Mail:





Słowniczek Sztucznej Inteligencji





Uważaj na lukę

O co toczy się gra

Głębokie uczenie i nie tylko

Skoro komputery są tak inteligentne, dlaczego nie potrafią czytać?

Gdzie jest Rosie?

Wglądy z ludzkiego umysłu

Zdrowy rozsądek i droga do głębokiego zrozumienia

Zaufanie

Epilog




Sztuczna Inteligencja : Gry


•  Wprowadzenie

•  Gry AI

•  Ruch

•  Znalezienie drogi

•  Podejmowanie decyzji

•  Taktyczna i strategiczna AI

•  Uczenie się

•  Proceduralne generowanie treści

•  Gry planszowe

•  Zarządzanie wykonaniem

•  Interfejs ze światem

•  Narzędzia i tworzenie treści

•  Programowanie gry AI

•  Projektowanie gry AI

•  Gatunki gier opartych na sztucznej inteligencji



A.I. dla Nie-Techników



•  Część 1 - Podstawy sztucznej inteligencji
•  Część 2 - Dane
•  Część 3 - Uczenie maszynowe
•  Część 4 - Głębokie uczenie
•  Część 5 - Robotic Process Automation
•  Część 6 - Przetwarzanie języka naturalnego (NLP)
•  Część 7 - Roboty fizyczne
•  Część 8 - Wdrażanie sztucznej inteligencji
•  Część 9 - Przyszłość sztucznej inteligencji





Sztuczna Inteligencja i Robotyka

• Co to są inteligentne roboty?

• Krótka historia robotyki

• Automatyzacja i autonomia

• Autonomia organizacji oprogramowania

• Telesystemy

• Zachowania

• Postrzeganie i zachowania

• Koordynacja behawioralna

• Lokomocja

• Czujniki i wykrywanie

• Wykrywanie zasięgu

• Warstwa deliberatywna

• Nawigacja

• Planowanie ścieżek metrycznych i planowanie ruchu

• Lokalizacja, mapowanie i eksploracja

• Uczenie się

• Funkcjonalność interaktywna

• Interakcja Człowiek-Robot

• Projektowanie i ocena systemów autonomicznych

• Etyka




Sztuczna inteligencja: podstawy i zastosowania

Część 1: Sztuczna inteligencja i nanotechnologia: superkonwergencja

Część 2: Sztuczna inteligencja w handlu elektronicznym: analiza procesów biznesowych

Część 3: ABC ery cyfrowej ze szczególnym odniesieniem do sektora bankowego

Część 4: Sztuczna inteligencja w predykcyjnej analizie ubezpieczeń i bankowości

Część 5: Sztuczna inteligencja w robotyce i automatyzacji.

Część 6: Sztuczna inteligencja: nowe podejście w opiece zdrowotnej

Część 7: Sztuczna inteligencja i spersonalizowane leki: Wspólna narracja o postępach w opiece medycznej

Część 8: Nanotechnologia i sztuczna inteligencja w medycynie precyzyjnej w onkologii

Część 9: Zastosowania sztucznej inteligencji w recepturach farmaceutycznych i leków

Część 10: Rola sztucznej inteligencji w diagnozowaniu gruźlicy

Część 11: Zastosowania sztucznej inteligencji w wykrywaniu i leczeniu COVID-19

Część 12: Sztuczna inteligencja oparta na Internecie rzeczy przy użyciu platformy Microsoft Azure

Część 13: Równoważenie obciążenia w bezprzewodowej sieci heterogenicznej za pomocą sztucznej inteligencji

Część 14: Zastosowania technik sztucznej inteligencji w systemach elektroenergetycznych

Część 15: Wpływ sztucznej inteligencji w sektorze lotniczym i kosmicznym

Część 16: Sztuczna inteligencja do prognozowania pogody

Część 17: Górnictwo molekularne: zastosowania w naukach farmaceutycznych




A.I. … i wszystko jasne




Wprowadzenie do Języka R




Język R … od słów do czynów !!!



 + Kody Źródłowe




A.I.: Jaka jest nasza Przyszłość?

[101 Prostych Pytań]




VIDEO



  Hipoteza Riemanna

 Pogadać z Maszyną 1

 Pogadać z Maszyną 2

 Pogadać z Maszyną 3

 Pogadać z Maszyną 4

 Wywiad z maszyną !

 Co słyszy Sztuczna Inteligencja?

 Komputer Kwantowy

 Świadomość Maszyn

 Sztuczna Inteligencja - Szansa czy Zagrożenie?

 This is AI 1

 This is AI 2 : How machines learn

 This is AI 3 : Learnig for life

 This is AI 4: A synthetic sixth sense




Bogowie Sztucznej Inteligencji






SŁOWNIK TERMINÓW ROBOTYCZNYCH




Anatomia Robota

  • Systemy Sterowania
  • Sprzęt Komputerowy
  • Niezawodność, Bezpieczeństwo i Zgodność
  • Kroki Projektowe: HLD
  • Energia i systemy zasilania
  • Kontrola Energii
  • DSP
  • Komunikacja
  • Silniki i Siłowniki
  • Mechanika



  • Artificial Intelligence




    Jak A.I. zmienia nasz świat




    Mity Sztucznej Inteligencji




    Króka Historia A.I.




    Fundamenty


    • Prolog

    • Wprowadzenie do A.I.

    • Definiowanie roli danych

    • Biorąc pod uwagę alogorytmy

    • Pionierski ,specjalistyczny sprzęt

    • Zastosowanie AI w aplikacjach komputerowych

    • Automatyzacja typowych procesów

    • Zastosowanie AI w medycynie

    • A.I. a poprawa interakcji

    • Analiza danych przez A.I.

    • Wykorzystanie machine learning

    • Poprawa A.I. (…)

    • Rozwój robotów

    • Latanie dronami

    • Samochód napędzany A.I.

    • Zroumieć aplikacje bez szans

    • AI w Kosmosie

    • Nowe zawody w erze A.I.

    •  X zawodów dla A.I.(?)

    • Wkład A.I. w społeczeństwo

    • Jak zawiodła A.I.




    "Ocieplamy" Fundamenty


    • Intuicyjna koncepcja sztucznej inteligencji

    • Podstawy wyszukiwania

    • Inteligentne wyszukiwanie

    • Algorytmy Ewolucyjne

    • Zaawansowane podejście ewolucyjne

    • Inteligencja Roju: Mrówki

    • Inteligencja roju: Cząstki

    • Uczenie maszynowe

    • Sztuczne sieci neuronowe

    •  Uczenie się ze wzmocnieniem za pomocą Q-Learning




    XVI Filarów Świątyni ArtInt′a


    • Korzenie i Zakres

    • Reprezentacja i wyszukiwanie

    • Struktury i strategie wyszukiwania

    • Wyszukiwanie Heurystyczne

    • Metody Stochastyczne

    • Budowanie algorytmów sterowania

    • Reprezentacja Wiedzy

    • Silna metoda rozwiązywanie problemów

    • Rozumowanie w niepewnych sytuacjach

    •  Uczenie maszynowe : oparte na symbolach

    • Uczenie maszynowe : koneksjonizm

    • Uczenie maszynowe : genetyczne i awaryjne

    • Uczenie maszynowe : probabilistyczne

    • Automatyczne wnioskowanie

    • Rozumienie języka naturalnego

    • Sztuczna Inteligencja jako pytanie empiryczne




    Sztuczna Inteligencja i Big Data

    Sekcja 1 : Big Data i systemy sztucznej inteligencji

    Sekcja 2 : Ontologia dla dużych zbiorów danych

    Sekcja 3: Uczenie się z dużych zbiorów danych

    Sekcja 4:Sieci neuronowe dla dużych zbiorów danych

    Sekcja 5: Deep Big Data Analytics

    Sekcja 6: Przetwarzanie języka naturalnego

    Sekcja 7: Systemy rozmyte

    Sekcja 8: Programowanie genetyczne

    Sekcja 9: Analiza roju

    Sekcja 10: Uczenie się przez wzmocnienie

    Sekcja 11: Cyberbezpieczeństwo

    Sekcja 12: Obliczenia poznawcze












    Wczoraj , Dziś … Jutro














    Odwiedzin: 22029
    Dzisiaj: 20
    On-line: 1
    Strona istnieje: 1178 dni
    Ładowanie: 0.171 sek


    [ 5946 ]



    Sztuczna Inteligencja z Językiem NetLogo



    LINK



    "Czy wiesz, jak było?": Historia AI

    Historia nie jest klubem, z którego można wyjść do woli. - John Major

    Ile i jaki rodzaj sztucznej inteligencji może znieść człowiek?

    Nauka, którą uprawia się dzisiaj, jest magicznym lustrem, w które musimy zajrzeć, jeśli chcemy ujrzeć przebłysk tego, co ma nadejść.       (Y. Gasset)

    Jak działa sztuczna inteligencja?: Techniki sztucznej inteligencji

    Technologia może nie oszczędza nam czasu, ale inaczej go rozdziela. - Helmar Nahr


    Jak realizowana jest sztuczna inteligencja?: AI określa nasze życie

    Często przyszłość jest tutaj, zanim będziemy na nią gotowi. - John Steinbeck

    Nadal kupujesz, czy już "wpływasz"?: Handel 4.0

    Dla człowieka do działania, jego własne ja jest kiepskim punktem wyjścia. - Francis Bacon

    Gdzie się udać z "ugorem społecznym"?: Przemysł 4.0

    Jedna maszyna może wykonać pracę pięćdziesięciu zwykłych ludzi. Żadna maszyna nie jest w stanie wykonać pracy jednego wyjątkowego człowieka - Elbert Hubbard.

