Внедрение ИИ: что нужно знать об обнаружении аномалий и обучении без учителя
15 декабря 2022 г.В этой статье я собираюсь обсудить тему внедрения ИИ. Я собираюсь рассказать о нескольких способах, с помощью которых организации и компании могут легче внедрить ИИ.
В частности, я собираюсь рассказать о двух областях машинного обучения, которые, как я считаю, могут быть очень легко интегрированы в существующие системы и инфраструктуры, независимо от отрасли или компании, и могут очень быстро повысить ценность.
Риски, связанные с внедрением ИИ
Одна из проблем, связанных с внедрением ИИ, заключается в том, что существуют значительные риски, из-за которых многие компании не решаются внедрять ИИ.
- Очевидно, что одним из основных рисков является риск найма. Если вы наймете не того человека или людей, вы понесете огромную трату времени и денег.
2. Другая проблема заключается в том, что компания может быть не готова к внедрению ИИ с точки зрения культуры. Если высшее руководство не купится на ИИ, а также средние слои, то очень маловероятно, что ИИ сможет работать хорошо.
И это одна из тем, которые я много обсуждал и говорил в своей работе, а также в своей книге Справочник по науке о данных для лиц, принимающих решения. И если у компании нет правильной культуры для ИИ, она, скорее всего, потерпит неудачу с внедрением ИИ. Таким образом, компании могут колебаться в отношении внедрения ИИ, и тогда это создает культуру страха, и проблема увековечивает себя.
Очевидно, что есть и другие риски, связанные с поломкой вещей, верно? Итак, если ваша компания существует уже 20 или 30 лет, возможно, вы используете некоторые устаревшие системы и перестраиваете эти системы таким образом, чтобы они могли интегрироваться с ИИ.
Говорим ли мы о продукте или так или иначе разрабатываем другую внутреннюю платформу, может не быть большого стимула для внесения этих изменений, потому что вы боитесь, что что-то сломаете.
Вот почему, если организация очень оборонительно относится к внедрению ИИ, очень важно начать с некоторых прецеденты, которые легко понять, их легко реализовать, а руководство, высшее руководство и руководство среднего звена могут легко понять и поддержать.
Вот почему, к сожалению, многие инициативы в области ИИ терпят неудачу; говорим ли мы о продуктах или услугах, потому что иногда поставщики услуг или разработчики продуктов предлагают идеи. Компании, которые могут показаться слишком далекими.
Возможно, оценка неясна, или внедрение этих технологий потребует значительных изменений в культуре или на уровне инфраструктуры компании.
Два типа технологий
Существует два типа технологий, которые, по моему мнению, могут очень легко повысить ценность без особых усилий. Вот эти две технологии:
Обнаружение аномалий
Термин "обнаружение аномалий" относится к классу методов и алгоритмов машинного обучения, которые используются для выявления точек, которые в определенном смысле являются необычными. Это точки, которые, кажется, не следуют обычным моделям поведения.
И особенность обнаружения аномалий в том, что она может быть очень полезна в таких случаях, как мошенничество, но также может использоваться в других областях, таких как производство. Вы можете использовать обнаружение аномалий, чтобы определить, ведет ли какая-то машина не так, как должно, и принять соответствующие меры.
n Возможно, эта машина вот-вот сломается, или аналогично в розничной торговле, может быть, вы хотите использовать обнаружение аномалий, чтобы обнаруживать всплески спроса или выявлять проблемы в цепочке поставок.
n Преимущество обнаружения аномалий заключается в том, что для интеграции с существующими системами требуется не так много. Во многих случаях вы можете просто взять данные такими, какие они есть, и очень просто ввести их в алгоритмы.
А все дело в том, что алгоритмы обнаружения аномалий требуют тонкой настройки, но не требуют обучения.
n Таким образом, одним из основных препятствий на пути использования ИИ во многих случаях является отсутствие того, что мы называем помеченными данными. Итак, это точки данных, которые имеют целевую переменную.
Итак, если мы говорим, например, об изображениях, то помеченные данные — это данные, которые были помечены как «это изображение человека», «это изображение животного» и так далее.
Таким образом, обнаружение аномалий не требует маркированных данных, а это означает, что его развертывание намного проще и быстрее, чем контролируемое обучение. Очевидно, что контролируемое обучение по-прежнему занимает лидирующие позиции с точки зрения приложений машинного обучения, но даже если оно является основным, его не всегда возможно использовать.
Вот почему обнаружение аномалий может быть таким мощным, если мы говорим о раннем внедрении ИИ
Обучение без учителя
По аналогии, второе семейство техник и методов, которые я хотел бы обсудить, — это обучение без присмотра. Обнаружение аномалий также можно рассматривать как подмножество неконтролируемого обучения.
Но неконтролируемое обучение также включает такие темы и методы, как кластеризация. А кластеризация — один из самых известных примеров и приложений науки о данных.
n Итак, например, сегментация пользователей — это очень известное приложение, да и практически любой другой вид сегментации.
И я считаю, что сочетание информационных панелей, которые могут помочь организации извлечь полезную информацию, и добавление некоторого базового неконтролируемого обучения и кластеризации на этой информационной панели может быть очень хорошим способом обучения управлению использованием ИИ и помочь им лучше. понять, как ИИ может повысить ценность организации.
n Опять же, преимущество использования неконтролируемого обучения заключается в том, что вам на самом деле не нужны размеченные данные, вам нужны только данные, которые тем или иным образом структурированы. Но очевидно, что в некоторых случаях вы также можете работать со структурированными данными, такими как текст, если они оцифрованы.
Но важно то, что, как и при обнаружении аномалий, вам не нужно тратить время на выравнивание случаев.
n Так что это очень важно, потому что вы можете получить полезную систему и в то же время вы можете получить лиц, принимающих решения в компании. Они могут привыкнуть к ИИ. И это, очевидно, поможет постепенному внедрению и улучшению понимания того, на что способен ИИ и как его можно использовать.
n Поэтому, если компания не склонна к риску в этом смысле, я думаю, что использование этих методов может стать очень хорошим способом начать внедрение ИИ.
Заключение. Лучший вариант внедрения ИИ
Есть много других способов внедрить ИИ. И в этой статье я имею в виду только два метода, которые могут использовать организации, не склонные к риску. Очевидно, что если организация хочет двигаться быстрее, то лучшим вариантом на сегодняшний день является обучение с учителем.
Оригинал