AI og maskinlæring begynder at tage meget flere beslutninger. De vil sandsynligvis stadig ikke blive brugt i den nærmeste fremtid til at træffe "store" beslutninger, som om de skal lægge en 25-procents told på en vare og starte en handelskrig med en partner.
Imidlertid er næsten alt, hvad du har fast i Excel og masseret, kodet eller sorteret, et godt klyngeproblem, klassificering eller læring-til-rang-problem. Alt, hvad der er et sæt værdier, der kan forudsiges, er et godt maskinindlæringsproblem. Alt, hvad der er et mønster eller en form eller et objekt, som du bare går igennem og ”ser efter”, er et godt dybt læringsproblem.
Og forretningen er fuld af disse. Ligesom tekstbehandlingsprogrammet erstattede skrivemaskinepoolen, vil AI snart erstatte horder af kontorarbejdere, der stirrer på Excel - og også erstatte nogle analytikere.
Virksomheder skal forberede sig på denne ændring. Ligesom virksomheder, der ikke forberedte sig på internettet og e-handel, blev efterladt i støvet, vil også virksomheder, der ikke tilpasser sig AI og maskinindlæring, gøre det. Hvis du ikke ser på de store mængder data, du behandler, og beslutninger, du tager, og spørger: "Kan jeg ikke gå den sidste mil i at automatisere dette?" eller på udkig efter ting, du ikke gør, fordi du ikke kan beslutte "i realtid" nok til at få en fordel - jeg vil se din virksomheds lukning i aviserne om et par år.
For at forberede dig på denne ændring har du fem forudsætninger, før du endda kan starte en forretningstransformation. Du har brug for en strategi for at sprede AI i hele din organisation, der starter med disse fem forudsætninger.
AI forudsætning nr. 1: Uddannelse
Du kan ikke gøre alle i din virksomhed til dataforsker. Desuden kører noget af matematikken for hurtigt for os blot dødelige at forstå - den specifikke algoritme, som folk synes er mest effektiv i denne uge, vil sandsynligvis ikke være den rigtige i næste uge.
Nogle grundlæggende ting vil dog ikke ændre sig. Alle i din organisation skal forstå nogle grundlæggende funktioner i maskinlæring, især udviklere:
- Clustering: Gruppere ting sammen.
- Klassificering: Sortering af ting i mærkede grupper.
- Forudsigelse på en linje: Hvis du kan lave en linjediagram, kan du sandsynligvis forudsige, hvad den værdi vil være.
- Forudsigelse af varians: Uanset om det er likviditetsrisiko eller vibrationer eller spidser, hvis du har et sæt værdier, der falder inden for et interval, kan du forudsige, hvad din varians er på en given dag.
- Sortering / ordning / prioritering: Jeg taler ikke om de enkle ting. Uanset om det er til søgning eller prioritering, hvilket opkald dit salgs- eller supportperson tager næste gang, er dette noget, der kan håndteres ved maskinlæring.
- Mønstergenkendelse: Uanset om det er en form, en lyd eller et sæt værdiområder eller begivenheder, kan computere lære at finde den.
En vigtig ting er at have et sæt mennesker rundt, der kan dumme det ned for folk baseret på deres færdighedsniveau. Dine udviklere kan være interesserede i specifikke algoritmer eller teknikker, men dine analytikere og ledere bør forstå de grundlæggende forretningsproblemer og computerteknikker. Dine ledere behøver muligvis ikke at vide, hvordan klyngedannelse fungerer, men de er nødt til at erkende, at et problem "ligner" et klyngeproblem.
Endelig har du brug for en regelmæssig opdatering af uddannelsen, mindst hvert år, fordi kapaciteterne udvides.
Relateret video: Maskinindlæring og AI-dechifreret
Ved at bryde igennem hype omkring maskinlæring og kunstig intelligens taler vores panel gennem definitionerne og implikationerne af teknologien.
AI forudsætning nr. 2: Komponentisering
Nogle af de nylige værktøjer omkring komponentisering er "notesbøger" til dataforskere; mange af de andre værktøjer vokser ud af disse. Dette er gode værktøjer til dataforskere og deres samarbejdspartnere.
Problemet er, at de tilskynder til dårlig praksis, når det kommer til produktion. Grænsefladen til en klassificeringsalgoritme ser stort set ud som alle andre algoritmer. En bestemt klassificeringsalgoritmeimplementering ændres ikke med forretningsproblemet.
Ligesom mange virksomheder skulle finde ud af, hvordan man fremstiller en kunde (snarere end helt forskellige i hvert system for hvert forretningsproblem), skal du gøre det samme for algoritmer. Dette er ikke for at sige, at du skal komme med den ene ægte klyngealgoritme, men at du komponerer det, der er anderledes.
AI forudsætning nr. 3: Systemisering
På trods af al hoopla ser de fleste systemer stadig det samme ud. Der er en eller anden proces til at få dataene ind i en algoritme, en eller anden proces til udførelse af algoritmen og et sted at spytte resultatet ud. Hvis du brugerdefineret til at designe alle disse ting igen og igen for hver algoritme, spilder du tid og penge - og skaber et større problem for dig selv. Ligesom SOA ændrede, hvor mange virksomheder der implementerer applikationssoftware, er der brug for lignende teknikker til, hvordan AI implementeres.
Du har ikke brug for en masse brugerdefinerede Spark-klynger, der kører rundt med brugerdefinerede "notesbøger" overalt og specialbyggede ETL-processer. Du har brug for AI-systemer, der kan løfte det tunge, uanset forretningsproblemet.
AI-forudsætning nr. 4: AI / UI-komponentisering
I en JavaScript / web-UI-verden med RESTful-tjenester på bagsiden, skal mange af dine brugergrænseflader være i stand til bare at blande en AI-komponent. Uanset om det er en anbefaling baseret på brugeradfærd eller en komplet virtuel assistent, skal din virksomhed opbygge et brugergrænsefladesbibliotek, der inkluderer AI-funktionalitet, der nemt kan integreres i dine forretningsapplikationer.
AI forudsætning nr. 5: Instrumentering
Intet af dette fungerer uden data. Lad os ikke vende tilbage til at skabe store, fede datadumps, hvor vi bare samler en masse affald på HDFS og håber, at det har værdi en dag, som nogle leverandører har opfordret dig til at gøre. Lad os i stedet se på, hvilke ting der skal være instrumenteret.
Hvis du er i produktion, er der enkle udgangspunkt: Enhver, der trækker en manuel måler, spilder din tid. Men selv inden for salg og marketing har du e-mail og mobiltelefoner - data kan automatisk indsamles fra disse, hvilket er klart nyttigt. I stedet for at narre sælgere for at få deres dataindtastning gjort, hvorfor ikke lade systemerne gøre det selv?
Kom i gang med din AI-strategi
For at opsummere er de fem vigtigste forudsætninger:
- Spred AI-viden i hele din organisation.
- Alle skal forstå de grundlæggende hverdagslige ting, som maskiner kan gøre alene.
- Byg systemer og komponenter til din AI.
- Byg AI / UI-mixins, så du let kan tilføje AI til dine forretningsapplikationer.
- Instrument dine systemer til at indsamle de data, du har brug for, for at føde algoritmerne for at træffe beslutninger for dig.
Hvis du sætter disse forudsætninger sammen, skal resten følge, når du skifter fra informationsalderen til indsigtsalderen.