    Jak zmienia się nasza wspólnota?: Społeczne implikacje sztucznej inteligencji

    Prognostyk to człowiek, który ma ponure przeczucia w jasnych chwilach. - Tennessee Williams

    Paradise Times czy End of the World?: Przyszłość z AI

    Futurologia to sztuka drapania, zanim zacznie swędzieć. - Robert Jungk




    Od naturalnej głupoty do sztucznej inteligencji




    Wprowadzenie

    AI dla sprzedaży i marketingu

    AI dla mediów

    AI dla języka naturalnego

    AI do kuracji treści i budowania społeczności

    Gotowy - wyszukiwanie możliwości AI

    Ta część obejmuje:

    •  Zrozumienie różnicy między wizją AI a projektem AI
    •  Poszukiwanie możliwości sztucznej inteligencji w Twojej organizacji
    •  Ustalanie priorytetów i testowanie pomysłów na projekty AI
    •  Dzielenie rzeczywistych złożonych produktów AI na niezależne komponenty oparte na ML
    •  Przekładanie wymagań biznesowych na zadania ML za pomocą kanwy ramek

    W tej części postawisz pierwsze kroki w pomieszanym świecie innowacji AI. Pomyśl o uczeniu maszynowym jako skrzynce narzędziowej pełnej różnych przedmiotów, takich jak młotki, śrubokręty i piły. Po przeczytaniu Części 1 wiesz, jak wszystkie te narzędzia można wykorzystać do tworzenia produktów. Następnym krokiem jest zastanowienie się, co i jak zbudować za pomocą tych narzędzi. Ta część rozpoczyna się od przedstawienia struktury, którą opracowaliśmy, aby zidentyfikować, wybrać i zweryfikować najbardziej obiecujące możliwości sztucznej inteligencji w Twojej organizacji. Pokażemy Ci również, jak podzielić złożony produkt na bardziej przyjazne dla ML komponenty, które można zbudować niezależnie. Wreszcie, nasz Framing Canvas nauczy Cię, jak przełożyć wyniki całej tej wstępnej pracy na opis Twojego projektu, który może zostać wykorzystany przez zespół techniczny.

    Nie daj się nabrać na szum: Innowacje AI zorientowane na biznes

    Pierwsza część dotyczyła historii FutureHouse, fikcyjnej platformy nieruchomości, która umożliwia użytkownikom kupowanie i sprzedawanie domów przez Internet. Wymyśliliśmy wymyślne funkcje sztucznej inteligencji i wyobraziliśmy sobie, jak mogą one pomóc FutureHouse przyciągnąć więcej użytkowników. Cały czas staraliśmy się wyjaśnić stojące za nimi koncepcje techniczne. Nie skupiliśmy naszej uwagi na historii zakulisowej: jak FutureHouse wpadło na te pomysły? Jak wybrała najlepsze do pracy? Jeśli nie pracujesz dla giganta technologicznego, istnieje prawdopodobieństwo, że Twoja organizacja stawia pierwsze kroki w swojej podróży z AI, a Ty prawdopodobnie również masz do czynienia z tymi pytaniami. Dlatego postanowiliśmy wrócić do początków przygody z AI FutureHouse i wyobrazić sobie rozmowy, które miały miejsce w jego salach konferencyjnych. Dadzą ci scenariusz, którego możesz się trzymać, gdy będziemy odkrywać najlepsze praktyki wprowadzania AI w organizacji. Zacznijmy od fikcyjnego spotkania inauguracyjnego:

    CEO: AI jest w dzisiejszych czasach we wszystkich wiadomościach; wygląda na to, że będzie odgrywać dużą rolę w każdej firmie. Zdecydowanie musimy zacząć się temu przyglądać, zanim zrobi to nasza konkurencja lub jakiś startup technologiczny.

    CTO: Masz rację; porusza się tak szybko i musimy się przygotować. Proponuję zacząć inwestować w infrastrukturę, abyśmy mogli przetwarzać wszystkie nasze dane. Następnie możemy przeszkolić naszych inżynierów lub zatrudnić nowych analityków danych i zacząć budować algorytmy AI.

    Menedżer ds. marketingu: Szczerze, chłopaki, myślę, że to moda. Teraz fajnie wygląda powiedzenie "Używamy sztucznej inteligencji", ale w końcu zniknie.

    Lider AI: Zgadzam się, że niektórzy ludzie zbyt szybko wskakują na modę, ale uważam, że całkowite zignorowanie AI byłoby krótkowzroczne. Oczywiście nie jest to srebrna kula; potrzebujemy strategii, aby mieć pewność, że możemy uzyskać wartość z rzeczy, w których sztuczna inteligencja jest świetna.

    CEO: Mmm, ale nie jestem pewien, czy jestem w pełni świadomy tego, w czym sztuczna inteligencja jest świetna. W mediach jest tyle zamieszania, że staram się zrozumieć, co jest prawdziwe, a co szumne.

    Lider AI: Moim zdaniem to pierwsza rzecz, którą musimy naprawić. Co powiesz na zorganizowanie szkolenia dla zespołu wykonawczego, abyśmy wszyscy byli bardziej świadomi tego, co tak naprawdę może zrobić sztuczna inteligencja, a następnie zaplanujemy kolejne kroki?

    CTO: Myślę, że to dobry pomysł; pomogłoby to również zespołowi technicznemu i pracownikom biznesowym w nauce współpracy.

    Kierownik ds. marketingu: OK, zróbmy to. Może to pomoże mi zmienić zdanie na temat tej technologii. Ale myślę, że to kluczowe, abyśmy zaczęli od strategii. Bez jakiejś formy wizji AI stracimy czas i pieniądze.

    Lider AI: Cieszę się, że wszyscy jesteście podekscytowani szkoleniem AI i zdecydowanie zgadzam się z Wami, że musimy mieć wizję. Z drugiej strony myślę, że potrzebujemy więcej doświadczenia, aby zbudować wizję AI. Sam trening nie wystarczy: musimy zacząć brudzić sobie ręce, zanim poświęcimy czas na długoterminowe planowanie. Proponuję, abyśmy po szkoleniu poszukali jakichś projektów AI, z którymi moglibyśmy zacząć eksperymentować. Poprowadzą nas w definiowaniu naszej wizji sztucznej inteligencji.

    CEO: Podoba mi się, dokąd to zmierza. Czy wszyscy zgadzamy się na szkolenie w zakresie sztucznej inteligencji i rozpoczęcie eksperymentowania z tą technologią? Chcę mieć pilota za cztery miesiące od teraz; wtedy możemy się zatrzymać, spojrzeć na to, czego się nauczyliśmy i zacząć mówić o naszej ogólnej strategii i wizji. Jak to brzmi?

    Ta rozmowa zawiera wiele elementów organizacji, które dopiero zaczynają swoją przygodę ze sztuczną inteligencją. Rzeczywiście, fragmenty tego scenariusza wielokrotnie rozgrywały się na naszych oczach podczas naszych doświadczeń konsultingowych. Przyjrzyjmy się jego najważniejszym częściom. Po pierwsze, chcemy, abyś skupił się na ludziach. To rozmowa, a nie monolog czy wymuszona strategia przez kogoś zepchnięta. Aby dokonać owocnej zmiany, potrzebujesz drużyny, a nie samotnego wilka. Idąc dalej, ten skrypt ma cztery postacie o określonych cechach:

    •  Inicjator - Ktoś, kto rozpoczyna dyskusję. Może to być ktoś, kto słyszał o AI w wiadomościach, ktoś, kto ma doświadczenie i widzi szansę, lub po prostu ktoś, kto chce rozpocząć nowe projekty, aby rozwinąć swoją karierę. W naszym przypadku wyobraziliśmy sobie, że ta osoba jest prezesem firmy. To idealny scenariusz, ale inicjatorem może być również kierownik lub pracownik.

    •  Technik - Technolog, który stawia na sztuczną inteligencję na pierwszym miejscu. W naszym przypadku jest to CTO. Tacy ludzie zwykle przyglądają się technicznym aspektom sztucznej inteligencji i zapominają o wpływie na biznes. Ważne jest, aby perspektywa technika była zrównoważona z perspektywą ludzi bardziej zorientowanych na biznes.

    •  Sceptyk - Ktoś, kto po prostu nie wierzy, że sztuczna inteligencja ma jakąkolwiek wartość. Często ci ludzie twierdzą, że sztuczna inteligencja to tylko fanaberia lub że to "tylko statystyki". Czasami ci ludzie rozgrzeją się do AI, gdy dowiedzą się o tym więcej. Czasami muszą zobaczyć wyniki na własne oczy. W naszym przypadku sceptykiem jest kierownik ds. marketingu, ale może to być ktokolwiek inny w organizacji.

    •  Lider AI - to osoba, która rozumie sztuczną inteligencję, miejmy nadzieję, że ma z nią pewne doświadczenie i upewnia się, że technologia jest wykorzystywana w sposób, który przynosi wartość biznesowi. Mają głęboką wiedzę na temat biznesu i znają podstawowe zasady sztucznej inteligencji, aby znaleźć punkty przecięcia między nimi. Mam nadzieję, że ta osoba może być tobą po przeczytaniu tego tekstu i zdobyciu pewnego doświadczenia.

