Ali KidwaiInnehållsarkitekt
Registrera dig för att få de senaste insikterna och uppdateringarna inom teknik, AI och dataanalys, datavetenskap och innovationer från Polestar Analytics.
Sammanfatta detta blogginlägg med:
Artificiell intelligens och maskininlärning är just nu ett av de hetaste modeorden i teknikvärlden – med goda skäl. Med teknikjättarna – Netflix, Amazon och Google – som anammar det holistiskt, är det sammanvävt i våra liv som kunder, mer än vi någonsin kan föreställa oss.
Under de senaste åren har vi sett många teknologier som tidigare varit inom science fiction-världen förvandlas till verklighet. Experter ser artificiell intelligens som en produktionsfaktor som kan introducera nya tillväxtkällor och förändra hur arbete utförs inom olika branscher.
EnrapporteraAccenture säger att AI-teknik kan öka arbetsproduktiviteten med 40 % eller mer fram till 2035. Detta kan fördubbla den ekonomiska tillväxten i 12 utvecklade länder som fortsätter att locka begåvade och erfarna yrkesverksamma att arbeta inom detta område.
Med de nuvarande framstegen inom datorkraft, migrering till molntjänster och minskade lagringskostnader har dessa tekniker expanderat sin närvaro bortom de stora teknikföretagen. Även om ML har funnits i årtionden, identifierades det först nyligen som ett verktyg för att omvandla företag. Utan tvekan kan ML och AI hjälpa företag att uppnå mer genom att öka produktivitet och effektivitet.
Enligt Gartners 2019CIO Agenda-undersökning, andelen organisationer som anammar AI ökade från fyra till 14 % mellan 2018 och 2019. Med tanke på fördelarna med att AI och maskininlärning (ML) möjliggör riskbedömning, affärsanalys samt forskning och utveckling – och de resulterande kostnadsbesparingarna – kommer implementeringen av artificiell intelligens att fortsätta öka under 2020.
AI är en gren inom datavetenskap som strävar efter att simulera eller replikera mänsklig intelligens i en maskin så att maskiner kan utföra uppgifter som vanligtvis kräver mänsklig intelligens. Några programmerbara funktioner i artificiell intelligens-system inkluderar planering, inlärning, resonemang, problemlösning och beslutsfattande. AI-system drivs av algoritmer och använder tekniker som djupinlärning, maskininlärning med mera.ML-algoritmermata datordata till AI-system med hjälp av statistiska metoder som gör det möjligt för artificiell intelligens-system att lära sig.
Genom maskininlärning blir artificiell intelligens (ML) successivt bättre på uppgifter utan att behöva programmeras specifikt för det. AI-teknik har omvandlat företags kapacitet globalt, vilket gör det möjligt för människor att automatisera tidigare tidskrävande uppgifter och få outnyttjade insikter i sina data via snabb mönsterigenkänning.
Smal AI
Det är den enda typen av AI som vi hittills framgångsrikt har realiserat. Smal AI är utformad för att utföra enskilda uppgifter, målinriktade – dvs. taligenkänning/röstassistenter, ansiktsigenkänning, internetsökning eller bilkörning – och är mycket intelligent på att slutföra den bestämda uppgift den är programmerad att göra. Även om dessa maskiner kan verka smarta, arbetar de under en snäv uppsättning begränsningar och begränsningar, och det är anledningen till att denna typ allmänt kallas svag AI. Smal artificiell intelligens härmar eller replikerar inte mänsklig intelligens; den simulerar bara mänskligt beteende baserat på ett smalt spektrum av parametrar och sammanhang.
Artificiell generell intelligens (AGI)
Det kallas stark artificiell intelligens eller djup AI, det är konceptet med en maskin med generell intelligens som härmar mänskligt beteende eller intelligens, med förmågan att tillämpa och lära sig sin intelligens för att lösa vilket problem som helst. Stark artificiell intelligens kan tänka, förstå och agera på ett sätt som inte går att skilja från en människas i en specifik situation. AI-forskare har ännu inte kommit i närheten av stark AI. För att lyckas skulle de behöva hitta ett sätt att göra maskiner medvetna, genom att programmera en komplett uppsättning kognitiva förmågor. Maskiner skulle behöva ta lärandet till nästa nivå, inte bara förbättra effektiviteten på enskilda uppgifter utan också få förmågan att tillämpa erfarenhetsbaserad kunskap på ett bredare spektrum av olika problem. Stark AI använder en teori om sinnesnivå inom artificiell intelligens, vilket hänvisar till förmågan att urskilja känslor, behov, övertygelser och tankeprocesser hos andra intelligenta enheter. Teorin om AI på sinnesnivå handlar inte om simulering eller replikering; det handlar om att träna maskiner för att verkligen förstå människor.
