В этой статье я хочу написать несколько руководящих принципов того, как определить стратегию ИИ на 2020 год. Я собираюсь использовать некоторые ссылки из отчетов Gartner и других отраслевых источников, чтобы подготовить набор тенденций. Основные тенденции 2020 года будут такими, как показано ниже.
Как измерять прогресс. Хотя приведенные ниже рекомендации по стратегии кажутся многим практикам очевидными, и многие говорят, что все организации внедряют приведенные ниже рычаги, дьявол всегда кроется в деталях. . Ключевой вопрос, который должен задать каждый, заключается в том, как можно измерить уровень зрелости конкретного рычага. Для этого мы создали 4 этапа уровней зрелости
Уровень зрелости 1: Экспериментирование: в основном там, где организации выполнили несколько POC на этом рычаге и еще ничего не внедрили в производство.
Уровень зрелости 2: инкубационный: когда организация разрабатывает какие-либо проекты по этому вопросу или реализовала несколько проектов, которые включают ограниченный объем данных, но не интегрированы в обширные источники данных.
Уровень зрелости 3: лидерство в масштабе: это уровень зрелости, на котором организации внедрили это в масштабе и с использованием обширных источников данных, используя различные технологические ландшафты, такие как большие данные, облако и т. д., а также распространили на несколько направлений бизнеса, а не на разрозненные, это уровень насыщения для организаций в отношении преимуществ для бизнеса
Уровень зрелости 4: лидерство в отрасли. На этом этапе организации фактически возглавляют инновации и исследования наравне с технологическими компаниями. Можно обсудить, достаточно ли бизнес-преимуществ для организации на данном этапе. Но это дает показатель, основанный на их конкурентной среде.
Теперь перейдем к рычагам стратегии:
1) Дополненная аналитика. Дополненная аналитика станет ключевой тенденцией в определении стратегии искусственного интеллекта и пути развития организаций. Расширенная аналитика автоматизирует поиск и отображение наиболее важных данных или изменений в бизнесе для оптимизации принятия решений. Очень важно устранить предвзятость пользователя / специалиста по данным при определении функций.
Пример: предположим, что в модели определена функция, предназначенная для миллениалов. Откуда именно специалисты по данным узнают о миллениалах? Уверены, что большинство из них не миллениалы? И как именно мы определяем конкретные предпочтения пользователей, исходя из их возрастных/культурных предпочтений или геополитических особенностей. Несмотря на то, что на основе данных имеется достаточно доказательств, путь вперед заключается в уменьшении зависимости от бизнес-знаний и выдвижении знаний о данных на передний план.
Ключевой элемент, на который следует обратить внимание: в 2020 году будет множество фреймворков и слайдов, заменяющих iProducts на aProducts (что означает переход к расширенной аналитике).
Еще одним ключевым рычагом ИИ является управление дополнительными данными, как указано в тенденциях Gartner, однако в целях планирования организациям было бы намного проще сочетать управление дополнительными данными с расширенной аналитикой, поскольку одно не может быть выполнено без другого.
2) Обработка естественного языка и обработка неструктурированных данных. Ни для кого не секрет, что НЛП — одна из золотых жил или (новая нефть), которая не была полностью использована многими организациями. В этом году ему будет уделено больше внимания благодаря значительным достижениям, таким как BERT и NVIDIA Megatron. Кроме того, в настоящее время доступно больше инструментов для Auto NLP, которые будут способствовать более эффективному внедрению.
3) Аналитика графов. Базы данных графов, наконец, преодолели самый сложный период в цикле ажиотажа и вскоре достигли плато продуктивности. Большинство организаций выполнили POC для баз данных / вариантов использования Graph и временно отложили их, в этом году мы увидим больше внимания к вариантам использования Graph, и большинство вариантов использования ML выйдут за рамки традиционных функций ML. Три основных варианта использования, в которых график будет иметь значение, — это Customer 360, обнаружение мошенничества, кибербезопасность. Другими вариантами использования являются аналитика журналов, управление идентификацией и графики знаний, которые станут популярными, а страницы слияния будут работать на основе графиков.
4) Data Fabric. Это будет ключевой объединяющий момент для организаций, несмотря на то, что он пересекается с гибридным облаком, важно согласовать бесшовный подход к фабрике данных для интеграции данных из потоковых, пакетных и данные API, а также структурированные и неструктурированные данные. В этом есть много инноваций от NetApp с тех пор, как они придумали этот термин. Также другим важным продуктом, который стоит изучить для фабрики данных, является MAPr.
