Президент WorkFusion Алекс Ляшок изначально написал этот пост для своей ленты, но мы подумали, что он настолько увлекательный, что решили опубликовать его здесь.

Все мы знаем, что искусственный интеллект развивается с головокружительной скоростью. Но вы можете не знать, как эти достижения в области искусственного интеллекта принесут пользу вашим программам интеллектуальной автоматизации или RPA 2.0, сделав их более мощными и управляемыми.

Вот девять популярных решений распространенных проблем автоматизации, которые помогут вашим цифровым сотрудникам совершенствоваться и развиваться в 2018 году.

Тема: искусственный интеллект в динамичном предприятии

1. Непрерывное обучение

Большинство моделей машинного обучения (ML) обучаются очень нечасто (может быть, ежечасно). В то же время они принимают решения по входным данным очень часто (за секунды или меньше). Это может привести к тому, что модели будут принимать неправильные решения, когда они работают в динамичной, быстро меняющейся среде. Если модель была обучена на наборе документов с одного рынка, а документы с другого рынка начинают быстро поступать, это может вызвать проблемы.

Искать:

  • Онлайн-обучение, при котором модели обучаются в режиме реального времени по мере поступления новых данных.
  • Ансамбли, сочетающие часто обучаемые модели с редко обучаемыми (например, долговременная / кратковременная память).
  • Обучение с подкреплением, которое фокусируется на изучении политик (а не на вводимых данных) и обновлении политик на основе отзывов.

2. Твердые решения

Принятие важных решений с помощью машинного обучения означает возможность иметь дело с шумными или даже враждебными входами. Например, решения, принятые на основе входных данных, которые модель никогда раньше не видела, могут быть трудными для оценки.

Искать:

  • Данные о происхождении, чтобы отслеживать и понимать, откуда именно поступили данные для обучения.
  • Управление доверием для более детального понимания выходных данных модели машинного обучения (доверительные интервалы), а также управления и обнаружения непредвиденных исходных данных.

3. Объяснимые решения

Решения, которые принимаются в регулируемых или чувствительных отраслях, таких как банковское дело или здравоохранение, необходимо объяснять людям в контексте нормативной или правовой базы, в которой они были приняты. Это означает, что вам необходимо установить набор превентивных средств контроля для поддержки аудита автоматизированного процесса.

Искать:

  • Интерпретация, чтобы иметь возможность интерактивно изучить модель в терминах и концепциях, которые знакомы малому и среднему бизнесу.
  • «Что, если» Моделирование, чтобы понять, какие другие исходные данные могли привести к такому же решению.
  • Запись и воспроизведение, чтобы иметь возможность отслеживать, повторять и анализировать вычисления, которые привели к решению.

Тема: безопасный искусственный интеллект

4. Безопасные анклавы

Защита ИИ означает возможность запускать модели в изолированной (программной или даже аппаратной) среде.

Искать:

  • Анклавы для запуска кода в безопасной среде, которая защищает данные, конфиденциальность и целостность решений.
  • Безопасная модуляризация для разделения кода ИИ на части, где меньшая, чувствительная часть может быть запущена в анклаве, а большая незащищенная часть может быть запущена в ненадежной среде.

5. Состязательное обучение

Адаптивный характер систем машинного обучения делает их уязвимыми для новых типов атак. В общих чертах их можно разделить на атаки уклонение и отравление данных. Атаки уклонения нацелены на этап логического вывода, на котором создаются данные, которые могут быть правильно обработаны человеком, но неправильно обрабатываются моделью машинного обучения. Например, два документа могут выглядеть одинаково для человека, но классифицируются компьютером по-разному. Атаки с отравлением данных нацелены на этап обучения, когда данные вводятся в обучающий набор, чтобы модель машинного обучения в будущем работала некорректно.

Ищите возможности Источники данных и Объяснимое решение, описанные выше. Они могут снизить эти риски и могут быть эффективно объединены с возможностями Human-in-the-loop (HITL) для создания надежных превентивных средств управления в автоматизации на основе машинного обучения.

6. Совместное обучение конфиденциальных данных

Когда вы проводите обучение с использованием данных, принадлежащих нескольким организациям, вы получите гораздо лучшие результаты. Однако при обучении моделей на конфиденциальных данных предотвращение утечки конфиденциальной информации может стать проблемой. Следовательно, изучение безопасного многостороннего обучения становится все более приоритетным для многих организаций.

Искать:

  • Дифференциальная конфиденциальность для добавления шума в данные, чтобы надежно скрыть конфиденциальные данные.
  • Многосторонние вычисления (MPC), позволяющие каждой стороне вычислять частные входные данные на совместных моделях без изучения входных данных другой стороны.

Тема: Архитектура предприятия, ориентированная на искусственный интеллект

7. Составные системы искусственного интеллекта

Модульность важна для масштабируемых систем. Разделение сложного программного обеспечения на модули помогает снизить затраты и повысить управляемость при масштабировании.

Искать:

  • Состав модели, чтобы иметь возможность собирать более мелкие модели в ансамбли, где каждая отдельная модель может быть добавлена ​​или удалена для улучшения общего вывода и управляемости.
  • Композиция действий для объединения результатов модели в параметры, тем самым переводя процесс принятия решений на более высокие уровни концепций. Например, варианты отклонения или принятия претензии по сравнению с данными в определенных полях документа.

8. Облачные системы

Сегодня облачные системы широко используются для запуска и управления системами искусственного интеллекта. В то же время большинство предприятий используют системы в своих центрах обработки данных или на границе облака. Системы, сочетающие рентабельность облака с преимуществами контроля периферийных систем, могут объединить лучшее из обоих миров.

Ищите Состав модели и Состав действия, описанные выше, чтобы воспользоваться преимуществами безопасного и быстрого обучения на периферии с мощью централизованных облачных систем.

6. Оборудование для домена

Многие предприятия все чаще внедряют аппаратные архитектуры, которые повышают производительность, снижают стоимость или повышают безопасность систем искусственного интеллекта.

Искать:

  • Поддержка GPU и FPGA для снижения затрат и повышения масштабируемости в центрах обработки данных или публичных / частных облаках.
  • Совместимость с Google Tensor Processing Unit (TPU) для ускорения некоторых совместимых полезных нагрузок AI.
  • Поддержка анклава, чтобы воспользоваться преимуществами безопасных вычислений, таких как Intel SGX и ARM TrustZone

Посетите workfusion.com, чтобы узнать больше об искусственном интеллекте, когнитивной автоматизации и о том, как расширить свою программу RPA, чтобы воспользоваться всеми нашими методами интеллектуальной автоматизации.

Следуйте за Алексом на @alyashok

Также ознакомьтесь с этой академической статьей, в которой эти темы рассматриваются более подробно и технически подробно.