Предсказательная сила искусственного интеллекта (ИИ) доказала свою эффективность, и ее ценность больше не подвергается тщательному анализу. Это должно объяснить, почему искусственный интеллектвнедрение получил такое широкое распространение в последние годы. Эта технология применялась во многих случаях использования, таких как финансы (определение того, какой заявитель получит кредит), медицина (анализ рентгеновских снимков, ЭКГ и электронных медицинских карт), понимание человеческой речи (умные динамики, такие как Alexa), механизмы рекомендации фильмов и книг, используемые такими компаниями, как Netflix, Amazon и другими. У этого списка нет конца. По правде говоря, вероятно, легче отслеживать приложения, которые еще не поддерживают ИИ, чем приложения, которые уже реализованы. те, которые они делают . Wall Street Journal недавно опубликовал феноменальное освещение того, как несколько видных венчурных капиталистов Кремниевой долины разработали модели ИИ, способные предсказывать вероятность успеха их портфельных компаний. Затем последовала еще одна статья, посвященная возможной роли, которую ИИ может играть в охране психического здоровья. Что делает эти проекты интересными, так это то, что они (по моему скромному мнению) неожиданны.

Большинство предприятий могут быть уверены, что внедрение машинного обучения (наиболее популярной формы искусственного интеллекта) может привести к значительному повышению эффективности работы с учетом следующих трех факторов:

  1. Прогнозирование будущих результатов имеет ценность и может быть монетизировано
  2. У них есть исторические операционные данные, которые можно использовать для обучения моделей машинного обучения (ML).
  3. Они готовы выйти за пределы своей зоны комфорта и сделать номинальные инвестиции, необходимые для проверки почвы.

Овладеть машинным обучением не так уж и просто. Домен сложный и трудный для освоения, если не сказать больше. Сложность проистекает из его многомерности. Другими словами, для получения компетентности в ML требуются базовые навыки в области науки о данных в сочетании с глубокими знаниями в области математики, статистики, компьютерного программирования и облачных вычислений. Это должно объяснить, почему формирование эффективной команды специалистов по обработке и анализу данных является сложным, дорогостоящим и может занять время. Волшебство технологии (например, правильное предсказание результатов) — это то, на что способны обученные модели, но для этого нужно немного поработать. Под моделью машинного обучения можно понимать компьютерную программу, которая работает на компьютерах либо локально, либо у поставщика облачных вычислений (например, Amazon Web Services). Им подаются входные данные, и они производят прогнозы на основе этих входных данных. Изначально модели неспособны работать, но их можно натренировать, заставив пережевывать горы исторических данных. Во время этого учебного процесса они могут обнаруживать прошлые тенденции, которые могут повториться в будущем, и они могут применять приобретенные ноу-хау для прогнозирования будущих результатов. Хотя процесс сложный и трудоемкий, основная логика — нет.

Ирония заключается в том, что в типичном проекте Машинное обучение создание и обучение моделей (весёлая часть, которую любят гики) занимает всего от 10 до 15 % проектного времени. Оставшееся время (наиболее трудоемкое и наименее интересное) приходится на очистку и переформатирование обучающих данных. Без достаточных и чистых данных о тренировках все ставки сняты.

Описанные выше сложности часто мешают малому и среднему бизнесу использовать ИИ. Они рассматривают эту технологию как роскошь, которой могут наслаждаться только гиганты, такие как Amazon, Netflix, Apple, Google, Facebook.

Хотя это понятие было традиционно верным, оно ОПРЕДЕЛЕННО уже не так. Темпы инноваций в машинном обучении за последние несколько лет были ошеломляющими, и одним из основных факторов, влияющих на них, является доступность новых инструментов и платформ, которые могут значительно снизить сложность и стоимость внедрения Машинное обучение. Масштабы упрощения значительны, а количество сэкономленного времени велико.

Добро пожаловать в эру платформ искусственного интеллекта без кода или концепции AutoML. Такие компании, как Dataiku, DataRobot, DOMINO, H2O.ai и RapidMiner, добились разного уровня успеха в запуске платформ, которые позволяют командам практически без использования ИТ или обработки данных. опыт; создавать приложения на основе ИИ и интегрировать их в свои рабочие процессы. Некоторым из их клиентов удалось добиться действительно впечатляющей рентабельности инвестиций за недели, а не за месяцы или даже годы. Крупные компании, занимающиеся облачными вычислениями, тоже не сидели сложа руки и присоединились к побеждающей стороне. Они обогатили свой традиционный портфель продуктов Machine Learning различными инструментами автоматизации. SageMaker Autopilot от Amazon Web Services, AutoML от Google Cloud и AI Builder от Microsoft Azure — несколько примеров.

Есть также целый ряд новых участников, таких как ushur, BRYTER, SIGNZY, RUNWAYML, FRITZ AI и некоторые другие, которые также решили воспользоваться этой огромной возможностью. Они смогли собрать приличные раунды финансирования венчурного капитала для финансирования своих усилий и, похоже, делают замечательную работу. Что касается дифференциации, то каждый из них решил решить проблему своим собственным уникальным способом или решил обратиться к определенному сегменту рынка.

Несмотря на впечатляющие возможности инструментов AutoML, компаниям по-прежнему потребуются определенные знания в области обработки данных и ИТ. Наивно ожидать, что можно создать эффективное решение для машинного обучения несколькими щелчками мыши за несколько дней. Однако вполне разумно ожидать значительного сокращения времени и усилий, необходимых для создания значимого решения, по сравнению с тем, что было два года назад. Чтобы восполнить пробел в наборе навыков, ведущие поставщики AutoML сформировали обширную сеть партнеров и консультантов, которые могут выполнять тяжелую работу для своих клиентов, которые не могут или не хотят накапливать значительный внутренний опыт.

Хотя слепое внедрение машинного обучения не рекомендуется, компании мало что потеряют и много выиграют, если они разработают как минимум «доказательство концепции». Благодаря «платформам искусственного интеллекта без кода» это можно сделать быстро и недорого.

Аль Караханян

Аль Гараханян является управляющим директором Cogneefy (cogneefy.com). Cogneefy — это организация по интеграции систем машинного обучения, специализирующаяся на реализации полностью автоматизированных конвейеров машинного обучения для различных вариантов использования. У компании есть опыт и человеческие ресурсы, чтобы справиться со всеми аспектами проекта или дополнить внутренние ресурсы своих клиентов.