5) Compute Fabric. Compute Fabric, часто перекрывающийся со стратегией инфраструктуры, станет ключевым направлением в этом году, графические процессоры станут основным направлением с большим вниманием к ускорителям FPGA. Большинство платформ машинного обучения, таких как PYTorch, ставит квантизацию на первое место, а NVIDIA RAPIDS делает большие успехи, становясь основным потоком. FPGA (программируемая пользователем вентильная матрица) Ускорители также сейчас выходят на плато производительности, минуя цикл ажиотажа, а квантовые вычисления теперь достигают своего цикла ажиотажа. Compute Fabric настолько важен для будущего, что лучшие алгоритмы машинного обучения будущего будут эффективно использовать комбинацию ЦП, ГП и ПЛИС для выполнения одного цикла обработки. Эти модели больше не могут выполняться в разрозненных хранилищах, а моделям машинного обучения следующего поколения требуется меньше вычислительной фабрики.
6) Объяснимый ИИ. Объяснимый ИИ (XAI) относится к методам и методам применения технологии искусственного интеллекта (ИИ), чтобы результаты решения могли быть понятны экспертам-людям. Это помогает нам разрабатывать интерпретируемые и инклюзивные модели машинного обучения и уверенно их развертывать. Модели глубокого обучения уже стали основным потоком, и регулирующие органы предъявляют повышенные требования к тому, чтобы сделать модели более объяснимыми. Большое внимание уделяется превращению моделей глубокого обучения из «черного ящика» в более объяснимые модели. Ведущими пакетами, которые помогают в XAI, являются SHAP, AIX360, What — IF Tool и многие пакеты нейронных сетей, которые помогут раскрыть модели глубокого обучения.
7) Гиперавтоматизация с искусственным интеллектом и RPA. Гиперавтоматизация связана с применением передовых технологий, включая искусственный интеллект (ИИ) и машинное обучение (МО), для все большей автоматизации процессов и расширения возможностей людей. Боты RPA и роботы-гуманоиды нуждаются в более интегрированных знаниях об искусственном интеллекте с помощью машинного обучения / глубокого обучения или граничных вычислений, чтобы удовлетворить потребности бизнеса. Гиперавтоматизация распространяется на ряд инструментов, которые можно автоматизировать, но также относится к сложности автоматизации (т. е. обнаружению, анализу, проектированию, автоматизации, измерению, мониторингу, переоценке).
8) Гражданская наука о данных, также известная как демократизация ИИ. Гражданская наука о данных — одно из самых модных словечек последних нескольких лет, которое позволяет всем организациям создавать модели, а не ограничиваться только учеными, занимающимися данными. Подобно тому, как Tableau трансформировалась, предоставив бизнес-аналитику всем, Data Robot, H20 Driverless AI и Datanami трансформируют разработку моделей AI. Чтобы эти платформы соответствовали потребностям бизнеса, их необходимо дополнить внутренним хранилищем функций, чтобы донести бизнес-аналитику до каждого рабочего стола.
9) Кибербезопасность. Об ИИ в кибербезопасности больше всего говорили за последние несколько лет, но уровень его проникновения в коммерческие организации намного меньше, чем ожидалось. График знаний, мониторинг сети и управление идентификацией — вот некоторые из немногих вариантов использования, которые рассматриваются, оставляя огромные возможности для дальнейшего расширения.
10) Разговорный искусственный интеллект: чат-боты достигли уровня автоматизации, используя комбинацию искусственного интеллекта и машинного обучения, в то время как голосовые разговорные боты все еще не достигли уровня зрелости и нуждаются в значительном улучшении, чтобы конкурировать с ними. Человеческие взаимодействия. Однако в текущем сценарии заменить ботов невозможно, и необходимо значительное дополнение с помощью пользовательских моделей машинного обучения, чтобы понять предпочтения клиентов, а не полностью полагаться только на технологические решения.
P.S. Я понимаю, что эта статья не является исчерпывающей, и я напишу еще несколько статей о каждой из этих тенденций, чтобы объяснить самые последние инновации в этих рычагах. Также, как уже упоминалось, ключевым параметром будет определение уровня зрелости каждого из этих рычагов, о чем я напишу в следующих статьях. Ждем ваших отзывов и предложений.
Использованная литература:
https://www.gartner.com/smarterwithgartner/gartner-top-10-data-analytics-trends/
https://www.forbes.com/sites/cognitiveworld/2019/07/23/understanding-explainable-ai/#74cfedfa7c9e
https://venturebeat.com/2020/01/02/top-minds-in-machine-learning-predict-where-ai-is-going-in-2020/
