DI pagrįsta verslo analitika

Vadovai Lawrence S. Maisel, Robert J. Zwerling ir Jesper H. Sorensen teigia, kad DI, taikomas duomenų analizei, suteikia galimybę kurti įrankius, metodus ir verslo procesus, kurie leidžia įžvelgti modelius, ryšius ir tendencijas. Jų knygoje „AI-enabled analytics for business“ („DI pagrįsta verslo analitika“): pateiktos gairės, kaip tapti analitikos lyderiu, ir siūlomos rekomendacijos įmonėms, kaip diegti ir įgyvendinti DI įmonės duomenų analitikoje.

Dirbtinis intelektas (DI) buvo sukurtas prieš daugiau nei 75 metus. Matematikas Alan Turing tyrinėjo matematines DI galimybes ir teigė, kad „žmonės sprendžia problemas ir priima sprendimus remdamiesi turima informacija ir protu.“ Jei ši prielaida yra teisinga, mašinos taip pat gali tai daryti. Ši prielaida buvo pagrindas jo 1950 m. publikuoto straipsnio „Skaitmeninės mašinos ir intelektas“, kuriame jis aptarė, kaip sukurti intelektualias mašinas ir išbandyti jų intelektą.

Taigi, kas yra DI? Plačiąja prasme tai yra mašinos gebėjimas priimti sprendimus, kuriuos paprastai priima žmonės. Tačiau ką tai reiškia, kaip atrodo dirbtinis intelektas ir kaip jis pakeis mūsų gyvenimą ir visuomenę?

Visi žinome, kad anksčiau ar vėliau dirbtinis intelektas taps visų verslo subjektų dalimi. Tačiau , kada tai yra verslo dalis, visiškai priklauso nuo to, ką kiekvienas vadovas žino ir supranta apie DI ir analitiką. Ir čia glūdi praraja tarp pirmųjų naudotojų ir ir likusiųjų rinkos dalyvių.

Daugelis vadovų neturi aiškios vizijos, kaip jie įdiegs DI savo versle, padalinyje, grupėje arba departamente

DI taikymas dar tik pradedamas, nes projektai buvo labai tikslingai nukreipti tik į tam tikras organizacijų sritis ir tam tikras užduotis. Taigi, nors pažangiosios analitikos įtraukimo tendencijos yra teisingos, nesėkmių yra daug daugiau nei sėkmės atvejų. Gera žinia ta, kad DI ir analitikos nesėkmių galima išvengti.

Daugelis vadovų neturi aiškios vizijos ir nuomonės, kaip jie valdys savo verslą, padalinį, grupę arba departamentą, įdiegę analitikos ir dirbtinio intelekto technologijas. Yra vadovų, kurie mano, kad žino, ką reiškia DI diegimas, tačiau dažnai dirba remdamiesi netiksliai apibrėžtais terminais arba klaidingais įsitikinimais apie analitiką. Jie spontaniškai nusprendžia samdyti konsultantus ir įsigyti dirbtinio intelekto analitikos programinę įrangą, nesuprasdami, kaip analitika bus naudojama sprendimams priimti.

Valdybos ir vadovų posėdžių salėse dažnai skamba šūksniai: „Mes turime tiksliau prognozuoti“, „Kokie veiksniai daro įtaką mūsų verslui?“ ir „Turime elgtis išmintingiau“. Bet kaip iš tikrųjų tai padaryti? Daugelis vadovų skaitė daugybę konsultacinių ataskaitų apie „ką“, tačiau „kaip“ lieka neaišku, todėl pernelyg daug įmonių vėluoja diegti DI ir analitikos priemones.

DI ir mašininis mokymasis (ML): panašūs, bet skirtingi

Mes dažnai matome plačiai naudojamą frazę „DI ir mašininis mokymasis (ML)“ ir manome, kad šios technologijos yra neatskiriamai susijusios, tačiau, jos nėra vienodos. Bendroji DI koncepcija – tai tiesiog mašina, galinti priimti žmogaus priimamus sprendimus. Bet koks žmogaus priimamas sprendimas, kurį atlieka mašina, yra dirbtinis intelektas, o mašininis mokymasis (ML) yra vienas režimų arba poaibių. Todėl visi mašininiai mokymaisi (ML) yra DI, bet ne visi DI yra mašininiai mokymaisi.

