AI og maskinlæring kommer til å begynne å ta mange flere beslutninger. De vil sannsynligvis fremdeles ikke bli brukt i nær fremtid for å ta "store" avgjørelser som om de skal sette 25 prosent toll på en vare og starte en handelskrig med en partner.
Imidlertid er nesten alt du har sittet fast i Excel og massert, kodet eller sortert, et godt klyngeproblem, klassifisering eller å lære å rangere. Alt som er et sett med verdier som kan forutsies, er et godt maskinlæringsproblem. Alt som er et mønster eller form eller objekt som du bare går gjennom og "ser etter" er et godt dyp læringsproblem.
Og virksomheten er full av disse. Akkurat som tekstbehandleren erstattet skrivemaskinpoolen, vil AI snart erstatte horder av kontorarbeidere som stirrer på Excel — og erstatte noen analytikere også.
Bedrifter må forberede seg på denne endringen. Akkurat som selskaper som ikke forberedte seg på nettet og e-handel, ble igjen i støvet, vil også selskaper som ikke tilpasser seg AI og maskinlæring. Hvis du ikke ser på de store datamengdene du behandler og beslutninger du tar, og spør: "Kan jeg ikke gå den siste milen i å automatisere dette?" eller leter etter ting du ikke gjør fordi du ikke kan bestemme deg "i sanntid" nok til å oppnå fordeler - jeg vil se selskapets nedleggelse i papirene om noen år.
For å forberede deg på denne endringen, har du fem forutsetninger før du til og med kan begynne en forretningstransformasjon. Du trenger en strategi for å spre AI i organisasjonen din som starter med disse fem forutsetningene.
AI forutsetning nr. 1: utdanning
Du kan ikke gjøre alle i bedriften din til en datavitenskapsmann. Dessuten går noe av matematikken for fort til at vi bare er dødelige å forstå - den spesifikke algoritmen folk synes er mest effektiv denne uken, vil sannsynligvis ikke være den rette neste uke.
Noen grunnleggende ting kommer imidlertid ikke til å endres. Alle i organisasjonen din bør forstå noen grunnleggende funksjoner innen maskinlæring, spesielt utviklere:
- Klynging: Gruppere ting sammen.
- Klassifisering: Sortere ting i merkede grupper.
- Prediksjon på en linje: Hvis du kan lage et linjediagram, kan du sannsynligvis forutsi hva denne verdien vil være.
- Forutsigelse av varians: Enten det er likviditetsrisiko eller vibrasjoner eller kraftpigger, hvis du har et sett med verdier som faller innenfor et område, kan du forutsi hva avviket ditt er på en gitt dag.
- Sortering / bestilling / prioritering: Jeg snakker ikke om de enkle greiene. Enten det er for søk eller prioritering av hvilket anrop selgeren eller supportpersonen tar neste, er dette noe som kan håndteres ved maskinlæring.
- Mønstergjenkjenning: Enten det er en form, en lyd eller et sett med verdiområder eller hendelser, kan datamaskiner lære å finne den.
En viktig ting er å ha et sett med mennesker rundt som kan dumme det ned for folk basert på ferdighetsnivået. Utviklerne dine kan være interessert i spesifikke algoritmer eller teknikker, men analytikere og ledere bør forstå de grunnleggende forretningsproblemene og datateknikkene. Ledere trenger kanskje ikke å vite hvordan klynging fungerer, men de trenger å innse at et problem "ser ut" som et klyngeproblem.
Til slutt trenger du en jevnlig oppdatering av utdanningen, minst hvert år, fordi mulighetene utvides.
Relatert video: Maskinlæring og AI-dekryptert
Ved å bryte gjennom sprøytenarkomanen rundt maskinlæring og kunstig intelligens, snakker panelet vårt gjennom definisjonene og implikasjonene av teknologien.
AI forutsetning nr. 2: Komponentisering
Noen av de siste verktøyene rundt komponentisering er "notatbøker" for dataforskere; mange av de andre verktøyene vokser ut av disse. Dette er gode verktøy for dataforskere og deres samarbeidspartnere.
Problemet er at de oppmuntrer til dårlig praksis når det gjelder produksjon. Grensesnittet til en klassifiseringsalgoritme ser omtrent ut som alle andre algoritmer. En bestemt implementering av klassifikasjonsalgoritmer endres ikke med forretningsproblemet.
Akkurat som mange selskaper måtte finne ut hvordan man kan representere en kunde (i stedet for helt forskjellige i hvert system for hvert forretningsproblem), må du gjøre det samme for algoritmer. Dette er ikke å si at du trenger å finne den ene sanne klyngealgoritmen, men at du komponerer det som er annerledes.
AI forutsetning nr. 3: Systemisering
Til tross for alle hoopla ser de fleste systemene fremdeles ut. Det er noen prosesser for å få dataene inn i en algoritme, noen prosesser for å utføre algoritmen, og et sted å spytte ut resultatet. Hvis du skreddersyr alle disse tingene om og om igjen for hver algoritme, kaster du bort tid og penger - og skaper et større problem for deg selv. Akkurat som SOA endret hvor mange selskaper som distribuerer applikasjonsprogramvare, er det nødvendig med lignende teknikker for hvordan AI distribueres.
Du trenger ikke en haug med egendefinerte Spark-klynger som kjører rundt med egendefinerte "notatbøker" overalt og spesialbygde ETL-prosesser. Du trenger AI-systemer som kan løfte tungt, uavhengig av forretningsproblemet.
AI-forutsetning nr. 4: AI / UI-komponentisering
I en JavaScript / web UI-verden med RESTful-tjenester på baksiden, bør mange av brukergrensesnittene dine bare kunne blande inn en AI-komponent. Enten det er en anbefaling basert på brukeradferd eller en fullstendig virtuell assistent, bør firmaet ditt bygge et brukergrensesnittbibliotek som inkluderer AI-funksjonalitet for enkelt å legge inn i forretningsapplikasjonene dine.
AI forutsetning nr. 5: Instrumentering
Ingenting av dette fungerer uten data. La oss ikke gå tilbake til å lage store, fete datadumpe der vi bare samler en mengde søppel på HDFS og håper det har verdi en dag, slik noen leverandører har oppfordret deg til å gjøre. La oss i stedet se på hvilke ting som skal være instrumentert.
Hvis du er i produksjon, er det enkle utgangspunkt: Alle som trekker ut en manuell måler, kaster bort tiden din. Men selv i salg og markedsføring har du e-post og mobiltelefoner - data kan automatisk samles inn fra disse som er tydelig nyttige. I stedet for å gnage selgere for å få dataoppføringen gjort, hvorfor ikke la systemene gjøre det selv?
Kom i gang med din AI-strategi
For å oppsummere er de fem viktigste forutsetningene:
- Spre AI-kunnskap i hele organisasjonen.
- Alle bør forstå de grunnleggende tingene hverdagen maskiner kan gjøre alene.
- Bygg systemer og komponenter for AI.
- Bygg AI / UI mixins for enkelt å legge til AI i forretningsapplikasjonene dine.
- Instrument systemene dine for å samle inn dataene du trenger for å mate algoritmene for å ta avgjørelser for deg.
Hvis du setter disse forutsetningene sammen, bør resten følge når du går over fra informasjonsalderen til innsiktsalderen.