    Kluczowym elementem rozmowy jest lider AI. Za kilka chwil ta rozmowa mogła przybrać zły obrót, prowadząc organizację do potencjalnego ślepego zaułka w działaniach AI. Na szczęście dla naszej fikcyjnej firmy lider AI interweniował i zaproponował dobre strategie, aby temu zapobiec. Pierwszym dzwonkiem alarmowym w rozmowie jest to, że żaden z uczestników (inicjator, sceptyk i technik) nie ma wystarczającej wiedzy na temat sztucznej inteligencji, aby podejmować świadome decyzje. W takich sytuacjach istnieje ryzyko, że organizacja podąży za kimś, kto ma najgłośniejszy głos, nawet jeśli prowadzi zespół na ślepo. Co gorsza, sceptycy mogą zgłaszać zastrzeżenia poparte uprzedzeniami, a nie prawdziwą wiedzą. To jest przepis na katastrofę. Na szczęście lider AI proponuje przeprowadzenie szkoleń nietechnicznych dla wszystkich decydentów. Edukacja to drugi główny element tej rozmowy. Upewnienie się, że "biznesmeni" (dyrektor generalny, dyrektor ds. marketingu itd.) rozumieją, że sztuczna inteligencja jest ważna dla pomyślnego wdrożenia sztucznej inteligencji w organizacji. O ile nie zajmujesz się rozwojem zaawansowanych technologii, "faceci z biznesu" są u steru i chcesz, aby wiedzieli, jak działa nowy ocean, którym pływają. Po zbudowaniu podstaw wiedzy zespołu biznesowego sceptyczny menedżer słusznie przypomina wszystkim, że sztuczna inteligencja musi być wykorzystywana jako narzędzie służące biznesowi i ważne jest, aby zacząć od początku z jasną wizją AI: jasną ścieżką, która określa, co zrobi to w erze sztucznej inteligencji, w jaki sposób pomoże swoim pracownikom pracować wydajniej i jak ukształtuje swoje produkty, aby lepiej służyły swoim klientom. Posiadanie wizji AI jest z pewnością kluczowe dla każdej organizacji i zdecydowanie zachęcamy wszystkich do znalezienia własnej. Jednak, jak wskazuje lider AI w naszej rozmowie, Twoja wizja AI nie pojawi się we śnie ani w prezentacji PowerPoint przygotowanej przez firmę konsultingową. Zamiast tego jest produktem doświadczeń i eksperymentów, sukcesów i niepowodzeń. Jak możesz wymyślić kompleksową wizję AI, jeśli nie podjąłeś jeszcze żadnych kroków w jej użyciu? Z naszego doświadczenia zauważyliśmy, że firmy, które zaniedbują eksperymentowanie, aby skupić się na długoterminowej strategii, zwykle kończą w "burzy mózgów dolinie śmierci": wciąż stawiają hipotezy na temat tego, co powinny zrobić, ale ponieważ brakuje im działania, brakuje im informacji, których potrzebują, aby udowodnić, że są na dobrej drodze. Rezultatem jest ciągły przepływ myśli bez wystarczających działań, aby potwierdzić ich strategię. Dobrym sposobem na rozpoczęcie budowania długoterminowej wizji sztucznej inteligencji jest skupienie się na projektach AI: dobrze zakrojonych inicjatywach, które wykorzystują sztuczną inteligencję do tworzenia nowych produktów lub funkcji lub optymalizacji istniejących procesów. Prowadząc projekty AI, zdobędziesz potrzebne doświadczenie i nauczysz się tego, czego jeszcze nie wiesz, aby stworzyć owocną wizję AI. Projekty AI mogą być mniej lub bardziej skomplikowane (najlepiej zacząć od czegoś małego - o tym później), ale zawsze muszą mieć solidny i wymierny wpływ na biznes. Możesz to postrzegać jako wysiłek od dwóch do sześciu miesięcy: zespół z Twojej organizacji tworzy grupę zadaniową AI i buduje pojedynczy produkt lub usługę wykorzystującą ML, z dobrze zdefiniowanymi wynikami, KPI i oczekiwanym wpływem na biznes. Wszystkie branżowe studia przypadków, które omówiliśmy w tej książce, to projekty AI. Doskonałym przykładem tego, jak projekt AI może prowadzić do wizji AI, jest pierwsze studium przypadku w rozdziale 2, które opisuje, w jaki sposób Google zrewolucjonizował sposób optymalizacji zużycia energii w centrum danych. Przyjrzyjmy się głębiej studium przypadku Google, aby zobaczyć, w jaki sposób firma zbudowała swoje centra danych zoptymalizowane pod kątem uczenia maszynowego. Pierwszą iskrą, która rozpaliła rewolucję, był prosty projekt wymyślony i prowadzony przez Jima Gao, jednego z inżynierów Google zajmujących się centrami danych. Gao wykorzystał politykę Google 20% i poświęcił jeden dzień swojego tygodnia pracy na zbudowanie prostego modelu ML do przewidywania jednego z kluczowych wskaźników wydajności systemu chłodzenia centrum danych, biorąc pod uwagę inne parametry operacyjne. Ten projekt wydawał się obiecujący, a kolejnym krokiem było przetestowanie modelu Gao poprzez symulację systemu chłodzenia w różnych warunkach i ręczne wybranie najlepszego. Następnym krokiem było przejęcie kontroli przez DeepMind, spółkę zależną Google AI. DeepMind dopracował model Gao i pozwolił Google obniżyć rachunki za energię o 40%. Nie był to ostatni krok inicjatywy: Google nadal polegał na inżynierach, którzy sprawdzali wybory algorytmu i wdrażali je. Pełna wizja stała się bliższa rzeczywistości dzięki ostatniemu projektowi DeepMind, który pozwolił ML przejąć zalecenia, a inżynierowie po prostu sprawdzali, czy nic nie poszło nie tak. Głównym wnioskiem z doświadczenia Google w zakresie centrów danych jest to, że pielęgnowanie małych projektów jest najlepszym sposobem na rozpoczęcie tworzenia szerszej wizji sztucznej inteligencji. Rozpoczynając i kończąc projekty AI, dowiesz się, co musisz wiedzieć, aby ostatecznie zdefiniować kompletną wizję AI obejmującą całą organizację. Jeśli spojrzysz na przypadek Google, wydaje się, że ostateczny cel wizji AI powinien być jasny od samego początku, a każdy projekt AI jest po prostu częścią tego większego planu. To wygodne kłamstwo. W rzeczywistości przepływ wglądu płynie w drugą stronę. Poszczególne projekty AI mogą (i powinny) powiedzieć Tobie i Twojej organizacji, gdzie jest potencjał, a gdzie jest ślepy zaułek, informując o inwestycjach i pomagając rozwinąć Twoją wizję w oparciu o to, co odkryłeś w każdym projekcie AI. W następnej sekcji przyjrzymy się, jak projektować nowe projekty AI, testować je, ustalać priorytety i wybierać, na czym skoncentrować swoją energię. Zanim przejdziemy dalej, chcemy Cię ostrzec przed innymi elementami naszej fikcyjnej rozmowy, które w prawdziwym życiu mogły być trudniejsze. Przede wszystkim inicjatorem w naszym przypadku jest prezes firmy. To najszczęśliwszy przypadek; wyobraź sobie, że dyrektor generalny byłby zamiast tego sceptykiem. W takim przypadku będziesz musiał walczyć o ich wpisowe. Kolejnym szczęśliwym elementem naszych fikcyjnych postaci jest to, że w naszym przypadku lider AI szybko wprowadził dwa kluczowe elementy inwestowania w edukację i przeniósł uwagę z długoterminowej strategii na krótkoterminowe projekty AI. Co zrobić, jeśli nie masz lidera AI? A co, jeśli sceptyka, inicjatora i technika nie da się tak łatwo przekonać jak nasze fikcyjne postacie z otwartym umysłem? Jak powiedzieliśmy na początku tej sekcji, innowacje AI muszą być wykonywane przez zespół, a nie przez samotnego wilka. Oznacza to, że jeśli jesteś liderem AI, będziesz musiał pracować nad zaangażowaniem ludzi i oświeceniem ich, aby pomóc im docenić wartość edukacji i eksperymentowania.

    Wynalazek: poszukiwanie możliwości AI

    Przewiń do przodu dwa tygodnie od poprzedniej rozmowy. Nasz fikcyjny zespół przeszedł szkolenie w zakresie sztucznej inteligencji i jest teraz gotowy do utworzenia grupy zadaniowej sztucznej inteligencji, która uruchomi pierwsze projekty. Oto ich rozmowa po szkoleniu:

    CEO: Naprawdę podobało mi się to szkolenie. Czuję, że znacznie lepiej rozumiem, czym naprawdę jest sztuczna inteligencja i jak może nam pomóc. Co myślicie?
    CTO: Będę szczery: nawet jeśli jestem technicznym facetem, zdałem sobie sprawę, że mam sporo nieporozumień na temat AI.

    Kierownik ds. marketingu: To samo. Mimo to chciałbym zobaczyć prawdziwe wyniki, zanim zostanę fanem.

    Lider AI: Super, chłopaki; zacznijmy burzę mózgów nad kilkoma projektami, nad którymi możemy zacząć pracować, aby nabrać rozpędu, dobrze? Czy masz jakies pomysły?

    CEO: Widziałem, że Google ma nową funkcję na moim telefonie, która sortuje zdjęcia według ich zawartości. Co jeśli pomożemy ludziom automatycznie sortować obrazy ich domów w zależności od pokoju? W ten sposób sprzedającym byłoby o wiele łatwiej przesyłać zdjęcia, a kupującym znaleźć to, co ich interesuje (łazienka, kuchnia itd.).

    CTO: To fajny pomysł. Zawsze też zastanawiałem się, co moglibyśmy zrobić ze wszystkimi gromadzonymi przez nas danymi. Mój zespół ma setki tysięcy rekordów sprzedanych domów i zastanawiam się, czy możemy wykorzystać te dane, aby zostać doradcą finansowym dla inwestorów w nieruchomości; Zdecydowanie bym tego używał. Może pierwszym krokiem może być algorytm, który przewiduje cenę, po jakiej dom zostanie sprzedany.

    Marketing manager: Z mojej strony zastanawiam się, jak możemy wykorzystać sztuczną inteligencję do automatyzacji naszych procesów. Może spróbujemy obniżyć koszty, automatyzując niektóre zadania, które wykonują nasi brokerzy, a może nawet pomyśleć o super potężnym AIbroker?

    Lider AI: To są świetne pomysły! Proponuję spróbować naszkicować niektóre projekty i nadać im priorytety. Co myślisz?

    Planowanie pierwszego kroku do wprowadzenia sztucznej inteligencji w organizacji może być trudne. Od czego zaczynasz? A jeśli nie masz pomysłów na projekty? A jeśli masz za dużo? Czy twoje pomysły są dobre czy złe? Chociaż kreatywność i instynkt biznesowy są nieocenione, zawsze warto mieć mentalne ramy, które pokierują Twoimi wysiłkami. Istnieją trzy etapy przejścia od zera do definicji solidnego projektu AI:

    1. Inwencja - Jakie projekty możemy budować?
    2. Priorytetyzacja - Na którym projekcie/projektach powinniśmy zacząć się koncentrować?
    3. Walidacja - czy warto realizować te projekty?

    W poprzedniej rozmowie widziałeś przykład pierwszego kroku: inwencję. Nasze fikcyjne postaci są kreatywne i od razu wpadły na kilka ciekawych i różnych pomysłów, ale poleganie na kreatywności jednostek nie zawsze jest dobrą strategią. Dlatego opracowaliśmy model mentalny, który może pomóc zainspirować Twoją kreatywność i zmysł biznesowy. Poniższy model mentalny pomaga w wyszukiwaniu projektów AI, które można następnie ustalić priorytetowo i zweryfikować. Rozpoczyna się od podzielenia przestrzeni eksploracyjnej na dwie części: wewnątrz i na zewnątrz organizacji, jak pokazano na rysunku



    Gdy zajrzysz do wnętrza swojej organizacji, możesz zastosować dwa podejścia:

    1. Spójrz na rzeczy, które Twoja firma robi teraz i zapytaj: "A gdybym mógł zrobić to lepiej/taniej/szybciej?"

    2. Spójrz na rzeczy, których Twoja firma nie robi w tej chwili i zapytaj: "Czy sztuczna inteligencja może mi pomóc zaoferować ten produkt/usługę?"

