#искусственный интеллект #искусственный интеллект #машинное обучение #мл #глубокое обучение #дл #большие данные #бизнес

Управляющее резюме:

В соответствии с обещанием нирваны AI/ML/DL руководители ожидают получить слишком много пользы и информации от изолированных приложений AI/ML, работающих с наборами данных для конкретных вариантов использования. С другой стороны, они пренебрегают огромной ценностью, которую можно извлечь из информации, полученной в результате интеллектуальной интеграции (а также использования других подходов ИИ) отдельных систем в рамках всего предприятия. Один размер (подход ИИ) не подходит для всех, но есть способ извлечь максимальную пользу из ваших данных!

Обещание больших данных и искусственного интеллекта

Производство данных неуклонно растет в последние годы: EMC прогнозирует около 40 триллионов гигабайт данных (40 зеттабайт) к 2020 году, а IBM заявляет, что 90% всех данных было создано только за последние два года [1].

Данные производятся как отдельными лицами, например, клиентами в социальных сетях; и компаниями в равной степени, будь то более традиционные корпоративные системы или новая и все более широко распространенная IoT-сенсоризация своего оборудования.

Компании уже осознали, что в таких данных заключена огромная ценность, но еще большую ценность представляет комбинация и перекрестный анализ данных из разных источников.

Чтобы разобраться в потоке данных как из веб-, так и из внутренних источников, стратегия обычно реализует озеро данных для хранения и организации входящего потока, который затем каким-то образом монетизируется. Тем не менее, без надлежащего владения и спонсорства на высшем уровне таких инициатив, основанных на данных и аналитике, и обеспечения соблюдения передовых методов управления существует высокий риск того, что это озеро данных превратится в болото данных, и от искусственного интеллекта будет получена небольшая ценность ( АИ) проекты.

Как только преодолено препятствие, связанное с внедрением мышления, основанного на данных, с надлежащим управлением в масштабах всего предприятия, извлечение ценности из этих данных становится доступным следующим шагом, а методы искусственного интеллекта являются лучшим и естественным выбором.

Существует множество вариантов использования методов и инструментов ИИ, будь то для более тривиальных и приземленных задач автоматизации или для получения очень сложных идей, которые в противном случае были бы недостижимы с помощью человеческого труда, каким бы специализированным и опытным он ни был; так что применимость ИИ практически безгранична.

Иногда побуждаемые желанием показаться новаторами, первопроходцами и революционерами, многие компании собирают ресурсы для реализации сценариев использования на основе ИИ. Однако, поскольку их знания о внутренней работе этих сложных технологий во многих случаях ограничены, естественное неприятие риска, сопровождающее любые инвестиции в новые технологии, ограничивает масштабы и глубину отдельных проектов ИИ. Что еще более важно, это предотвращает раскрытие ценности и открытие новых потоков доходов, которые могла бы обеспечить глубокая и всеобъемлющая трансформация на основе ИИ — подход избегания риска препятствует обещанию ценности, которую может принести системное внедрение ИИ. Результат: множество реализаций Proof-of-Concept небольших и очень целенаправленных вариантов использования с небольшой реализованной выгодой. Это вызывает тревогу в отношении ИИ и оставляет незамеченными огромные потенциальные выгоды по другую сторону горизонта уклонения от риска. Очень высокие ожидания в сочетании с очень малой готовностью меняться приводят только к разочарованию.

Это корыто разочарования еще больше усугубляется настойчивым узким фокусом на использовании методов глубокого обучения (ГО), во многих случаях исключительно из-за их текущей популярности, даже если это не лучший подход — один размер подходит не всем, и требуется опыт, чтобы знать, какие инструменты и методы использовать в каждом конкретном случае.

Биологическое вдохновение (снова!) для ИИ следующего поколения

Снова и снова ИИ черпает вдохновение из неискусственного (то есть биологического) интеллекта.

