других факторов, таких как мотивация, принимаемое питание, продолжительность сна и т. Д.? Вы отслеживаете это в журнале, но получаете ли вы некоторую интуицию из своего журнала?

Большие данные и аналитика - главные движущие силы способности компании применять решения, основанные на данных. Мы начинаем использовать данные, которые мы собрали, и использовать их для создания идеи. Это понимание может помочь компании измерить и достичь успеха на основе данных о внутренней работе и внешнем пользователе. Нам нужны данные как ресурс для получения понимания и измерения состояния бизнеса компании.

Этап больших данных и аналитики может помочь вашей компании упростить анализ, обобщение и глубокое изучение каждого аспекта своего бизнес-процесса. Например, Toyota Lean Manufacturing Philosophy - это философия, которая применялась компанией Toyota, чтобы помочь им настроить каждую маленькую ручку в своих бизнес-процессах, чтобы получить лучший результат и более быстрый автомобиль.

"Это прекрасная возможность сделать паузу и повторить определение успеха!"

Однако будьте осторожны, данные, которые вы собрали ранее, скорее всего, беспорядочные и не в той форме, которая полезна для машинного обучения. Данные из разных ресурсов могут иметь разную структуру, и если мы не обработаем эти данные в чистую, мы не сможем использовать их в качестве входных данных для системы машинного обучения.

Однако, если ваша компания застрянет на этом этапе, эта ситуация ограничит сложность проблем, которые ваша компания может решить. Да, бизнес может работать в обычном режиме и извлекать выгоду из понимания больших данных. Однако для достижения более высокого уровня бизнеса вам необходимо решать более сложные проблемы в бизнес-процессе. Машинное обучение - одна из возможностей решения этой проблемы.

Без машинного обучения это условие ограничит скорость, с которой ваша компания может решить проблему. Мы могли бы усовершенствовать бизнес, имея несколько экспертов в определенном секторе бизнес-процесса. Тем не менее, скорость этого процесса во многом зависит от самого эксперта.

# 5 Машинное обучение

Это этап, которого мы хотим достичь, чтобы превратиться в компанию, основанную на искусственном интеллекте, где компания компилирует все, что было на предыдущих этапах, и автоматически уточняет, чтобы улучшить производительность бизнес-процессов. Вернитесь к изображению General Feedback Loop выше, идея этого этапа - автоматизировать эту итерацию. Этот автоматический цикл обратной связи может превзойти человеческий масштаб между измерением успеха и настройкой бизнес-процесса. Традиционно система машинного обучения могла превзойти человеческую способность обрабатывать количество входных данных и крайних случаев в реальных данных.

«Машинное обучение может улучшить на 10% помимо всего процесса настройки, выполняемой человеком».

Машинное обучение может помочь и решить проблему ограничения человеческого распознавания при анализе, рассмотрении и решении бизнес-задач, потому что мы можем получить более быстрый ответ и более детальную обработку деталей. Мы могли бы описать его возможности, как искусственный мозг, который ежедневно учится на миллиардах взаимодействий.

Трансформация с точки зрения бизнеса

В целом, оцифровывая наши бизнес-процессы, мы могли бы получить много данных, которые можно было бы использовать для создания очень глубокого понимания рынка / пользователей / операционных знаний. Машинное обучение - один из новых методов выбора рабочих параметров. Например, используя простую регрессию, мы могли бы регрессировать производительность каждого операционного показателя за период времени, используя линию или более сложную кривую. Это помогает нам извлекать случаи, которые мы, возможно, не видели раньше, с помощью проверки на основе данных.

С другой стороны, если мы пропустим любой из 5 основных этапов, появятся некоторые недостатки, даже если мы сможем получить лучший рабочий параметр, немедленно внедрив машинное обучение в компании. Основная проблема заключается в том, как вернуть эти параметры в цикл и выполнение основного бизнес-процесса.

Если мы все еще находимся на первом и втором этапе, когда в бизнес-процессах много отдельных участников и абстракций, нам необходимо провести обучение и консультации для всех в компании, особенно для внедрения машинного обучения и его интеграции. в своих задачах. Кроме того, пропустив этап делегирования, мы не смогли измерить корреляцию между системой машинного обучения, которую мы создаем, и задачами. С другой стороны, поскольку мы по-прежнему включаем людей в этот сложный процесс, нам необходимо создать справочную информацию, которую человек может использовать, чтобы вернуться к ней по мере необходимости. Проблема в том, что это станет узким местом, потому что процесс обновления справочника не будет таким быстрым, как эволюция системы машинного обучения.

Если бы мы перешли на третий и четвертый этапы, у нас мог бы быть новый рабочий параметр с лучшим стандартом и проверкой. В этом процессе каждый круг в бизнес-процессе может принять большую часть своего решения на основе информации, полученной из данных, и сосредоточиться на этапе принятия решения. Например, в круге взаимоотношений с клиентами каждому сотруднику может потребоваться только использовать наушники и предоставить точную информацию клиенту, в то же время они также собирают обратную связь от клиента. В этом процессе нашему сотруднику нужно только сосредоточиться на более быстром взаимодействии с клиентами и предоставлении более точной информации.

Однако, если мы перейдем к последнему этапу, мы сможем автоматически повторять общий цикл обратной связи конкретного бизнес-процесса с меньшим участием людей или, возможно, без них. Идея машинного обучения в компании, основанной на искусственном интеллекте, состоит в том, чтобы убедиться, что машинное обучение задействовано в каждом цикле бизнес-процессов или продуктов в этой компании, что мы могли бы предоставить более качественный сервис от сегментации до отдельного человека.

Я был вдохновлен прочтением этой статьи из моего опыта, когда я изучал один из курсов новой специализации по машинному обучению от Google, Машинное обучение с TensorFlow на облачной платформе Google. Я действительно рекомендую вам пройти этот курс, если вы хотите получить хорошие фундаментальные знания об использовании сервисов машинного обучения, предоставляемых Google, либо Tensorflow, либо ML API в Google Cloud Platform.

Сурья - Back-end инженер в своей профессиональной жизни и технологический евангелист в личной жизни. В этом году он разрабатывает резолюцию под названием Дорога к тому, чтобы стать ученым, занимающимся прикладным искусственным интеллектом. Если вам интересно или вы хотите следить за его успехами, вы можете посетить его на его личном веб-сайте soensurya.com или в LinkedIn.