    Jeśli spojrzysz wstecz na fikcyjną rozmowę z naszego zespołu nieruchomości, kierownik ds. marketingu robi pierwszy: sugeruje przeanalizowanie bieżących procesów firmy i zastanowienie się, jak sztuczna inteligencja może pomóc organizacji działać lepiej. Takie podejście zazwyczaj prowadzi do stopniowych projektów innowacyjnych, które posuną Twoją organizację o krok do przodu, stając się bardziej produktywną, skuteczną i wydajną. Drugi rodzaj projektów wywodzi się z działań, produktów lub usług, których Twoja organizacja nigdy nie zbudowała ani nie oferowała, ale które potencjalnie mogłyby zostać zbudowane przy użyciu sztucznej inteligencji. Oto, co robi CTO: mówi, że chciałby mieć osobistego doradcę finansowego korzystającego ze sztucznej inteligencji, i zaczyna się zastanawiać, jak to można zbudować. Projekty te są bardziej destrukcyjne i mają potencjał do zdefiniowania kategorii produktów zmieniających zasady gry. Przykładem jest algorytm kwalifikowalności pożyczki Square Capital opisany w rozdziale 2. Pożyczki dla małych firm nigdy nie były szczególnie atrakcyjnym biznesem dla banków, ponieważ potencjał zysku jest mały, ryzyko wysokie, a proces oceny jest kosztowny. Square zdał sobie sprawę, że sztuczna inteligencja jest kluczem do uzyskania dostępu do tego prawie nietkniętego rynku. Jeśli chodzi o szukanie pomysłów poza organizacją, w naszym doświadczeniu znaleźliśmy dwie skuteczne opcje: przyjrzenie się temu, co robią inne branże i co umożliwiają nowe technologie. Nasz fikcyjny CEO w naszej rozmowie robi jedno i drugie: patrzy na to, co robi Google, dzięki nowej technologii widzenia komputerowego. Najczęściej przyglądanie się innym branżom oznacza przyglądanie się firmom technologicznym. Jeśli skupisz się na firmach cyfrowych w Dolinie Krzemowej, większość z nich wyprzedza o 10 lat większość dużych organizacji o ugruntowanej pozycji w "tradycyjnych" branżach. Pozwala nam to zajrzeć w przyszłość, patrząc na to, co sztuczna inteligencja jest w stanie zrobić, gdy zostanie zastosowana do problemów na dużą skalę, i spróbować zobaczyć, czego można się nauczyć i przełożyć na interesującą Cię branżę. Przykładem jest praca Google w swoich centrach danych. Google jest liderem we wdrażaniu sztucznej inteligencji w swoich produktach, a to doświadczenie zainspirowało Gao do zastosowania tego podejścia w nowej, niezbadanej dziedzinie optymalizacji zużycia energii. Innym ciekawym przykładem innowacji inspirowanej nowymi technologiami jest FaceApp, aplikacja wykorzystująca sztuczną inteligencję do generowania wysoce realistycznych transformacji twarzy na zdjęciach. Aplikacja może zmienić twarz, aby się uśmiechała, wyglądała młodziej, starzej lub zmieniała płeć. Aplikacja jest dostępna na rynku od jakiegoś czasu, ale stała się popularna kilka miesięcy po tym, jak NVIDIA wypuściła model AI typu open source o podobnych możliwościach. Prawdopodobnie inżynierowie stojący za FaceApp skorzystali z nowej dostępnej technologii, aby zbudować bardziej wydajną wersję aplikacji, zapewniając przyczepność niezbędną do zdobycia wirusów. Jeśli przeprowadzasz burzę mózgów ze swoim zespołem, cztery podejścia, które właśnie omówiliśmy, są dobrym punktem wyjścia. Prawdopodobnie pod koniec burzy mózgów pojawi się kilka pomysłów, które trzeba będzie priorytetyzować. W następnej sekcji przedstawimy dwie wysokopoziomowe koncepcje, które Ci pomogą przeprowadzić pierwszą ogólną ocenę potencjału swoich nowych pomysłów.

    Priorytety: ocena projektów AI

    Wszyscy tam byliśmy: prowadzisz burzę mózgów z kilkoma osobami i każdy ma pomysł i uważa, że jest najlepszy. Tak może być w przypadku naszego fikcyjnego gangu. W idealnym przypadku chciałbyś przetestować każdy pomysł, ale prawda jest taka, że przez większość czasu będziesz musiał zdecydować, jakiemu nadać priorytet. W tej sekcji pomożemy Ci to zrobić.Najprostszą rzeczą, którą większość ludzi zwykle bierze pod uwagę w tej fazie, jest oczekiwany zwrot z inwestycji (ROI) z projektu: ze wszystkich projektów, wydaje się, że dobrym pomysłem jest nadanie priorytetu tym, które mają największy potencjał. Z naszego doświadczenia wynika, że skupianie się wyłącznie na ROI projektu jest strategią krótkowzroczną. Jest jeszcze jedna, może nawet ważniejsza zmienna, którą należy wziąć pod uwagę przy wyborze projektu: Twoja gotowość . Bez rozważenia, jak gotowy jesteś do rozwiązania projektu AI, ryzykujesz utknięcie. W przypadku każdego projektu możesz oszacować, na ile jesteś gotowy, aby stawić mu czoła, biorąc pod uwagę następujące kwestie:

    •  Złożoność - Jak trudno jest zbudować nasz projekt AI? Czy możemy mieć weryfikację koncepcji w ciągu jednego miesiąca, czy potrzebujemy dwóch lat badań i rozwoju?
    •  Umiejętności - Czy masz już doświadczenie w projektach AI i talenty AI do wdrażania nowych pomysłów?
    •  Dane - Czy masz wszystkie potrzebne dane?
    •  Testowanie - Czego jeszcze potrzebujemy do przetestowania projektu? (Na przykład, czy potrzebujemy aplikacji mobilnej czy strony internetowej?)

    Na podstawie odpowiedzi na te pytania możesz porównać swoją gotowość do rozwiązania każdego z projektów, które wymyśliłeś i podejmować decyzje. Aby skonkretyzować tę koncepcję, opowiemy historię dużej organizacji, której pomogliśmy rozpocząć wysiłki w zakresie sztucznej inteligencji. Nazwiemy go ACME i powiedzmy, że wytwarza szybko rozwijające się dobro konsumpcyjne, takie jak papier toaletowy. Kiedy zaczęliśmy burzę mózgów, szef produkcji firmy był bardzo podekscytowany budowaniem algorytmu, który mógłby usprawnić planowanie produkcji. Zwrot byłby ogromny: w końcu firma ACME produkowała codziennie setki ciężarówek papieru toaletowego, a możliwość bardziej efektywnego planowania produkcji poprawiłaby wydajność, przynosząc miliony dolarów potencjalnych zysków. Już, było kilka wyzwań:

    •  Problem był tak złożony i miał tak wiele zmiennych, że wymagał długiego, kosztownego i ryzykownego wysiłku badawczego.
    •  ACME nie miało jeszcze żadnego talentu technicznego ani doświadczenia w sztucznej inteligencji.
    •  Dział IT ACME zmodernizował swoją infrastrukturę gromadzenia danych zaledwie rok wcześniej, więc posiadał dane tylko z jednego roku.
    •  Testowanie projektu było niezwykle trudne: musiałbyś zmienić harmonogramy produkcji, co łatwiej powiedzieć niż zrobić w firmie, która dosłownie produkuje tony towarów każdego dnia.

    Nawet jeśli zwrot z inwestycji mógł być ogromny, doradziliśmy umieszczenie tego projektu na dole listy ACME i podjęcie go ponownie, gdy będą mieli więcej danych, większe doświadczenie i większe zaufanie do sztucznej inteligencji. Zamiast tego skupiliśmy się na mniejszych projektach, które mogły mieć mniejszy zwrot, ale wiedzieliśmy, że możemy je zrealizować w ciągu kilku tygodni, a nie lat. Ten kompromis między ROI a szybkością jest szczególnie ważny dla firmy na początku jej przygody z AI. Jeśli złożoność, umiejętności, dane i łatwość testowania to cztery zmienne, na które należy zwrócić uwagę, aby ocenić gotowość do stawienia czoła projektowi, jak oceniasz zwrot z inwestycji? Czasami możesz kierować się swoją przenikliwością biznesową, ale wskazówki pomagają. Potencjał projektu AI jest bezpośrednio skorelowany z tym, jak bardzo wykorzystuje dwie główne mocne strony AI: skalę i dokładność. Skala odnosi się do prostego faktu, że pozwolenie komputerowi na przejęcie zadania ma oczywiste zalety. Najczęstszymi zaletami są szybkość i efektywność kosztowa, ale możesz odnieść różne korzyści w zależności od swoich potrzeb. Na przykład skala może pomóc zmniejszyć nudę pracowników automatyzując irytujące zadania lub poprawiając ich bezpieczeństwo w przypadku niebezpiecznych zadań na linii produkcyjnej, którą możesz zautomatyzować. Oczywiście skala jest zaletą każdej aplikacji, ale sztuczna inteligencja znacznie rozszerza to, czego może dotknąć oprogramowanie (na przykład widzieliśmy, jak tradycyjne oprogramowanie zazwyczaj nie rozwiązuje problemów z widzeniem komputerowym). Projekty wykorzystujące skalę są zazwyczaj zadaniami automatyzacji zapewniającymi główną korzyść polegającą na obniżeniu kosztów lub skróceniu czasu. Przykładem jest projekt sortowania ogórków, który wprowadziliśmy w części 5, który zaoszczędził mnóstwo godzin dla japońskiego rolnika. Dokładność odnosi się do zdolności ML do uczenia się na podstawie danych i tworzenia modeli z mniejszymi błędami, niż można to osiągnąć za pomocą konwencjonalnej inżynierii oprogramowania. Niektóre problemy mają bezpośredni związek między dokładnością a wynikami, do tego stopnia, że można powiązać kwotę w dolarach z każdym wzrostem dokładności przewidywania. Oczywistym, klasycznym przykładem są finanse: im lepiej potrafisz przewidzieć przyszłą cenę akcji Apple, tym więcej zarobisz. Im bardziej zysk i dokładność są powiązane, tym większa zdolność AI do modelowania świata na podstawie danych przyniesie pozytywne rezultaty dla twojego projektu. W tej książce widziałeś kilka projektów, które odniosły sukces, głównie dlatego, że sztuczna inteligencja pozwalała na podejmowanie decyzji z większą dokładnością. Jednym z nich był projekt Targeta w części 3; amerykański sprzedawca wykorzystał dane z kart lojalnościowych, aby dotrzeć do rodzin, które miały mieć dziecko. Prawdopodobnie tradycyjną alternatywą byłoby szerokie ukierunkowanie na wszystkie rodziny w określonym przedziale wiekowym. Jasne, że lepsza dokładność kierowania może przynieść zwroty o rzędy wielkości wyższe niż status quo. Najlepsze projekty AI wykorzystują zarówno skalowalność, jak i dokładność AI. Są to projekty o dużym potencjale zakłóceniowym, które mogą całkowicie zmienić branżę, np. przypadek Square Capital w Części 2. Square wykorzystał dane finansowe małych firm, aby zdecydować, czy udzielić im pożyczki. Sukces Square jest bezpośrednio związany z tym, jak dobrze może zrozumieć, w jaki sposób finanse firmy wpływają na ich zdolność do spłaty pożyczki: im wyższa dokładność, tym większy sukces w zarządzaniu ryzykiem i udzielanie pożyczek firmom posiadającym zdolność kredytową. W przypadku Square to właśnie skala była głównym powodem sukcesu firmy, ponieważ pozwalała obsłużyć długi ogon pożyczek dla małych firm, których nie dałoby się obsłużyć w inny sposób. Projekt centrum danych Google wykorzystał zarówno skalowalność, jak i dokładność sztucznej inteligencji. Przed wdrożeniem systemu AI zużycie w centrum danych zostało zoptymalizowane przez inżynierów wykorzystujących ich wiedzę termodynamiczną. Nawet inżynierowie muszą spać, więc skalowalny system, który monitoruje fabrykę i podejmuje decyzje w czasie rzeczywistym, jest niezwykle cenny. Co więcej, algorytmy Google były dokładniejsze niż inżynierowie, co przyczyniło się do znakomitych wyników osiągniętych przez firmę: 40% oszczędności to dużo pieniędzy! Jeśli wysoka skalowalność i dokładność to dwa kluczowe czynniki napędzające Twój projekt, istnieje duże prawdopodobieństwo, że masz do czynienia z bardzo wysokim potencjałem zwrotu z inwestycji. Kiedy już to wiesz, możesz wziąć pod uwagę swoją gotowość do każdego konkretnego projektu, aby zdecydować, na czym skoncentrować swoją energię w ciągu najbliższych kilku miesięcy swojej sztucznej inteligencji eksperymentowanie. Aby wyjaśnić, jak wygląda ten proces, spójrzmy jeszcze raz na projekty, które wyszły z burzy mózgów naszego zespołu zadaniowego AI ds. fikcyjnych nieruchomości:

    •  Klasyfikator zdjęć pokoju - funkcja, która automatycznie sortuje zdjęcia na podstawie pokoju
    •  Predyktor ceny domu - funkcja, która przewiduje cenę w której dom zostanie sprzedany
    •  Asystent brokera - rodzaj chatbota, który może usprawnić pracę brokera lub całkowicie go zastąpić

    Przyjrzyjmy się najpierw ich potencjałowi. Klasyfikator zdjęć pokoi ma wysoki współczynnik skali, ponieważ umożliwia użytkownikom przesyłanie i sortowanie zdjęć w ułamku sekundy zamiast ręcznego sortowania. Jednak współczynnik dokładności jest niski: nie obchodzi nas, czy nasz algorytm jest lepszy niż ludzie w identyfikowaniu łazienek z kuchni, o ile jest wystarczająco dobry. Predyktor ceny domu ma wysoki współczynnik skali, ponieważ w tej chwili zgadywanie ceny sprzedaży jest zadaniem zarezerwowanym dla doświadczonych brokerów domów, którzy są zajęci i mogą zająć kilka dni, aby przewidzieć. Ten projekt może pomóc klientom uzyskać wycenę w ciągu sekundy, a nie dni. Współczynnik dokładności jest również bardzo wysoki, ponieważ im lepiej potrafisz przewidzieć wartość domu, tym bardziej możesz pomóc klientom w planowaniu finansowym. Asystent brokera ma również dużą wartość, ponieważ przyspiesza czas odpowiedzi dla klientów i oszczędza brokerom odpowiedzi na proste pytania, pomagając im skoncentrować się na działaniach, które mogą zrobić najlepiej. Współczynnik dokładności nie jest jednak zbyt wysoki, ponieważ brokerzy są już całkiem dobrzy w odpowiadaniu na pytania klientów. Oceńmy teraz Twoją gotowość . Masz już zdjęcia pomieszczeń do zbudowania klasyfikatora zdjęć pomieszczeń. Ponadto technologia nie jest szczególnie trudna do zbudowania i można ją nawet kupić od dostawców zewnętrznych. Z drugiej strony przetestowanie go wymaga trochę połączenia między modelem a obecną platformą. W przypadku predyktora ceny domu masz już wszystkie dane jakie potrzebujesz. Jest to również podstawowy projekt danych biznesowych z dobrze ustrukturyzowanymi danymi, który nie niesie ze sobą wielu wyzwań technicznych i nie wymaga szalonych talentów technologicznych (w następnej części nauczysz się lepiej oceniać złożoność projektu). Aby to przetestować, musisz również podłączyć swoją witrynę do swojego modelu (lub innego sprytnego hacka - poczekaj na następną sekcję). Asystent brokera jest najbardziej skomplikowany do zbudowania, ponieważ jak nauczyłeś się z części 5, dane tekstowe są najtrudniejsze ze wszystkich typów danych. Możesz mieć do tego pewne dane, a testowanie można wykonać za pomocą platformy Facebook essenger. Jeśli w fazie Wynalazków wymyśliliśmy listę projektów, w fazie Priorytetyzacji zbudowaliśmy najpierw wiedzę o ich potencjale na podstawie ich skali i współczynników dokładności, a następnie posortowaliśmy je w oparciu zarówno o potencjał, jak i Twoją gotowość do jego wdrożenia . Teraz wiemy, że predyktor ceny domu jest najlepszym projektem, na którym można się teraz skupić, ponieważ ma duży potencjał i jesteśmy również gotowi go zbudować niż wszystkie inne. Zobaczmy teraz, jak możemy go zweryfikować i zacząć go budować.

    Walidacja: Analiza ryzyka

    Dwa główne typy zagrożeń mogą osłabić powodzenie projektu AI: zagrożenia biznesowe i technologiczne. Zobaczmy, co każdy z nich oznacza. Zagrożenia biznesowe są związane z wartością i użytecznością nowego produktu lub usługi opartej na sztucznej inteligencji w oczach klientów. Nawet jeśli Twój produkt ma niesamowitą technologię, niekoniecznie oznacza to, że ludzie go potrzebują lub chcą z niego korzystać. W kontekście naszego predyktora ceny domu istnieje wiele potencjalnych zagrożeń dla jego sukcesu biznesowego. Na przykład możliwe jest, że klienci albo tego nie chcą, albo im nie ufają. W obu przypadkach nie użyją go, bez względu na to, jak świetna jest Twoja technologia. Pamiętaj, że posługujemy się dość szeroką definicją klienta. Załóżmy, że budujesz wewnętrzne narzędzie dla swojej organizacji; na przykład algorytm, który pomaga działowi oceny jakości w fabryce. W takim przypadku pracownicy tego działu mogą być uważani za klientów i jako klienci "zewnętrzni" mogą, ale nie muszą, uznać Twój nowy produkt za przydatny. Zagrożenia technologiczne są związane z wydajnością modeli AI i tym, co mogą one zapewnić Twoim klientom. Znasz już koncepcję dokładności modelu ML oraz fakt, że żadne zastosowanie ML nie jest doskonałe. Wielkość i charakter błędów popełnianych przez algorytm ML może być akceptowalny lub nie, w zależności od konkretnej aplikacji. Na przykład aplikacje krytyczne dla bezpieczeństwa, takie jak automatyka przemysłowa, mają bardziej rygorystyczne wymagania dotyczące dokładności niż większość aplikacji mobilnych. Dobrym podejściem do zmniejszenia ryzyka wdrożenia jest spojrzenie na potencjalne zagrożenia tak, jakby były szeregiem założeń, które muszą być spełnione, aby projekt odniósł sukces. Rozwijając projekt AI, wymieniaj wszystkie założenia biznesowe i techniczne, które musisz poczynić. Dla naszego predyktora ceny domu takie założenia wyglądałyby tak:

    Założenia biznesowe:

    •  Klientom zależy na szybkim oszacowaniu wartości swojego domu.
    •  Klienci ufają automatycznym szacunkom cen i są gotowi postawić swoje finanse na swoich wynikach, bez względu na to, jak dokładne są one technicznie.

    Założenia technologiczne:

    •  Posiadamy odpowiednie dane do zbudowania modelu i możemy je aktualizować w miarę upływu czasu.
    •  Dokładność modelu jest na tyle wysoka, że jego oszacowania mogą być przydatne.

