Nghiên cứu DZone: Chìa khóa thành công của AI


Trần Anh Ðức
1 năm trước
Hữu ích 2 Chia sẻ Viết bình luận 0
Đã xem 8160

Để thu thập những hiểu biết về trạng thái của trí tuệ nhân tạo (AI) và tất cả các phân đoạn của nó - học máy (ML), xử lý ngôn ngữ tự nhiên (NLP), học sâu (DL), tự động hóa quá trình robot (RPA), hồi quy, et al, chúng tôi đã nói chuyện với 21 giám đốc điều hành đang triển khai AI trong tổ chức của chính họ và giúp những người khác hiểu AI có thể giúp gì cho doanh nghiệp của họ. Chúng tôi bắt đầu bằng cách hỏi, "các chìa khóa cho một chiến lược AI thành công là gì?" Đây là những gì họ nói với chúng tôi:

Vấn đề kinh doanh

  • Chúng tôi đã thấy rằng thành công của AI là bốn lần: 1) một giải pháp được xác định rõ ràng cho nhu cầu của khách hàng ; 2) các mô hình AI / ML tiên tiến; 3) các chuyên gia về chủ đề cung cấp lời khuyên cho khách hàng của chúng tôi trong lĩnh vực cụ thể của họ; 4) một nhóm QA chuyên dụng để liên tục đánh giá độ chính xác của các mô hình AI và tạo dữ liệu đào tạo.
  • Thực sự hiểu những gì bạn đang cố gắng làm. Đó là loại kiến ​​thức tên miền nơi bạn hiểu điểm là gì. Nhiệm vụ thứ hai là hậu cần, và sau đó bạn cũng phải học. Xử lý hậu cần, triển khai các mô hình và nhận phản hồi từ họ. Xử lý dữ liệu là một phần rất lớn trong đó.
  • Hãy nghĩ về trường hợp sử dụng của bạn. Dữ liệu tương đối phù hợp dựa trên dữ liệu. Đối với chi phí và cơ hội tăng trưởng, nó có thể giải quyết một vấn đề? Bạn có thể tham gia vào các thị trường mà trước đây bạn không thể tham gia không? Bạn có thể kiếm được bao nhiêu tiền từ việc này? Loại nhiệm vụ nào có thể được tự động hóa và loại ML nào là đúng? Mất bao nhiêu để lấy nguồn, kiểm tra và huấn luyện dữ liệu? Chỉ có rất nhiều bạn có thể làm với dữ liệu. Bạn cần tài liệu đúng. AI / ML là một quân cờ di chuyển. Sử dụng AI để tạo báo cáo. ML không được giám sát học cách chơi trò chơi tên miền. 65 triệu video mỗi tháng và gắn thẻ và xác định những người trong video. Giảm rào cản gia nhập với chi phí kiểm tra và dữ liệu đào tạo.
  • Có một số lượng lớn sự cường điệu và các công ty đang cố gắng tìm ra những việc cần làm vì họ sợ bị bỏ lại phía sau. Họ không dành thời gian để xác định vấn đề kinh doanh mà họ đang cố gắng giải quyết. Như mọi thứ khác, câu hỏi đặt ra là vấn đề kinh doanh là AI sẽ mang lại cho bạn lợi thế không công bằng ở đâu. Mọi người đang hoảng loạn vì các công ty đang tìm cách sử dụng AI để có được lợi thế không công bằng và phá vỡ. Đó là một yếu tố lớn của sự không chắc chắn. Một ví dụ điển hình là Spotify kể từ khi đăng báo cáo đầu tiên xuất sắc vào danh sách phát được đề xuất sử dụng AI. Chỉ có một số ít đã nhận ra rằng đây là một vụ mua lại đã nhận ra giá trị chiến lược và thực hiện việc mua lại đúng. Nhận ra điểm yếu và có được cầu thủ phù hợp. Điều này đang xảy ra theo rất nhiều cách khác nhau. Microsoft nhận ra Slack là một cách tốt hơn để thực hiện giao tiếp và ra mắt các Đội như một đối thủ cạnh tranh. Google đã phát hành hangouts / trò chuyện đã cố gắng định vị kẻ thách thức Slack như một thứ gì đó được hỗ trợ bởi AI.
