Bob Friday er medstifter og CTO for Mist Systems.
Kunstig intelligens (AI) tar verden med storm, med innovative brukstilfeller som brukes i alle bransjesegmenter. Vi er flere tiår unna å erstatte en lege med en AI-robot, som det fremgår av filmene, men AI hjelper eksperter i alle bransjer med å diagnostisere og løse problemer raskere, slik at forbrukere som meg selv kan gjøre fantastiske ting, som å finne sanger med talekommando.
De fleste fokuserer på resultatene av AI. For de av oss som liker å se under panseret, er det fire grunnleggende elementer å forstå: kategorisering, klassifisering, maskinlæring og samarbeidsfiltrering. Disse fire søylene representerer også trinn i en analytisk prosess.
Kategorisering innebærer å lage beregninger som er spesifikke for problemdomenet (f.eks. Økonomi, nettverk). Klassifisering innebærer å bestemme hvilke data som er mest relevante for å løse problemet. Maskinlæring innebærer deteksjon av avvik, gruppering, dyp læring og lineær regresjon. Samarbeidsfiltrering innebærer å lete etter mønstre på tvers av store datasett.
Kategorisering
AI krever mye data som er relevant for problemet som løses. Det første trinnet for å bygge en AI-løsning er å lage det jeg kaller "design intention metrics", som brukes til å kategorisere problemet. Enten brukere prøver å bygge et system som kan spille Jeopardy, hjelpe en lege med å diagnostisere kreft, eller hjelpe en IT-administrator med å diagnostisere trådløse problemer, må brukerne definere beregninger som gjør at problemet kan deles opp i mindre deler. I trådløst nettverk er nøkkelmålinger for eksempel brukerforbindelsestid, gjennomstrømning, dekning og roaming. Ved kreftdiagnose er viktige beregninger antall hvite celler, etnisk bakgrunn og røntgenskanning.
Klassifisering
Når brukerne har kategorisert problemet i forskjellige områder, er neste trinn å ha klassifikatorer for hver kategori som vil peke brukere i retning av en meningsfull konklusjon. For eksempel, når de trener et AI-system for å spille Jeopardy, må brukerne først klassifisere et spørsmål som en bokstavelig karakter eller et ordspill, og deretter klassifisere etter tid, person, ting eller sted. Når brukere har kjent kategorien av et problem (f.eks. Et problem før eller etter tilkobling), må brukere begynne å klassifisere hva som forårsaker problemet i trådløst nettverk: tilknytning, godkjenning, DHCP (Dynamic Host Configuration Protocol) eller annen trådløs , kablet og enhetsfaktorer.
Maskinlæring
Nå som problemet er delt inn i domenespesifikke biter av metadata, er brukerne klare til å mate denne informasjonen i den magiske og kraftige verdenen av maskinlæring. Det er mange maskinlæringsalgoritmer og teknikker, med overvåket maskinlæring ved hjelp av nevrale nettverk (dvs. dyp læring) blir nå en av de mest populære tilnærmingene. Konseptet med nevrale nettverk har eksistert siden 1949, og jeg bygde mitt første nevrale nettverk på 1980-tallet. Men med de siste økningene i beregnings- og lagringsfunksjoner blir neurale nettverk nå trent til å løse en rekke virkelige problemer, fra bildegjenkjenning og naturlig språkbehandling til å forutsi nettverksytelse. Andre applikasjoner inkluderer oppdagelse av anomalifunksjoner, deteksjon av tidsserieavvik og korrelasjon av hendelser for rotårsaksanalyse.
Samarbeidsfiltrering
De fleste opplever samarbeidsfiltrering når de velger en film på Netflix eller kjøper noe fra Amazon og mottar anbefalinger for andre filmer eller gjenstander de kanskje vil like. Utover anbefalere brukes også filtrering i samarbeid for å sortere gjennom store datasett og sette et ansikt på en AI-løsning. Det er her all datainnsamlingen og analysen blir omgjort til meningsfull innsikt eller handling. Enten det brukes i et spillutstilling, eller av en lege eller av en nettverksadministrator, er samarbeidsfiltrering virkemidlet for å gi svar med høy grad av selvtillit. Det er som en virtuell assistent som hjelper til med å løse komplekse problemer.
AI er fortsatt veldig mye et voksende rom, men dets innvirkning er dyp og vil bli følt enda sterkere etter hvert som det blir en stadig større del av vårt daglige liv. Når du velger en AI-løsning, som når du kjøper en bil, må vi forstå hva som er under panseret for å sikre at vi kjøper det beste produktet for våre behov.
New Tech Forum er et sted for å utforske og diskutere ny teknologi i enestående dybde og bredde. Valget er subjektivt, basert på vårt valg av teknologiene vi mener er viktige og av størst interesse for leserne. godtar ikke markedsføringssikkerhet for publisering og forbeholder seg retten til å redigere alt bidratt innhold. Send alle henvendelser til [email protected].