    Ponieważ często istnieje sposób na obejście przeszkód technologicznych, sugerujemy najpierw przetestowanie założeń biznesowych. Nie ma rozwiązania dla produktu, którego nikt nie chce. Istnieją sposoby testowania hipotez biznesowych przed napisaniem dowolnej linii kodu lub zebraniem dowolnego bajta danych. Na przykład możesz dodać przycisk oznaczony jako Uzyskaj wycenę dla swojego domu w 5 minut i przekierować zapytania do pośredników. Możemy nazwać tę strategię walidacji concierge AI: wykorzystujesz ludzi do testowania atrakcyjności nowej funkcji, którą zamierzasz wdrożyć za pomocą sztucznej inteligencji. Ma to być rozwiązanie tymczasowe, które nie będzie skalowane do milionów użytkowników, ale możesz go użyć do pomiaru zainteresowania klientów na małej próbce potencjalnych użytkowników. Jeszcze prostszym testem, który można uruchomić, jest wstawienie fałszywego przycisku z napisem Uzyskaj natychmiastową wycenę dla swojego domu, który przekierowuje użytkowników na prostą stronę internetową z napisem "Przepraszamy, ta funkcja będzie wkrótce dostępna" lub "W trakcie konserwacji". Możesz wypróbować tę sztuczkę z kilkoma użytkownikami i policzyć, ilu z nich kliknie przycisk przynęty. Fałszowanie funkcji nie jest idealne, ale pozwala zweryfikować potencjał projektów AI w ciągu dni (i praktycznie bez budżetu), a nie miesięcy. Wynik takiego testu może być pozytywny lub negatywny. Jeśli mnóstwo użytkowników klika Twój przycisk Uzyskaj wycenę w 5 minut, czas przejść do treści następnego rozdziału i rozpocząć tworzenie tej funkcji! W tym przypadku wizja AI, którą przedstawił nasz menedżer ds. Marketingu, wydaje się owocna: jest miejsce na przekształcenie Twojej platformy nieruchomości w pełnoprawnego konsultanta finansowego w zakresie inwestycji w nieruchomości. Możliwe też, że wyniki są negatywne. Jeśli nie wystarczająca liczba osób wykazuje zainteresowanie nową funkcjonalnością, być może nikt nie czuje, że potrzebuje błyskawicznych oszacowań wartości domu. W tym przypadku nie rozpaczaj: Twoje eksperymenty przed produktem pozwoliły Ci zaoszczędzić mnóstwo pieniędzy i czasu na budowanie czegoś, czego nikt nie chciał. Oznacza to, że wizja AI kierownika ds. marketingu musi zostać przestawiona na coś innego i możesz rozpocząć pracę nad kolejnym projektem AI; w naszym przypadku klasyfikator obrazu pokoju. Załóżmy, że testujesz klasyfikator obrazu pokoju i jest to ogromny sukces. Jego wprowadzenie nauczyło Cię, że klienci rzeczywiście przywiązują dużą wagę do przyjemnego korzystania z aukcji. Uzbrojony w tę dodatkową wiedzę, możesz skoncentrować się na stworzeniu platformy do obsługi nieruchomości zapewniającej płynne wrażenia użytkownika. Zanim zaimplementujesz i wydasz tę funkcję, będziesz mógł przejść do przyszłych projektów, mając pewność, że wszystkie te projekty AI mają miejsce w ogólnej wizji AI. Rysunek 7.5 pokazuje, w jaki sposób ten przepływ eksperymentów i lekcji może pomóc Ci skupić się na wizji AI. Oczywiście to tylko uproszczony przykład. Rzeczywisty świat to bardziej bałagan, z mnóstwem nieudanych prób i drapaniem się po głowie na każdym kroku. Jednak główny punkt nadal pozostaje niezmieniony: większość odnoszących sukcesy firm opartych na sztucznej inteligencji nie zaczynała od kompletnej strategii, ale raczej łączyła kropki, dopóki nie pojawiła się ich misja AI. Jeśli chcesz wykorzystać sztuczną inteligencję jako technologię transformacyjną, musisz również zmienić swój sposób myślenia. Zachęcamy każdą organizację, małą lub dużą, do przyjęcia sposobu myślenia opartego na eksperymentach opartych na danych i do stopniowego inwestowania w sztuczną inteligencję, ucząc się na podstawie każdego projektu i tworząc swoją wizję po drodze. Najlepszym sposobem, aby to zrobić, jest początkowo skupienie się na projektach AI i próba uczenia się od każdego z nich. Jeśli uważnie słuchasz, same projekty wskażą Ci, dokąd powinna zmierzać Twoja wizja AI, i staną się elementami składowymi Twojej wizji. Zagłębianie się w metodologie eksperymentowania z produktami wykracza poza zakres tej książki, ale wiele zasobów można znaleźć w Internecie lub w innych książkach na ten temat. Dobrym miejscem do rozpoczęcia jest The Lean Startup Erica Riesa lub cokolwiek Steve′a Blanka. To, z czym chcemy Cię zostawić, to pomysł, że nie ma darmowego lunchu, jeśli chodzi o opracowywanie nowych produktów, nawet jeśli korzystasz z zaawansowanej technologii, takiej jak sztuczna inteligencja. Jeśli nie przetestowałeś swoich założeń biznesowych, a Twój pomysł jest błędny, nawet najpotężniejsza sztuczna inteligencja Cię nie uratuje. Po przetestowaniu założeń biznesowych nadszedł czas, aby przekształcić swój pomysł w projekt ML. To właśnie zrobimy.

    Dekonstrukcja produktu AI

    Załóżmy, że nasza firma zajmująca się nieruchomościami potwierdziła pomysł zbudowania bota, który usprawni interakcję między użytkownikami a platformą. Chodzi o to, aby platforma wyglądała jak pośrednik z krwi i kości, dzięki czemu możesz zadawać pytania typu "Jakie są domy z trzema sypialniami w dzielnicy finansowej na Manhattanie?" i może otrzymać wyselekcjonowaną listę wyników, tak jak zrobiłby to ludzki broker. To prawie Siri firmy Apple dla nieruchomości. Ponieważ zweryfikowałeś pomysł, nadszedł czas, aby porozmawiać z kilkoma ekspertami AI, aby zbudować produkt. Oto jak potoczyłaby się hipotetyczna rozmowa w tym przypadku:

    Manager: Hej, John, chcemy zbudować Siri dla nieruchomości. Czy to możliwe?
    Data scientist (John): Brzmi fajnie, ale potrzebuję więcej informacji. Jakie są dane wejściowe?
    Menedżer: Nasi użytkownicy będą rozmawiać bezpośrednio z naszą aplikacją lub stroną internetową i uzyskać ładnie zaprezentowane wyniki.
    John: Hmm, to oznacza, że danymi wejściowymi jest mowa, a danymi wyjściowymi może być . . . byle co?
    Menedżer: Tak, wejście to mowa, a wyjście to odpowiedź na pytanie użytkownika. Wiemy, że NLP jest trudne, więc pomyśleliśmy, że możemy zmniejszyć złożoność, zmniejszając głębokość tej aplikacji: ta funkcja pomoże użytkownikom wyszukiwać domy i nic więcej. Na razie.
    John: OK, to pomaga, ale myślę, że mówimy tutaj o dwóch różnych projektach AI.
    Kierownik: Co masz na myśli?
    John: Cóż, nie możemy bezpośrednio przetwarzać dźwięku i wymyślać odpowiedzi; jest krok pośredni. Najpierw musimy dokonać transkrypcji dźwięku na tekst; jest to ogólna aplikacja o nazwie mowa na tekst. Następnie, po otrzymaniu pytania użytkownika w postaci zwykłego tekstu, musimy zrozumieć intencję. Tę aplikację można nazwać klasyfikacją tekstu aplikacji lub wykrywaniem zamiarów. Jest to wykonalne, ale musi zostać podzielone na dwie części.

    Przygotowanie projektu AI do przeanalizowania przez zespół techniczny może nie być tak proste, jak się spodziewasz. Podobnie jak w niektórych naszych przykładach, wiele problemów, które można rozwiązać za pomocą sztucznej inteligencji, jest stosunkowo prostych i można je opisać jako jeden pomysł. Na przykład model przewidywania ceny domu to pojedynczy produkt. W innych przypadkach cel końcowy jest bardziej złożony i wymaga dalszego rozbicia, zanim będziemy mogli mówić o przetłumaczeniu go na warunki przyjazne dla ML. W tym przypadku nasz menedżer dowiaduje się, że jego projekt AI to tak naprawdę suma dwóch dobrze oddzielonych algorytmów ML. Teraz nauczymy Cię, jak zrozumieć, czy Twój projekt AI jest kombinacją kilku algorytmów ML. Weźmy jako przykład coś, z czego możesz korzystać na co dzień: asystent głosowy, taki jak Siri firmy Apple. Powiedz to , że chcemy, aby nasz osobisty asystent robił tylko dwie rzeczy: dzwonił do ludzi i wysyłał wiadomości. Dzięki temu, czego nauczyłeś się w tej książce, wiesz, że pierwszą rzeczą, jaką należy zrobić, aby rozwiązać każdy problem związany z ML, jest zastanowienie się nad związanymi z nim danymi. W naszym przypadku danymi wejściowymi jest głos osoby korzystającej z asystenta, nagrany przez mikrofon. Wyjściem jest akcja wykonywana przez telefon: wysyłanie wiadomości lub dzwonienie do określonej osoby. Tradycyjne oprogramowanie zajmie się wykonaniem działania: jedyne, co musimy osiągnąć, to użyć mowy, aby zdecydować, jakie działanie podjąć. Zasadniczo to, co opisujemy, jest problemem nadzorowanej klasyfikacji: wejście to dane audio, a wyjście to klasa. Jakie byłyby zajęcia? Teoretycznie powinieneś mieć zajęcia takie jak "wyślij wiadomość do Marca", "zadzwoń do Marca", "wyślij wiadomość do Marca", "odpowiedz Marc" i "oddzwoń do Marca" dla każdej osoby na liście kontaktów. Brzmi trochę szalenie, prawda? Problem polega nie tylko na tym, że mamy wiele klas, ale także na tym, że bezpośrednie mapowanie plików audio do klas jest niezwykle trudne. W rzeczywistości, jeśli spróbujesz zapamiętać wszystkie aplikacje, które omówiliśmy w tej książce, nie ma nic takiego. Zobaczmy, co się stanie, jeśli podzielimy problem na mniejsze kroki, korzystając z technologii opisanych w tej książce i zaczynając od danych wejściowych. Omówiliśmy dane audio w rozdziale 3, w którym powiedzieliśmy, że można wykorzystać głębokie zarabianie do budowy systemów rozpoznawania mowy, przekształcając dane audio w tekst. Ta technologia jest dość solidna i dojrzała, szczególnie dla najpopularniejszych języków, takich jak angielski i hiszpański, oraz dla native speakerów (my, autorzy, wciąż mamy problemy z zrozumieniem przez Siri z naszymi włoskimi odmianami). Oznacza to, że możemy być całkiem pewni, że jeśli nasz użytkownik powie "tekst Marc", możliwe jest zbudowanie systemu, który pobiera ten głos i transkrybuje go na słowa pisane. Po tym kroku dane wejściowe, z którymi mamy do czynienia, ulegają zasadniczej zmianie: pracujemy teraz z danymi tekstowymi, a nie z dźwiękiem. Nadal musimy zrozumieć, czy użytkownik chce zadzwonić lub wysłać SMS-a i z kim chce się komunikować. Pozostańmy przy naszym podejściu do rozbicia problemu na jego podstawowe elementy i skupmy się na pierwszej części. Chcemy zbudować coś, co przypisuje pisemne zdanie do jednej z dwóch czynności: dzwonienia lub wysyłania SMS-ów. Kiedy omówiliśmy dane tekstowe w rozdziale 5, obszernie opisaliśmy, jak używać ML do klasyfikowania fragmentu tekstu na klasy. W tym przypadku możemy trenować model ML z dziesiątkami zdania i etykiety takie jak:

    "Zadzwoń do Marca" -> zadzwoń
    - Czy możesz wysłać wiadomość do Marca? -> tekst
    "Odpowiedz Marc" -> tekst
    "Oddzwoń Marc" -> zadzwoń
    "Tekst Marc" -> tekst

    Jak pamiętasz z części 5, nawet jeśli istnieją dziesiątki lub setki sposobów wyrażenia tej samej intencji, osadzanie słów znacznie upraszcza naszą pracę i pozwala nam rozwiązać to zadanie. Oto, gdzie jesteśmy teraz: wiemy, jakie działanie chce wykonać użytkownik, i pozostajemy ze zrozumieniem, którą osobę wybrać z listy kontaktów. Jest to dość łatwe i nie jest zadaniem ML. Ponieważ mamy transkrypcję tego, co powiedział użytkownik, możemy po prostu sprawdzić wszystkie słowa, które wymawiane i przejrzyj ich kontakty. Gdy znajdziemy nazwę pasującą do wypowiedzi użytkownika, wiemy, do kogo wysłać SMS-a lub zadzwonić. Jak widać, problem, który wydawał się niemożliwy, może stać się łatwy po podzieleniu go na małe zadania, z których każde zostanie rozwiązane za pomocą połączenia uczenia maszynowego i tradycyjnej inżynierii oprogramowania. Możesz postępować zgodnie z tym samym procesem, aby rozbić jeszcze więcejzłożonych projektów. W naszym następnym przykładzie weźmiemy przytłaczający przypadek: zbudowanie autonomicznego samochodu. Wyobraźmy sobie kroki, które podjąłbyś jako człowiek, aby prowadzić samochód z podwórka w San Francisco do Los Angeles i zrozum, z czym musi sobie radzić kierowca komputera. Gdy usiądziesz na siedzeniu kierowcy, zaczniesz łamać kroki, aby dotrzeć do celu: wyjdź z garażu, wjedź na autostradę, wybierz stację radiową, postaraj się nie nudzić przez kilka godzin, a na koniec zatrzymaj się na podjeździe znajomego w LA. Zanim dotrzesz do celu, wszystkie te nadrzędne cele muszą zostać rozbite dalej: w które ulice skręcić, który pas wybrać i tak dalej. Oprócz tego będziesz musiał przestrzegać przepisów ruchu drogowego i zwracać uwagę na to, co robią inni kierowcy, aby nie spowodować wypadku. Ta intuicja będzie pomocna w rozpoczęciu rozkładania systemu AI w celu uzyskania autonomicznej jazdy. Wyznaczanie tras drogowych tak naprawdę nie wymaga komponentów AI, ponieważ możemy po prostu ponownie wykorzystać te same algorytmy nawigacyjne, które są używane w Mapach Google. Z drugiej strony, w komponencie percepcji będzie dużo uczenia maszynowego, którego zadaniem jest ustalenie, gdzie piesi, rowerzyści i inne samochody znajdują się w stosunku do samego pojazdu. Ponieważ jednymi z najczęściej używanych czujników w samojezdnych samochodach są kamery, naturalnym wyborem jest zastosowanie głębokiego uczenia do klasyfikacji obrazów i modeli lokalizacji obiektów (jak wyjaśniliśmy w rozdziale 4). W przypadku tego komponentu danymi wejściowymi są obrazy przechwycone z przednich i bocznych kamer zamontowanych na samochodzie, a dane wyjściowe to lokalizacje pobliskich obiektów. Zrozumienie, że na ulicy są samochody i piesi, nie wystarczy; musisz także przewidzieć, co zrobią inni uczestnicy drogi, aby autonomiczny samochód mógł podejmować najlepsze i najbezpieczniejsze decyzje. Na przykład, oprócz wiedzy, że piesi są na chodniku, chcesz również, aby sztuczna inteligencja pomogła Ci przewidzieć, czy przechodzą przez ulicę i zwalniają dla bezpieczeństwa. To zadanie ML jest nieco bardziej egzotyczne niż poprzednie (klasyfikacja obiektów wokół pojazdu), więc zobaczmy, jak ujęlibyśmy je w kategoriach ML. Nie jesteśmy nawet pewni, czego chcemy od modelu: czy wystarczy prosta klasyfikacja, taka jak "prawdopodobnie się poruszy" i "mało prawdopodobne, że się poruszy", czy też model będzie musiał również przewidzieć kierunek ruchu ? Oba wybory są prawidłowe (a prawdziwy projekt prawdopodobnie uruchomiłby oba), ale ten drugi jest bardziej użyteczny - kosztem większej złożoności i danych szkoleniowych. Z punktu widzenia danych wejściowych najistotniejszymi bitami są prawdopodobnie lokalizacja (miasto lub autostrada), otoczenie (przejście uliczne, chodnik, wejście do biura) oraz rodzaj podmiotu (pieszy, rowerzysta lub pojazd). Wszystkie te informacje zasilają element decyzyjny, który decyduje o tym, jak bezpiecznie poruszać się w ruchu w kierunku celu. Na przykład, nawet jeśli samochód musi skręcić w lewo, aby wjechać na autostradę, powinien się poddać, jeśli pas jest zajęty, a nagły manewr spowodowałby wypadek. Prawdopodobnie najbardziej sensowne jest wdrożenie modułu decyzyjnego jako połączenia konwencjonalnej inżynierii oprogramowania i uczenia maszynowego. Dzieje się tak, ponieważ niektóre zasady są surowe i szybkie (czerwone światło oznacza "zatrzymaj się"), podczas gdy wiele innych zachowań jest bardziej zniuansowanych (twarde hamulce są niebezpieczne, gdy samochód jedzie na tylnym siedzeniu). Wreszcie, decyzje dotyczące zachowań na drodze, takie jak skręcanie w prawo lub zatrzymywanie się na światłach, muszą zostać zamienione na działania na kierownicę i gaz, które faktycznie wprawiają samochód w ruch (i zatrzymuje się!). To zadanie nie pasuje do uczenia maszynowego, ponieważ mamy precyzyjne reguły matematyczne, które wyrażają, jak mocno hamowanie powinno opierać się na drodze hamowania, wadze pasażerów i tak dalej. Oznacza to, że ten komponent jest głównym kandydatem do konwencjonalnej inżynierii oprogramowania. Opis oczywiście nie jest wyczerpujący, ale rozbicie takiego złożonego projektu pomaga zrozumieć, w jaki sposób konwencjonalna inżynieria i uczenie maszynowe mogą najlepiej się uzupełniać. Nawet najbardziej beznadziejnie skomplikowane problemy można rozwiązać, jeśli poświęcisz czas na przeglądanie danych, które potencjalnie możesz wykorzystać jako dane wejściowe, a wyniki określisz jako mierzalną wartość. Teraz autonomiczne samochody są rodzajem projektu księżycowego, który jest niezwykle zaawansowany technologicznie i ma pewne wymagania, z którymi tak naprawdę nie możemy się spierać: autonomiczny samochód musi jeździć co najmniej tak bezpiecznie, jak ludzki kierowca, kropka . Kiedy tłumaczysz możliwość biznesową na jeden lub więcej projektów ML, zwykle masz znacznie większą swobodę w definiowaniu granic swojego projektu ML. Na przykład w przypadku naszego początkowego "Siri dla nieruchomości" można było łatwo zdecydować się na przekształcenie doświadczenia użytkownika z mowy na tekst; zamiast zmuszać ludzi do rozmowy z Twoją platformą, mogą pisać zapytania w języku naturalnym. Może to dać użytkownikom większość oczekiwanej wartości, całkowicie anulując połowę projektu AI (nie musisz budować żadnej zamiany mowy na tekst technologia już!). Zaczynając od pomysłu na projekt AI, w tej sekcji nauczyłeś się, jak podzielić go na mniejsze podkomponenty, które można rozwiązać indywidualnie. Kolejna sekcja dopełnia tego przygotowanie pracy poprzez pokazanie, jak opracować przyjazny dla inżyniera opis każdego z tych elementów.

    Przetłumaczenie projektu AI na warunki przyjazne dla ML

    W poprzedniej sekcji nasz analityk danych John pomógł nam odkryć, że projekt AI "Siri dla nieruchomości" był bardziej złożony, niż sądziliśmy. Następnie dowiedzieliśmy się, że ważne jest, aby podzielić projekty AI na minimalne komponenty technologiczne, aby mogły być jednym wysiłkiem technologicznym. Wyobraźmy sobie kolejną rozmowę z Johnem, tym razem przedstawiającą prostszy predyktor ceny domu:

    Lider AI: Hej John, niedawno przetestowaliśmy nową funkcję na naszej stronie internetowej: predyktor ceny domu. Zasadniczo użytkownicy wprowadzają informacje o swojej nieruchomości, a my natychmiast podajemy im szacunkową cenę. Przeprowadziliśmy ograniczony test z ludzkimi brokerami, którzy wrócili po 10 minutach, i ludzie to pokochali. Teraz chcielibyśmy zbudować sztuczną inteligencję, aby zrobić to w kilka sekund.
    John: Brzmi ekscytująco! Więc zmienną, którą musimy przewidzieć, jest cena, za jaką dom zostanie sprzedany, prawda?
    Lider AI: Dokładnie.
    John: Na podstawie czego? Czy masz ogólne pojęcie o tym, jakich funkcji powinniśmy użyć w naszym modelu ML?
    Lider AI: Tak, przeprowadziliśmy wywiady z naszymi najbardziej doświadczonymi brokerami i wymieniliśmy wszystko, co biorą pod uwagę podczas wykonywania tego zadania. Niektóre funkcje są proste, na przykład metry kwadratowe i liczba sypialni. Niektóre są bardziej złożone, jak bliskość transportu publicznego, reputacja okolicy i tak dalej. Mogę podzielić się z wami sprawozdaniem ze wszystkiego, co powiedzieli.
    John: Wygląda na to, że mamy dobry początek. Najlepszą rzeczą do zrobienia, aby zbudować ten model, jest wykorzystanie przeszłych transakcji. W ten sposób model ML dowie się, za jakie realne ceny są sprzedawane domy. Czy mamy taki zbiór danych?
    Lider AI: Tak, sprawdziłem już w IT. Informacje o transakcjach zbieramy od sześciu lat. Mamy setki tysięcy zarejestrowanych transakcji.
    John: Myślę, że możemy z tego zbudować coś wspaniałego. Czy wiemy już, jakie wyniki powinniśmy osiągnąć, aby projekt uznać za udany?
    Lider AI: Szacujemy, że użytkownicy zaakceptują prognozę, która jest ą 3% od rzeczywistej ceny.