  • Để nhận được giá trị cao nhất, doanh nghiệp cần xác định những gì có thể được tận dụng từ công nghệ , đâu là sự đổi mới mới nhất mang lại cho họ hoặc những gì có thể được tận dụng từ những đổi mới.
  • Một chiến lược AI thành công bắt đầu từ giáo dục. Các nhà lãnh đạo điều hành phải được giáo dục về AI là gì và không, những gì nó có thể và không thể làm, những lợi ích và rủi ro tiềm ẩn cho công ty, đầu tư cần thiết - không chỉ về mặt kinh tế, mà cả về kỹ năng, con người vốn, và cơ sở hạ tầng CNTT - và dòng thời gian để nhận ra những lợi ích đó. Ngoài giáo dục, một chiến lược AI hợp lý đòi hỏi một tầm nhìn rõ ràng và kế hoạch thực dụng. Mục tiêu mà bạn đang cố gắng đạt được là gì?Nó phải liên kết với một vấn đề hoặc kết quả cụ thể mà bạn đang cố gắng đạt được. Chuyên môn về miền sâu là nguồn cung ngắn, vì vậy chiến lược nên bao gồm một dòng thời gian thực tế với kết quả rõ ràng và có thể đo lường được gắn với những vấn đề chính đó. Giữ cho các vấn đề đơn giản. Bắt đầu với các dự án thí điểm nhỏ, ít rủi ro để làm quen với công nghệ và xây dựng các kỹ năng cần thiết và bộ dữ liệu đào tạo. Sử dụng kinh nghiệm có được để chuyển sang các dự án tham vọng hơn.
  • Các thương hiệu thích nghi nhất trong thế giới ngày nay sẽ phát triển mạnh trong bối cảnh hỗ trợ AI. Theo giải thích của Harvard Business Review , chìa khóa cho một chiến lược AI thành công bao gồm sự sẵn sàng thử nghiệm và học hỏi nhanh chóng để phát triển các giải pháp sẽ thay đổi trải nghiệm của người tiêu dùng. Tập trung vào trải nghiệm người dùng chắc chắn cũng được đặt lên hàng đầu; lưu ý người dùng cuối là điều quan trọng nhất trong việc phát triển các giải pháp phù hợp liền mạch trong thế giới kết nối ngày nay và gia tăng giá trị. Chúng ta cần xem AI là giải pháp cho các vấn đề so với công nghệ ma thuật sẽ loại bỏ vấn đề ngay từ đầu. Các tổ chức vẫn cần nhiều thành phần khác xung quanh công nghệ AI của họ để tích hợp nó vào quy trình công việc, v.v.Họ cũng nên chắc chắn giữ những vấn đề họ muốn giải quyết trong đầu  chứ không chỉ đơn giản là nói - Tử Chúng ta cần phải làm gì đó với AI. dữ liệu, chỉ ra một điểm quan trọng khác: bạn cần có quyền truy cập vào dữ liệu để làm cho AI hoạt động.
  • Điều bắt buộc là bất kỳ hệ thống nào không phải là một hộp đen. Các hệ thống thành công và nghiêm ngặt về mặt thống kê phải cung cấp cái nhìn sâu sắc về vấn đề tại sao lại đứng sau một khuyến nghị cụ thể. Điều này xây dựng niềm tin, giúp nhận con nuôi. Khi điều này trở thành chuẩn mực, nó sẽ gây áp lực lên tất cả các nhà cung cấp giải pháp trí tuệ nhân tạo nghiêm ngặt và kỷ luật hơn trong việc hiểu các vấn đề họ đang cố gắng giải quyết  và các giải pháp độc đáo mà họ đang xây dựng. Khía cạnh khác của việc triển khai AI thành công trước tiên là cố gắng tìm kiếm một giải pháp cho một vấn đề rất cơ bản từ các nguyên tắc đầu tiên thay vì sử dụng các gói và công cụ học máy hàng hóa. Học máy rất nguy hiểm trong tay những người không hiểu các nguyên tắc cơ bản đằng sau nó.