Artificiell superintelligens
Artificiell intelligens som inte bara förstår mänsklig intelligens och beteende eller härmar; ASI är där maskiner blir mer självmedvetna och överträffar den mänskliga förmågornas och intelligensens kapacitet. Konceptet med ASI ser artificiell intelligens utvecklas till att vara så lik mänskliga upplevelser och känslor att den inte bara förstår dem; den framkallar sina egna känslor, övertygelser, behov och önskningar. Dessutom, genom att replikera den mångfacetterade mänskliga intelligensen, skulle ASI teoretiskt sett vara oerhört mycket bättre på allt som - naturvetenskap, matematik, sport, konst, känslomässiga relationer, medicin, hobbyer, allt. ASI skulle ha bättre minne och en snabbare förmåga att bearbeta och analysera data och stimuli. Följaktligen skulle beslutsfattande och problemlösningsförmågan hos superintelligenta varelser vara vida överlägsen människors.
Maskininlärning är en metod för dataanalys som automatiserar byggandet av analytiska modeller. Det är ett område som använder algoritmer för att lära sig av data och göra förutsägelser. Det är en tillämpning av AI som gör det möjligt för system att förbättra och förstå erfarenheter utan att explicit programmeras automatiskt. Maskininlärning fokuserar mer på att utveckla datorprogram som kan komma åt data och använda dem för att lära sig.
Realistiskt sett betyder detta att vi kan mata in data i en algoritm och använda den för att göra förutsägelser om vad som kan hända i framtiden. Det är en gren av AI som bygger på avsikten att system kan behärska och lära av data, fatta beslut och identifiera mönster med minimal mänsklig intervention. Nu när vi vet om tekniken, låt oss gå igenom dess tekniker.
#1 Övervakad inlärning
Övervakad inlärning är det mest kända paradigmet för maskininlärning. Det är effektivt i många affärsscenarier som försäljningsprognoser, bedrägeriupptäckt och lageroptimering. Övervakad inlärning fungerar genom att hantera kända historiska in- och utdata i maskininlärningsalgoritmer. I varje steg, efter att ha bearbetat in- och utdata-paret, ändrar algoritmen modellen för att skapa en utdata som ligger ganska nära det förväntade resultatet.
Övervakat lärande kan användas för att göra förutsägelser, klassificera eller känna igen data.
Till exempel skulle en modell kunna matas med data från tusentals banktransaktioner, där varje transaktion skulle kunna märkas som bedräglig eller inte.modellen kommer att känna igen mönstersom ledde till en "bedräglig" eller "inte". Modellen lär sig att göra mer exakta förutsägelser.
Indata och utdata kan hämtas från historiska data genom simuleringar eller märkning av mänskliga data. I fall som involverar ostrukturerad data, såsom bilder, video, ljud eller text, kan specifika kategoriseringar eller egenskaper fungera som utdata. Övervakad inlärning kan användas för att göra förutsägelser, känna igen data eller klassificera den.
Exempel på användningsområden för handledd inlärning inkluderar:
#2 Oövervakad inlärning
Oövervakat lärande används för att utveckla prediktiva modeller från data som består av indata utan historiskt märkta svar. Till exempel kan en uppsättning omärkta foton eller en lista över kunder fungera som indata i ett användningsfall för oövervakat lärande. De vanligaste tillämpningarna av oövervakat lärande är associationsproblem och kluster. Kluster skapar en modell som grupperar objekt baserat på specifika egenskaper som färg. Organisationer tar dessa kluster och identifierar regler som finns mellan dem.
Exempel på användningsområden för oövervakad inlärning inkluderar:
Oövervakat lärande kan också användas för att förbereda data för successivt övervakat lärande. Detta görs genom att identifiera egenskaper eller mönster som kan användas för att kategorisera, komprimera och minska datas dimensionalitet.
Här är ett par viktiga områden som ett företag behöver titta på när de funderar på att införa AI/ML.
# Först, den behöver genomgå en kulturell förändring där alla grupper och avdelningar förstår vikten av data och hur det kan hjälpa dem. Organisationen behöver utveckla en datastrategi för att säkerställa att data hanteras som en tillgång. Det kräver att datakällorna identifieras, regleras och standardiseras, så att medarbetarna förstår de data de besitter och "källan till sanning" för deras verksamhet. Att veta vad de har hjälper dem att veta vad de behöver åtgärda genom sina affärsmål. Medarbetare bör förbättra sin datakunskap, och vissa kommer att behöva accelerera sina nuvarande färdigheter för att förbereda sig för att arbeta direkt med ML-teknik.