В человеческом мозге первичная сенсорная кора специализируется на распознавании паттернов одной сенсорной модальности — например, зрительная кора (VC) специализируется на распознавании конкретных зрительных паттернов. С другой стороны, интеграция информации из разных источников в значительной степени происходит в височной коре [2], где сливаются сигналы, поступающие от ВК, Слуховой Коры (СК) и т.д. Структура, организация и обработка данных в височной коре (ВК) существенно отличаются от таковых в первичной сенсорной коре — опять же, один размер (структура/метод) не подходит всем!

Статистические и обрабатывающие данные семейства алгоритмов, такие как DL, действительно являются лучшим вариантом для обеспечения высокой точности и производительности в основных входных функциях, что и происходит в зрительной, слуховой и т. д. коре головного мозга. Но семантическое рассуждение, объединяющее различные модальности данных, как оно происходит в височной коре, требует значительно меньшего объема данных и требует совершенно другого типа представления, гораздо более структурного, хронологического и основанного на причинности.

Еще более сложное и изощренное мышление, такое как планирование, исследование гипотетических сценариев, диагностика и т. д., происходит в основном в префронтальной коре (ПФК) и требует столь же богатых представлений и методов рассуждений, при этом требуя значительно меньше экземпляров данных.

Если Мать-Природа обнаружила, что для решения разных уровней сложности и разнообразия задач требуются разные типы представлений и методов рассуждений, почему так много людей настаивают на использовании одного семейства подходов ИИ (в настоящее время это Глубокое обучение) для решения всех проблем? ИИ?

На склоне просветления

Просветленный век зрелого ИИ наступит благодаря синергетическому применению различных подходов к ИИ, что также является путем к раскрытию общего искусственного интеллекта (AGI). У ИИ было несколько весны и зимы на протяжении всей его многолетней истории. Как правило, зимы возникают из-за чрезмерного внимания к одной новой технике, которая дает фантастические результаты в какой-то области или семействе вариантов использования, таким образом интерпретируясь как серебряная пуля, которая затем не оправдывает ожиданий в других случаях использования. . Очевидной серебряной пулей нынешнего AI Spring является глубокое обучение. Действительно, существуют системы ИИ со сверхчеловеческой точностью для очень узких и специфических задач: именно те, которые прибегают к глубокому обучению на массивных наборах данных. Это неудивительно: чем больше набор данных (случайная выборка), тем ближе прогнозы его модели приближаются к истинному распределению вероятностей для всей совокупности. Тем не менее, практически нет систем ИИ, где AGI использует только DL (или любой другой метод в этом отношении), как некоторые и ожидали. Это происходит потому, что рассуждения более высокого порядка и для более широких задач требуют сочетания различных видов методов представления и вывода, таких как геометрические, декларативные и другие.

Надеюсь, мы все сможем извлечь уроки из истории и не допустить, чтобы эта весна через несколько лет превратилась в еще одну зиму, и мы можем сделать это, осознав как потенциал, так и ограничения глубокого обучения.

Кроме технического просвещения есть еще и промышленное. Семейство инструментов и подходов ИИ настолько обширно и всеобъемлюще, что может быть применено практически к любому виду преобразования отдельных бизнес-компонентов. Однако истинная ценность, которую он может принести бизнесу, может быть достигнута только с помощью комплексной стратегии искусственного интеллекта и соответствующей организованной реализации. Однако его первым требованием является общекорпоративная архитектура данных, а также возможности и практика управления. ИИ может генерировать энергию из данных, которые текут внутри организации, но ему нужны управляемые структуры и процессы для сбора, хранения, доступа, преобразования, объединения, анализа и визуализации данных, информации и знаний. И, что особенно важно, организация, просвещенная ИИ, нуждается в 1) разнообразном дополняющем наборе инструментов, методов, представлений и методов рассуждений ИИ; 2) очень квалифицированная рабочая сила с искусственным интеллектом и данными; 3) общая стратегия и дорожная карта ИИ; и 4) наделенный полномочиями и ориентированный на бизнес-цели (не технически!) ответственный за данные и искусственный интеллект высшего уровня.

[1] — https://techjury.net/stats-about/big-data-statistics/

[2] — https://www.sciencedirect.com/science/article/pii/S0896627304000704