  • Tôi thường nói những gói hàng hóa này là thẻ tín dụng lãi suất cao của nợ kỹ thuật. Rất dễ dàng để có được một nguyên mẫu nhanh chóng, nhưng rất khó để có được một môi trường ổn định và đáng tin cậy mà không hiểu sâu sắc các vấn đề bạn đang giải quyết và công nghệ bạn đang sử dụng để làm điều đó.

Quản lý dữ liệu

  • Khách hàng muốn hiểu biết sâu sắc. ML chỉ là hồi quy tuyến tính. Khách hàng doanh nghiệp không hiểu làm thế nào để có được những hiểu biết này. Không có đủ nhà khoa học dữ liệu và không có đường ống lưu lượng dữ liệu. Các tổ chức được giao phó với ý tưởng về AI nhưng không biết bắt đầu từ đâu và làm thế nào để tạo, thử nghiệm và triển khai các mô hình. Lấy dữ liệu và đưa ra kết quả. Các tổ chức không biết làm thế nào để đám mây hoạt động cho họ. Chúng tôi chỉ tiêu thụ dữ liệu nhanh ở rìa và sử dụng nó để tự đào tạo các mô hình một cách nhanh chóng cho mọi thực thể chúng tôi tạo ra một cặp song sinh kỹ thuật số và ghi nhớ những gì hữu ích về khả năng dự đoán tương lai. Cung cấp kết quả thông qua API phát trực tuyến thời gian thực.
  • Chúng tôi tìm thấy với những câu chuyện thành công mới nổi với Watson đưa ra những tuyên bố táo bạo. Khách hàng hiểu rằng AI nắm giữ một số lợi ích, nhưng hai hương vị: 1) hiểu vấn đề bạn muốn giải quyết và biết lợi ích; 2) chúng tôi có rất nhiều dữ liệu và chúng tôi không biết thông tin chi tiết là gì, nhưng chúng tôi muốn sử dụng dữ liệu đó để cải thiện công việc kinh doanh của mình. Thông thường, những người trong nhóm thứ nhất thành công hơn với sáng kiến ​​AI của họ so với những người trong nhóm thứ hai. Để bất kỳ sáng kiến ​​phân tích AI / ML nào thành công, nhà dữ liệu phải theo thứ tự và các mục tiêu đã thỏa thuận. Nếu không có yêu cầu nào là mơ hồ, chúng tôi biết chúng tôi sẽ tham gia lâu hơn.
  • Tất cả bắt đầu với dữ liệu. ML là một bài tập trong việc khắc phục sự thay đổi trong dữ liệu. Lượng dữ liệu phụ thuộc vào lượng biến thể và cần càng nhiều biến thể khác nhau trong mục tiêu và nền càng tốt. Các ví dụ và phản mẫu cũng cần thiết.
  • Có một số lượng lớn các nguồn là rất quan trọng để thực hiện AI thành công. Vì chúng tôi phân tích hàng triệu phút nội dung âm thanh trực tiếp và được ghi lại mỗi ngày, chúng tôi có thể đưa ra một phân loại công nghiệp mạnh mẽ. Chúng tôi sử dụng các kỹ thuật ML để đào tạo nền tảng để học từ các tín hiệu âm thanh, nghe và phân chia nội dung âm thanh dựa trên các chủ đề và có giọng nói, cho phép chúng tôi phân đoạn và cá nhân hóa nội dung âm thanh. Điều quan trọng là phải liên tục đào tạo thuật toán và xây dựng các trình phân loại để nền tảng có thể nhận ra các từ khóa có liên quan và cung cấp phân đoạn chính xác hơn cho các clip âm thanh.