Mašininis mokymasis (ML) naudoja algoritmus (matematinius modelius), kuriuos kompiuteriai naudoja tam tikrai užduočiai atlikti be aiškių instrukcijų, dažnai vadovaudamiesi šablonais ir išvadomis. Kita populiari DI forma yra neuroniniai tinklai, kurie yra labai pažangūs ir pagrįsti smegenų sinapsės struktūros atspindėjimu.

Mašininio mokymosi pradžiamokslis

Mašininis mokymasis (ML) yra technika ir technologija, kurios naudojimui ir diegimui šiandien reikalingos specialios žinios. Mašininis mokymasis (ML) yra dirbtinio intelekto variklis, dažnai naudojamas kartu su kitais įrankiais, kad ML rezultatus būtų galima panaudoti priimant sprendimus. Pavyzdžiui, tarkime, kad bankas nori padidinti paskolų kiekį, nedidindamas savo paskolų portfelio rizikos. Mašininis mokymasis (ML) gali būti naudojamas norint prognozuoti riziką, o rezultatai perkeliami į skaičiuokles, kad būtų galima pranešti apie naujas papildomas paskolų paraiškas, kurios dabar gali būti patvirtintos.

Dideli mašininio mokymosi (ML) projektai dažnai apima duomenų analitikų, programuotojų, duomenų bazių administratorių ir programų kūrėjų bendradarbiavimą (pageidaujamam rezultatui pasiekti). Mašininiam mokymuisi (ML) reikalingi dideli aukštos kokybės duomenų kiekiai, kad būtų galima „mokyti“ ML modelį, ir būtent dėl šio duomenų poreikio 8 iš 10 ML ir DI projektų stringa.

Nors mašininio mokymosi (ML) technologija yra populiari ir galinga, ji nėra lengva. Daugelis naujų programinės įrangos supaprastina mašininio mokymosi naudojimą, tačiau jis vis dar daugiausia yra skirtas duomenų analitikams. Prieš pradedant mašininio mokymosi projektą, reikia nustatyti jo „objektą“, t. y. tai, ką reikia išspręsti. Pavyzdžiui, tarkime, kad norime nuspėti, kurie mūsų elektroninės prekybos svetainės klientai tęs pirkimo procesą (palyginti su tais, kurie pasitrauks prieš mokėjimo už prekes etapą). Procese nuo objekto iki programinės įrangos įdiegimo yra daug etapų, įskaitant duomenų rinkimą ir paruošimą, algoritmo pasirinkimą ir jo programavimą, modelio mokymą, modelio testavimą ir įdiegimą. Bet kokia nesėkmė bet kuriame etape reiškia, kad reikės iš naujo nustatyti ir (arba) iš naujo pradėti procesą nuo bet kurio ankstesnio jo etapo.

Nors mašininis mokymasis yra sudėtingas, jis gali suteikti didelę naudą verslui ir turi platų taikymo spektrą

Mašininis mokymasis (ML) yra ribotas tuo, kad objekto sprendimas yra labai specifinis duomenims, kurie yra naudojami mašininio mokymosi modelio mokymui. Dažniausiai modelio negalima perkelti net į panašią įmonę arba panašų departamentą toje pačioje organizacijoje. Kaip jau minėjome, norint, kad mašininis mokymasis duotų naudos verslo vadovams, dažnai reikia ir kitų įrankių.

Tačiau, nors ir sudėtingas, mašininis mokymasis (ML) gali suteikti didelę vertę verslui, nes gali būti pritaikomas įvairiais tikslais: pavyzdžiui, prognozuojant klientų praradimą, pardavimo sandorius, kurie bus sudaryti per artimiausias 60 dienų, vaistus, kurie greičiausiai pereis į kitą bandymų etapą, klientus, kurie dažniau perka su 5 % nuolaida, paklausos prognozavimą ir pan.

Gyvename įdomiu pokyčių laikotarpiu. Verslas padarė daug, kad padidintų produktyvumą ir kartu pagerintų žmonių gyvenimą. Pavyzdžiui, XX a. sandūroje elektros energijos ir elektros variklio išradimas iš esmės ir dramatiškai pakeitė visuomenę ir atnešė milžinišką naudą žmonijai. DI leis pasiekti dar didesnių permainų nei elektros variklio sukūrimas, ir tai jaus ne tik kita karta, bet ir ateinančios kartos.