# För det andraOrganisationer måste hålla sig till de fall där AI/ML kan ge systemet mest värde. Eftersom varje aspekt av verksamheten är kvalificerad för en potentiell förändring är det svårt att identifiera ett lämpligt affärsanvändningsfall. De mest kända användningsfallen kretsar ofta kring förutsägelse, klassificering och beslutsfattande med en högre säkerhetsnivå. Med maskininlärning kan organisationer uppnå dessa mål snabbare och med ren noggrannhet. Detta kräver rena och korrekta data, och det pekar helt och hållet mot att planera en uttömmande datastrategi. Detta hjälper inte bara till att fatta välgrundade beslut snabbare utan hjälper också till att snabbt realisera möjligheter så att företag kan agera på dem för att få bättre resultat.
# Slutligen, är det viktigt att vara uppmärksam på organisatorisk trötthet i ett så stort åtagande. Ofta stagnerar ett företag – mellan att identifiera rätt användningsfall, lansera det i produktion, skapa en ML/AI-modell och skala upp bortom pilotkraven. Hela processen kan vara tidskrävande i vissa fall. Ett sätt att undvika att bli överväldigad och bryta sig ur stagnationen är att försöka hålla projekten precisa och fortsätta iterera.
Du kan gå igenom det här diagrammet för att se hur företagsledare är övertygade om AI:s förmåga att lösa stora branschproblem och hur snabbt införandet av AI accelererade under pandemin.
Under 2021 kommer AI- och ML-tekniker att fortsätta bli mer vanliga. Organisationer som traditionellt sett inte har sett sig själva som kandidater för AI-applikationer kommer att börja anamma dessa tekniker i takt med att de blir både enklare och billigare att implementera. Följande är en sammanfattning av varje viktig tekniktrend:
Bedrägeri-/avvikelsedetektering och automatisering av inmatningar
Maskininlärningsbaserade applikationer har utvecklats från filtrering av skräppost och skadlig kod i e-post till att förutsäga och rekommendera åtgärder. Under 2020 kommer företag att dra nytta av maskininlärnings-/djupinlärnings realtidsfinansiella applikationer, såsom bedrägeri-/avvikelsedetektering, självgranskningssystem och förslag baserade på tidigare ordrar/transaktioner. Konsolideringen av verksamheten kommer att förhindra läckage och misstag.
Förbättra medarbetarupplevelsen (för millennials)
Medan chattrobotar blev vanliga för kundengagemang under 2019, kommer 2020 att höja medarbetarupplevelsen i kampen för att attrahera och behålla millennials. Millennials värdesätter bättre balans mellan arbete och privatliv, snabb integration med arbetskulturen och mindre "tråkiga" företagsfunktioner. AI/ML och naturlig språkbehandling-chattrobotar kan hjälpa till att vinna över millennials samtidigt som de förbättrar produktiviteten på arbetsplatsen.
Ansiktsigenkänning för att förbättra närvaro och tillgänglighet på arbetsplatsen
2020 kommer att innebära ett betydande införande av ansiktsigenkänning på arbetsplatser, särskilt för kundcentrerade funktioner och cybersäkerhetsfunktioner. Företag som använder denna funktion, särskilt de med stora arbetsstyrkor, kommer att minska, om inte eliminera, monotonin i att hålla reda på anställda. Det kommer också att lösa många problem relaterade till lösenord och passerkort, vilket sparar ännu mer tid och kostnader.
Bildigenkänningsbaserad identifiering
AI-baserad djupinlärningsteknik och maskinseendeteknik används också i uppgifter som rör defektdetektering och kvalitetsinspektion. Till exempel inom flyg- eller textilindustrin gör AI-infunderad bildigenkänning det möjligt för företag att upptäcka vanliga defekter. Med en precision på 90 % detekteringsgrad automatiserar applikationen hela kvalitetsinspektionsprocessen i en organisation och erbjuder realtidsdata för att fatta snabba beslut.
Därför kan vi se att tillväxten av intelligenta system vid kanten sannolikt kommer att bli snabbare och mer omfattande. I takt med att företag blir mjukvarudrivna för att leverera systemens och kundernas behov, blir världen av intelligenta system den förväntade normen.
Polestar Analyticsär väletablerat inom artificiell intelligens/maskininlärning och hjälper dig att hitta nya digitala lösningar för att lyfta dina digitala transformationsinsatser. Kontakta oss.
Om författaren
Innehållsarkitekt
Målet är att omvandla data till information, och information till insikter.
Relaterad blogg