  • Có một số chìa khóa để thành công. Đầu tiên, bạn phải tạo một nền tảng để thu thập dữ liệu. Sau đó, bạn cần làm cho dữ liệu đó áp dụng cho tên miền của bạn . Trong trường hợp của chúng tôi, nó đang buộc dữ liệu vào các phân loại không dây để đo các số liệu chính như thời gian để kết nối, thông lượng, chuyển vùng và hơn thế nữa. Khi có các trình phân loại, bạn có thể áp dụng các kỹ thuật khoa học dữ liệu như học máy, thông tin lẫn nhau và phát hiện dị thường chuỗi thời gian để hiểu dữ liệu và chuyển đổi nó thành thông tin chi tiết có ý nghĩa. Cuối cùng, bạn muốn đặt một khuôn mặt vào kết quả. Đây là nơi một trợ lý ảo đến, vì nó cho phép bạn hỏi các truy vấn ngôn ngữ đơn giản và nó cung cấp kết quả theo cách dễ hiểu.

Khác

  • Sự hợp lưu của các xu hướng trong vài năm qua muốn hưởng lợi từ AI, nhưng nó không biết làm thế nào. Họ đã thuê các nhà khoa học dữ liệu và mua rất nhiều thiết bị, nhưng họ không chắc chắn làm thế nào để có được từ đó đến sản xuất. Những gì họ thực sự cần là một thực hành về cách đưa ML vào sản xuất. Đây không phải là điều bạn chỉ làm một lần. Khi bạn bắt đầu sáng kiến, bạn sẽ duy trì sáng kiến ​​và theo thời gian, bạn sẽ thêm sáng kiến. Giúp khách hàng hiểu đây là một phần mới trong hoạt động của họ. Nhiều khách hàng hiểu điều này theo bản năng, nhưng họ đang tìm ai đó để mô tả cho họ cách thực hành nên như thế nào và cách thực hiện nó. Nhận ra cách tiếp cận sẽ không mở rộng. Chúng tôi đã cố gắng và biết những gì chúng tôi đang làm sẽ không mở rộng trong thời gian dài.
  • ML đang triển khai thành công AI. Chúng tôi đã nhận ra điều này mặc dù sự cường điệu và mọi người muốn làm điều đó. Có rất ít kết quả kinh doanh hữu hình, đó là một oxymoron bởi vì rất nhiều người thông minh, với mức lương cao, không vượt qua được giới hạn của thực tế. Nhận ra giá trị kinh doanh không xảy ra phù hợp với đầu tư và dự đoán. Cần phải có một giải pháp hoạt động cho phía bắt. Hãy để các nhà khoa học dữ liệu làm việc của họ, nhưng bạn cần một đội ngũ vận hành đủ hiểu biết để triển khai và quản lý một cách có trách nhiệm trong môi trường 24/7. Chúng ta đã chứng kiến ​​thế giới chuyển từ khuôn khổ sang ứng dụng web. Chức năng nhân viên này sẽ xảy ra với việc áp dụng ML. Cần phải có một giải pháp giống như APM cho thế giới các giải pháp AI với các dịch vụ điều khiển ML.
  • AI rất rộng và chúng là nhiều thứ là một phần của nó. Chúng tôi đối phó với AI doanh nghiệp nơi các doanh nghiệp đang cố gắng tận dụng ML và DL. Chúng tôi thấy rất nhiều Monte Carlo và hồi quy tuyến tính. Chúng tôi giao diện với khối lượng công việc ML dựa trên dữ liệu cốt lõi. Bạn cần một chiến lược toàn diện với thời gian dành cho R & D cố gắng đào tạo mô hình. Các doanh nghiệp vừa và nhỏ dành nhiều thời gian để đào tạo mô hình và ít thời gian vận hành nó. Nó được thúc đẩy bởi các phân tích truyền thống hơn. Lấy một mô hình được đào tạo ngoài phòng thí nghiệm và vận hành nó và đưa vào các quy trình hàng ngày để xem ROI. Công nghệ ít hơn và nhiều người và tổ chức hơn. Silo từ quan điểm kinh doanh cản trở sự hợp tác giữa các nhà phân tích kinh doanh, nhà khoa học dữ liệu và CNTT. Lấy các mô hình này từ nhà khoa học dữ liệu và được sử dụng bởi nhà phân tích kinh doanh có thể mang lại nhiều lợi thế về giá trị của phân tích do con người điều khiển cộng với máy móc. Đó là những gì chúng tôi đề xuất cho khách hàng.Hạ gục người silo để có thêm giá trị.
