Bob Friday er medstifter og CTO af Mist Systems.
Kunstig intelligens (AI) tager verden med storm, idet innovative brugssager anvendes i alle brancher. Vi er årtier væk fra at erstatte en læge med en AI-robot, som det ses i filmene, men AI hjælper eksperter i alle brancher med at diagnosticere og løse problemer hurtigere, hvilket gør det muligt for forbrugere som mig selv at gøre fantastiske ting som at finde sange med en stemmekommando.
De fleste mennesker fokuserer på resultaterne af AI. For dem af os, der kan lide at kigge under emhætten, er der fire grundlæggende elementer at forstå: kategorisering, klassificering, maskinlæring og samarbejdsfiltrering. Disse fire søjler repræsenterer også trin i en analytisk proces.
Kategorisering indebærer at oprette metrics, der er specifikke for problemdomænet (f.eks. Økonomi, netværk). Klassificering indebærer at bestemme, hvilke data der er mest relevante for at løse problemet. Maskinindlæring involverer anomaliedetektion, klyngedannelse, dyb læring og lineær regression. Samarbejdsfiltrering indebærer at lede efter mønstre på tværs af store datasæt.
Kategorisering
AI kræver en masse data, der er relevante for det problem, der løses. Det første skridt til at opbygge en AI-løsning er at skabe det, jeg kalder "design intention metrics", som bruges til at kategorisere problemet. Uanset om brugere forsøger at opbygge et system, der kan spille Jeopardy, hjælpe en læge med at diagnosticere kræft eller hjælpe en it-administrator med at diagnosticere trådløse problemer, skal brugerne definere metrics, der gør det muligt at opdele problemet i mindre stykker. I trådløst netværk er nøglemålinger f.eks. Brugerforbindelsestid, gennemløb, dækning og roaming. I kræftdiagnose er nøglemålinger antal hvide blodlegemer, etnisk baggrund og røntgenundersøgelser.
Klassifikation
Når brugerne har kategoriseret problemet i forskellige områder, er det næste trin at have klassifikatorer for hver kategori, der vil pege brugerne i retning af en meningsfuld konklusion. For eksempel, når de træner et AI-system til at spille Jeopardy, skal brugerne først klassificere et spørgsmål som værende bogstaveligt eller et ordspil og derefter klassificere efter tid, person, ting eller sted. Når brugere kender kategorien af et problem (f.eks. Et problem før eller efter forbindelsen) i trådløst netværk, skal brugerne begynde at klassificere, hvad der forårsager problemet: tilknytning, godkendelse, dynamisk værtkonfigurationsprotokol (DHCP) eller anden trådløs , kabelforbundne og enhedsfaktorer.
Maskinelæring
Nu hvor problemet er opdelt i domænespecifikke klumper af metadata, er brugerne klar til at give disse oplysninger ind i den magiske og magtfulde verden af maskinlæring. Der er mange maskinindlæringsalgoritmer og teknikker, hvor overvåget maskinindlæring ved hjælp af neurale netværk (dvs. dyb læring) nu bliver en af de mest populære tilgange. Begrebet neurale netværk har eksisteret siden 1949, og jeg byggede mit første neurale netværk i 1980'erne. Men med de seneste stigninger i beregnings- og opbevaringsfunktioner trænes neurale netværk nu til at løse en række virkelige problemer fra billedgenkendelse og naturlig sprogbehandling til forudsigelse af netværksydelse. Andre applikationer omfatter opdagelse af anomalifunktioner, detektion af uregelmæssigheder i tidsserier og hændelseskorrelation til rodårsagsanalyse.
Samarbejdsfiltrering
De fleste mennesker oplever samarbejdsfiltrering, når de vælger en film på Netflix eller køber noget fra Amazon og modtager anbefalinger til andre film eller genstande, de måske kan lide. Ud over anbefalere bruges samarbejdsfiltrering også til at sortere gennem store datasæt og sætte et ansigt på en AI-løsning. Det er her, al dataindsamling og analyse bliver til meningsfuld indsigt eller handling. Uanset om det bruges i et spilshow eller af en læge eller af en netværksadministrator, er samarbejdsfiltrering middel til at give svar med høj grad af selvtillid. Det er som en virtuel assistent, der hjælper med at løse komplekse problemer.
AI er stadig i høj grad et voksende rum, men dets indflydelse er dybtgående og vil mærkes endnu mere skarpt, da det bliver en stadig større del af vores daglige liv. Når du vælger en AI-løsning, som når du køber en bil, bliver vi nødt til at forstå, hvad der er under emhætten for at sikre, at vi køber det bedste produkt til vores behov.
New Tech Forum giver et sted at udforske og diskutere nye virksomhedsteknologier i hidtil uset dybde og bredde. Valget er subjektivt baseret på vores valg af de teknologier, som vi mener er vigtige og af største interesse for læserne. accepterer ikke markedsføringssikkerhed til offentliggørelse og forbeholder sig retten til at redigere alt bidraget indhold. Send alle forespørgsler til [email protected].
