Это вводная часть публикации, которую я называю The Decider. Название может вызвать в воображении образ Уилл Феррелл, выдающий себя за косого президента Джорджа Буша-младшего в программе «Субботним вечером в прямом эфире, который мне очень нравится. Очень незначительная связь этого сайта с видеоклипом заключается в том, что людям, компаниям и странам нужен решатель. Серия статей, которые я пишу, связана с применением данных и аналитики, машинного обучения и искусственного интеллекта (в совокупности — ИИ) для улучшения нашей профессиональной жизни. Суть в том, что, хотя эти инструменты могут лучше информировать нас и помогать нам решать интересные проблемы, самая ценная работа (и та, для которой лучше всего подходят люди) — это принятие решений.
В Прогнозирующие машины: простая экономика искусственного интеллекта общий тезис работы заключается в том, что ИИ обеспечивает одно: дешевое предсказание. Взрыв ИИ обусловлен стечением факторов, но наиболее заметными из них являются:
- Аппаратное обеспечение работает быстрее, чем когда-либо. Существует множество дешевых и быстрых процессоров, а также графические процессоры (GPU), которые используются для вычислений общего назначения.
- Инфраструктура облачных вычислений стала мейнстримом
- Огромные улучшения, реализованные в алгоритмах машинного обучения, нейронных сетей и глубокого обучения.
- Неуклонное снижение затрат на единицу вычислений, хранения и пропускной способности
Технологии искусственного интеллекта недавно смогли сравниться с людьми или даже превзойти их во множестве узких областей. Более совершенные алгоритмы позволяют компьютерам находить закономерности в, казалось бы, разрозненных данных. Короче говоря, компьютеры намного лучше обрабатывают данные, чем мы. И это нормально. Это только полдела.
В книге под названием Наука о данных в командной строке: взгляд в будущее с помощью проверенных временем инструментов автор Йерун Янссенс представляет структуру OSEMN для науки о данных. Шаги в процессе следующие:
- Получить [данные]
- Скраб
- Проводить исследования
- Модель
- Интерпретировать
В настоящее время большая часть описанного выше рабочего процесса является сложной для аналитика-человека. Первые три шага (получение, очистка и исследование) являются просто подготовкой к основному событию, состоящему из двух частей: 1) моделирование и 2) интерпретация. Как указывалось выше, машины лучше нас симулируют, моделируют и обобщают информацию. В результате мы перекладываем большую часть шага № 4 на компьютерные алгоритмы. Однако в отсутствие какого-либо общего искусственного интеллекта (AGI) алгоритмам не хватает оценки. Это последний и в настоящее время самый важный шаг любого рабочего процесса данных: интерпретация, оценка и выбор (шаг # 5). Введите решающий элемент.
Хотя алгоритмы продолжают получать данные и учиться, в настоящее время им не хватает здравого смысла. Определенные типы алгоритмов, такие как нейронные сети, очень хорошо делают прогнозы, но не могут объяснить их результаты. По этой причине важно держать «человека в курсе», чтобы играть роль супервайзера. Наилучшие результаты в ИИ достигаются компьютерами, дополняющими работу людей; то есть человек плюсмашина, а не человек противмашины. Вот о чем этот блог. Как мы, бизнес-лидеры, используем ИИ в качестве инструмента для прогнозирования, чтобы принимать лучшие бизнес-решения? Пожалуйста, продолжайте читать мои статьи, поскольку мы более подробно изучаем эту тему.