  • Một trong những thách thức đầu tiên đối với các doanh nghiệp khi tìm hiểu chiến lược dựa trên AI là cân nhắc lợi ích hứa hẹn của năng suất được tăng cường AI so với ban đầu. Chi phí cơ hội của việc đào tạo nhân viên và điều chỉnh quy trình công việc đều cộng lại. Điều quan trọng là phải hiểu ngân sách một cách toàn diện trước khi đầu tư vào bất kỳ giải pháp nào, nhưng một người quản lý sản phẩm có kinh nghiệm có thể hỗ trợ quá trình này. Cụ thể, các cách tiếp cận theo giai đoạn với các lợi ích kín đáo cho từng giai đoạn sẽ giúp tránh sự vỡ mộng với AI nói chung. Ngoài ra, các công cụ chỉ tốt như những người sử dụng chúng. Một số nhân viên có thể cảnh giác với công nghệ có thể ảnh hưởng đến công việc của họ, vì vậy giới thiệu giải pháp như một cách để tăng cường các công việc hàng ngày của họ là rất quan trọng. Chúng tôi tin rằng cách tốt nhất để khuyến khích người dùng chấp nhận là giải thích rõ ràng cách thức công nghệ phát triển giải pháp và giải quyết vấn đề. Điều này mang lại cho nhân viên một trải nghiệm trực tuyến, vì vậy họ có thể hình dung rõ ràng cách AIOps tăng cường vai trò của họ, thay vì loại bỏ nó. Cuối cùng, đáng để đảm bảo rằng giải pháp bạn đang đầu tư là bằng chứng trong tương lai. Vì các mục tiêu và sáng kiến ​​của doanh nghiệp có thể thay đổi qua từng năm, hãy tìm kiếm một giải pháp linh hoạt, có thể mở rộng và đủ nhanh để đáp ứng các nhu cầu không lường trước trong tương lai.
  • Điểm khởi đầu đầu tiên trong việc phát triển một chiến lược AI thành công bắt đầu bằng trực giác dựa trên con người và xây dựng cái nhìn sâu sắc trong việc phát triển và mã hóa thuật toán đúng hoặc tập hợp đúng . Để sử dụng hiệu quả AI để tăng cường tiếp thị qua email, các hệ thống cần nắm vững sự phức tạp của công nghệ email, quản lý lượng dữ liệu khổng lồ và hướng dẫn các nhà tiếp thị hướng tới việc gửi các thực tiễn tốt nhất. Chúng tôi sử dụng AI để giúp giải quyết nhu cầu của khách hàng. Ví dụ: chúng tôi đã phân tích một mẫu gồm 100.000 địa chỉ email không hợp lệ do lỗi chính tả, khoảng cách không chính xác hoặc tài khoản giả. Nhóm các nhà khoa học dữ liệu của chúng tôi bắt đầu đào tạo các thuật toán AI để xác định các mẫu này và xác định bộ nào không hợp lệ. Chúng tôi tin rằng chiến lược AI tốt nhất dẫn đầu với yếu tố khám phá con người này và sau đó áp dụng AI làm giải pháp và điều chỉnh nó để phù hợp với nhu cầu.