    Zwróć uwagę, jak ładnie przebiega ta rozmowa. To, co sprawia, że jest to tak produktywne, to fakt, że nasz lider AI odrobił pracę domową: wiedzieli już, czego zespół ds. analityki danych będzie od nich potrzebował, aby zbudować ten projekt AI, i przeprowadzili wstępną analizę. To najlepsze składniki do płynnej współpracy pomiędzy ludźmi biznesu i technologii. Kiedy nie jesteś osobą kodującą algorytmy AI, łatwo zapomnieć, jak one działają i skończyć w bezowocnych rozmowach z inżynierami, marnując czas i denerwując się. Aby dać ci wyobrażenie, są to złe punkty wyjścia dla projektów AI, które sprawiłyby, że każdy zespół techniczny by się kulił:

    "Wykorzystamy dane internetowe, aby przewidzieć, co ludzie kupią".
    "Wykorzystamy dane naszych klientów, aby znaleźć najlepsze".
    Właściwie przeformułujmy. Te pomysły nie są błędne; są po prostu zbyt niejasne. Mogą dobrze pasować do materiałów marketingowych, ale sprawią, że każdy analityk danych westchnie, ponieważ nie przynoszą żadnych przydatnych informacji o technologii. Ogólnie możemy powiedzieć, że są to cechy, które powinna posiadać każda aplikacja AI:

    •  Obiektywny i dobrze zdefiniowany wynik
    •  Jeden lub więcej zbiorów danych, które łączą dane wejściowe i wyjściowe
    •  Wymierny, dobrze zdefiniowany wskaźnik sukcesu

    Osoby techniczne, które są zaznajomione z ML, są przyzwyczajone do myślenia w tych kategoriach i zwykle mogą bez wysiłku sformułować problem ML poprawnie, biorąc pod uwagę te kluczowe punkty. Jednak z naszego doświadczenia zauważyliśmy, że osoby nietechniczne mogą czasami pogubić się w procesie i skorzystać z niewielkiej pomocy w uporządkowaniu swojego myślenia. Z tego powodu zaprojektowaliśmy Płótno Ramowe przedstawione na rysunku: pięciostopniowe narzędzie, które wypełniasz informacjami o projekcie, nad którym pracujesz. Poprowadzi Cię przez wszystkie elementy potrzebne do rozpoczęcia projektu AI o odpowiednim zakresie.



    Aby przeprowadzić Cię przez koncepcje Płótna Ramowego, ponownie wybierzemy dwa studia przypadków i przykład z części 1 i przejrzymy je przez pryzmat Płótna. Pierwsza sekcja to Twój cel biznesowy . Cele biznesowe trzech projektów, których będziemy używać w tej sekcji, są następujące:

    •  Zmniejszenie churnu klientów - omówiliśmy przykład w części 3, w którym rozważaliśmy model, który identyfikuje klientów, którzy zamierzają anulować subskrypcję (na przykład abonament telefoniczny).
    •  Poprawa wydajności naszych systemów chłodzenia centrum danych - w studium przypadku na końcu części 2 firma Google zastosowała nadzorowane uczenie się, aby obniżyć rachunki za energię o 40%.
    •  Zmierz się z rynkiem pożyczek dla małych firm, oferując pożyczki następnego dnia małym firmom - tak jak w przypadku Square Capital opisanym w części 2.

    W przypadku każdego celu biznesowego ważne jest, aby pamiętać o jego kluczowym wskaźniku wydajności , który jest wskaźnikiem ilościowym używanym do oceny jego sukcesu. Pierwszym krokiem jest znalezienie parametru, który będzie używany do śledzenia ROI projektu. W przypadku tych trzech projektów trzy KPI mogą wyglądać następująco:

    •  Wskaźnik odpływu klientów (miesięczny lub roczny)
    •  PUE (efektywność zużycia energii, parametr oceniający efektywność energetyczną centrum danych)
    •  Odsetek zidentyfikowanych kwalifikujących się małych firm

    Teraz musimy ustalić próg akceptacji dla każdej z tych zmiennych. Innymi słowy, musimy określić wartość dla każdego KPI, która reprezentuje minimalną akceptowaną wydajność, poniżej której produkt nie jest gotowy do wysyłki. Punktem wyjścia może być rozwiązanie status quo: spójrz na swoje obecne rozwiązanie problemu, zmierz jego wydajność na podstawie zidentyfikowanego KPI i uznaj to za próg. Jeśli wprowadzasz nowy produkt lub usługę, możesz przeprowadzić obliczenia korzyści finansowych, które określą rodzaj wydajności, której potrzebujesz, zanim model zacznie mieć sens finansowy.
    Kolejną ważną kwestią jest to, że musisz wybrać sposób mierzenia swojego KPI. Rozmawialiśmy o różnych kluczowych wskaźnikach i o tym, jak fałszywe alarmy lub fałszywe alarmy mogą mieć bardzo różne konsekwencje dla Twoich klientów. Załóżmy, że opracowujesz system sztucznej inteligencji, który przetwarza skany mózgu i diagnozuje obecność guza. Oczywiście fałszywie dodatni i fałszywie ujemny w tej sytuacji nie mają tej samej wagi: fałszywie dodatni wynik spowoduje, że pacjent przejdzie dodatkowe badania, które nie były wymagane, a fałszywie ujemny oznacza, że chory pacjent jest omyłkowo odesłany do domu co daje znacznie poważniejsze konsekwencje. Fałszywie pozytywne i fałszywie negatywne również mają inną wagę w mniej tragicznych sytuacjach. Na przykład, jeśli wrócimy do naszych trzech przykładów, zarówno nasz predyktor rezygnacji, jak i estymator kwalifikowalności pożyczki wymagają od nas głębokiego zastanowienia się nad tym, dla którego metryki chcemy zoptymalizować. W przypadku predyktora rezygnacji mówiliśmy już o różnicy między fałszywym negatywnym (użytkownik oznaczony przez algorytmy ML jako "OK", ale który faktycznie opuści twoją usługę) a fałszywie pozytywnym (użytkownik oflagowany przez algorytm ML jako "zagrożony", ale kto właściwie jest w porządku). W pierwszym przypadku stracisz szansę na zatrzymanie klienta, podczas gdy w drugim przypadku podejmiesz działania, których mogłeś uniknąć. Koszt wiąże się zarówno z błędami, jak i znalezieniem równowagi w sposób w jaki należy zdecydować, który jest Twoim najlepszym KPI. To samo dotyczy algorytmu kwalifikowalności pożyczki. W tym przypadku, jeśli mamy fałszywy alarm, dajemy pieniądze firmie, która nie spłaci pożyczki, a to jest dla nas koszt. Fałszywie negatywny oznacza, że odmawiamy pożyczki małej firmie, która faktycznie by nam spłaciła, co stanowi dla nas okazję do poniesienia kosztów (i straconą szansę dla naszego klienta). Również tutaj możesz policzyć i znaleźć idealne miejsce między obydwoma błędami, które będą reprezentować Twój KPI. Dla celów argumentacji załóżmy, że są to wskaźniki, które uznajemy za akceptowalne dla naszych trzech przykładów zabawek:

    •  Przypomnij więcej niż 90%
    •  Przewidywanie w granicach ą3% rzeczywistego PUE 95% czasu
    •  Precyzja wyższa niż 95%

    Blok wyjściowy ML w lewej kolumnie rysunku to miejsce, w którym ML pojawia się w równaniu. Tutaj musisz dokładnie określić, co ML ma zrobić, aby pomóc Ci osiągnąć swoje cele. Wracając do naszych trzech przykładów, oto potencjalne wybory dla trzech projektów, nad którymi pracujemy:

    •  Przewidujemy prawdopodobieństwo rezygnacji dla każdego klienta.
    •  Przewidujemy przyszłą wydajność systemów chłodzenia.
    •  Ocenimy zdolność kredytową każdego klienta.

    Gdy już wiesz, co zapewni Twój algorytm ML w celu zbudowania aplikacji, możesz zacząć myśleć o jego danych wejściowych ML . W pierwszej części książki nazwaliśmy je cechami. Pamiętaj, że dobrym punktem wyjścia do wymyślenia odpowiednich funkcji jest zadanie sobie pytania "Jakich informacji potrzebowałbym, gdybym musiał przejąć pracę algorytmu?" Ta lista może nie być wyczerpująca i zawsze możesz dodawać (lub usuwać) elementy, zwłaszcza z pomocą analityka danych lub po zdobyciu doświadczenia z modelem. Jednak wypełnienie pierwszego szkicu tych funkcji daje punkt wyjścia, aby upewnić się, że projektujesz coś, co można zbudować i które będzie zrozumiałe dla programistów. Oto kilka przykładów, jak wypełnić te pola poprzednimi przykładami:

    •  Wykorzystanie produktu, dane demograficzne, rodzaj subskrypcji
    •  Temperatura zewnętrzna, wilgotność, ciśnienie wody, obciążenie centrum danych
    •  Przepływy pieniężne, wielkość firmy, lokalizacja, branża

    Następnym i ostatnim krokiem jest zastanowienie się nad źródłami danych. W poprzednich dwóch krokach zidentyfikowałeś rodzaj informacji, z których model musi się uczyć; teraz nadszedł czas, aby zastanowić się, skąd wziąć te dane. Możesz mieć tyle źródeł danych, ile potrzebujesz, i możesz narysować wszystkie pola, które chcesz w kanwie, aby uwzględnić wszystkie źródła informacji, których zamierzasz użyć. Dla trzech przykładów, oto potencjalne odpowiedzi:

    •  Dla wyjścia, poprzedni klienci bez subskrypcji. Do danych wejściowych dane CRM.
    •  Dzienniki urządzeń centrum danych i dane pogodowe.
    •  Dane CRM, dane transakcyjne, dane z rynków finansowych.

    Płótno ramowe prowadzi Cię przez proces, w którym powstają jasno zdefiniowane specyfikacje ML, które możesz przekazać pracownikom technicznym w celu wdrożenia. W kolejnej sekcji przejdziemy przez praktyczne wdrożenia Płótna Ramowego w oparciu o studia przypadków, które przedstawiliśmy w części 1.