  • 1) Nhìn vào nơi chúng ta xây dựng trên đám mây, chúng ta có quyền truy cập vào các GPU đẳng cấp thế giới. Đào tạo ăn một lượng lớn tính toán. Rất ít doanh nghiệp lớn sẽ đầu tư vào đó. 2) Đàm thoại là cách mọi người sẽ giao tiếp. Một nền tảng AI để thử nghiệm các mô hình được sử dụng các mô hình được đào tạo trước. Sử dụng các mô hình cho suy luận. Cơ sở hạ tầng cho một đường ống khoa học dữ liệu là các góc độ phần mềm trung gian về phần mềm và tính năng. 3) Bộ ứng dụng thông minh thích ứng. AI truyền vào từng ứng dụng dọc. Trong phần mềm của chúng tôi, AI đang được sử dụng trên đám mây để làm cho các sản phẩm tốt hơn về bảo mật, ML / DL, các sản phẩm tự vá. Chúng tôi sử dụng ML để phân tích tất cả nhật ký của tất cả các dịch vụ để làm cho đám mây tốt hơn. Có sức lan tỏa đến mọi thứ chúng ta đang làm
  • Có 3 thành phần chính: tương quan, học máy và trực quan hóa. Trước hết, để xác định nơi xảy ra sự cố, bạn cần có một cái nhìn đầy đủ, chính xác về toàn bộ môi trường của mình. Điều đó có nghĩa là bạn cần tự động tương quan dữ liệu từ các giao dịch kinh doanh (như đơn đặt hàng, hóa đơn) thông qua các dịch vụ ứng dụng (như máy chủ web, cơ sở dữ liệu) và cơ sở hạ tầng (tính toán, mạng, lưu trữ). Thứ hai, bạn cần phải có các phân tích học máy có thể xác định các mẫu trên toàn bộ ngăn xếp và cuối cùng, bạn cần có khả năng hình dung các sự kiện trong tương lai. Nếu không có một nhóm CNTT tương quan đa miền, nhiều lớp và nhiều nhà cung cấp sẽ phải trải qua hàng chục công cụ giám sát và nhật ký và lãng phí thời gian đáng kể để hiểu những gì liên quan đến những gì. Học máy dựa trên dữ liệu chuỗi thời gian sẽ tự động xác định chuỗi sự kiện mà nếu không sẽ rất khó phát hiện,

Đây là người mà chúng tôi đã nói chuyện với:

  • Assaf Gad , Phó Chủ tịch và Quan hệ đối tác chiến lược, Audioburst
  • Tyler Foxworthy , Nhà khoa học trưởng, RequestJump
  • Patric Palm , Giám đốc điều hành, Favro
  • Sameer Padhye , CEO, FixStream
  • Matthew Tillman , Giám đốc điều hành, Haven
  • Dipti Borkar , Tiếp thị sản phẩm VP, Kinetica
  • Ted Dunning , Kiến trúc sư trưởng ứng dụng, MapR
  • Jeff Aaron , VP Marketing và Ebrahim Safavi , Nhà khoa học dữ liệu, Mist Systems
  • Dominic Wellington , Nhà truyền giáo CNTT toàn cầu, Moogsoft
  • Tiến sĩ Nils Lenke , Giám đốc, Nghiên cứu doanh nghiệp, Truyền thông Nuance
  • Mark Gamble , Giám đốc tiếp thị sản phẩm, OpenText
  • Sri Ramanathan , Phó chủ tịch nhóm Mobile, Oracle
  • Sivan Metzger , CEO và đồng sáng lập, ParallelM
  • Nisha Talagala , CTO và đồng sáng lập, ParallelM
  • Stuart Feffer , đồng sáng lập và CEO, thực tế AI
  • Sven Denecken , Trưởng phòng quản lý sản phẩm SVP, SAP S / 4 Hana Cloud
  • Steve Sloan , Giám đốc sản phẩm, SendGrid
  • Simon Crosby , CTO, Bơi
  • Liran Zvibel , CEO và đồng sáng lập, WekaIO
  • Daniel DeMillard , Kiến trúc sư AI, zvelo
  • Hữu ích 2 Chia sẻ Viết bình luận 0
    Đã xem 8160