Wie fange ich mit KI an - bevor es zu spät ist?

KI und maschinelles Lernen werden viel mehr Entscheidungen treffen. Sie werden wahrscheinlich in naher Zukunft noch nicht dazu verwendet, „große“ Entscheidungen zu treffen, beispielsweise, ob eine Ware mit 25 Prozent verzollt und ein Handelskrieg mit einem Partner begonnen werden soll.

Fast alles, was Sie in Excel festgehalten und massiert, codiert oder sortiert haben, ist jedoch ein gutes Clustering-, Klassifizierungs- oder Ranking-Problem. Alles, was eine Reihe von Werten ist, die vorhergesagt werden können, ist ein gutes Problem des maschinellen Lernens. Alles, was ein Muster, eine Form oder ein Objekt ist, das Sie gerade durchlaufen und nach dem Sie suchen, ist ein gutes Problem des tiefen Lernens.

Und das Geschäft ist voll davon. So wie das Textverarbeitungsprogramm den Schreibmaschinenpool ersetzt hat, wird AI bald Horden von Büroangestellten ersetzen, die Excel anstarren - und auch einige Analysten ersetzen.

Unternehmen müssen sich auf diese Änderung vorbereiten. So wie Unternehmen, die sich nicht auf das Web und den E-Commerce vorbereitet haben, im Staub liegen, werden auch Unternehmen, die sich nicht an KI und maschinelles Lernen anpassen, im Staub liegen. Wenn Sie sich nicht die riesigen Datenmengen ansehen, die Sie verarbeiten, und die Entscheidungen, die Sie treffen, und fragen: "Kann ich nicht die letzte Meile bei der Automatisierung gehen?" oder nach Dingen suchen, die Sie nicht tun, weil Sie sich nicht „in Echtzeit“ genug entscheiden können, um sich einen Vorteil zu verschaffen - ich werde die Schließung Ihres Unternehmens in ein paar Jahren in den Zeitungen sehen.

Um sich auf diese Änderung vorzubereiten, müssen Sie fünf Voraussetzungen erfüllen, bevor Sie überhaupt mit einer Geschäftstransformation beginnen können. Sie benötigen eine Strategie zur Verbreitung der KI in Ihrem Unternehmen, die mit diesen fünf Voraussetzungen beginnt.

KI-Voraussetzung Nr. 1: Bildung

Sie können nicht jeden in Ihrem Unternehmen zum Datenwissenschaftler machen. Darüber hinaus läuft ein Teil der Mathematik zu schnell, als dass wir Sterblichen es verstehen könnten - der spezifische Algorithmus, den die Leute diese Woche für am effizientesten halten, wird wahrscheinlich nächste Woche nicht der richtige sein.

Einige grundlegende Dinge werden sich jedoch nicht ändern. Jeder in Ihrer Organisation sollte einige grundlegende Funktionen des maschinellen Lernens verstehen, insbesondere Entwickler:

  • Clustering: Dinge zusammen gruppieren.
  • Klassifizierung: Sortieren von Dingen in beschriftete Gruppen.
  • Vorhersage auf einer Linie: Wenn Sie ein Liniendiagramm erstellen können, können Sie wahrscheinlich vorhersagen, wie hoch dieser Wert sein wird.
  • Vorhersage der Varianz: Ob es sich um ein Liquiditätsrisiko, Vibrationen oder Leistungsspitzen handelt, wenn Sie eine Reihe von Werten haben, die in einen Bereich fallen, können Sie vorhersagen, wie hoch Ihre Varianz an einem bestimmten Tag ist.
  • Sortieren / Bestellen / Priorisieren: Ich spreche nicht über die einfachen Dinge. Unabhängig davon, ob es sich um eine Suche oder eine Priorisierung handelt, welche Anrufe Ihr Vertriebs- oder Supportmitarbeiter als Nächstes entgegennimmt, kann dies durch maschinelles Lernen erledigt werden.
  • Mustererkennung: Ob es sich um eine Form, einen Klang oder eine Reihe von Wertebereichen oder Ereignissen handelt, Computer können lernen, sie zu finden.

Eine wichtige Sache ist es, eine Gruppe von Leuten zu haben, die es für Leute basierend auf ihrem Können dumm machen können. Ihre Entwickler sind möglicherweise an bestimmten Algorithmen oder Techniken interessiert, aber Ihre Analysten und Führungskräfte sollten die grundlegenden Geschäftsprobleme und Computertechniken verstehen. Ihre Führungskräfte müssen möglicherweise nicht wissen, wie Clustering funktioniert, müssen jedoch erkennen, dass ein Problem wie ein Clustering-Problem aussieht.

Schließlich benötigen Sie mindestens einmal jährlich eine regelmäßige Aktualisierung der Ausbildung, da die Funktionen erweitert werden. 

Zugehöriges Video: Maschinelles Lernen und KI entschlüsselt

Unser Panel durchbricht den Hype um maschinelles Lernen und künstliche Intelligenz und spricht über die Definitionen und Implikationen der Technologie.

AI-Voraussetzung Nr. 2: Komponentisierung

Einige der jüngsten Tools zur Komponentisierung sind „Notizbücher“ für Datenwissenschaftler. Viele andere Tools entstehen daraus. Dies sind großartige Tools für Datenwissenschaftler und ihre Mitarbeiter.

Das Problem ist, dass sie schlechte Praktiken in Bezug auf die Produktion fördern. Die Schnittstelle zu einem Klassifizierungsalgorithmus sieht ungefähr genauso aus wie alle anderen Algorithmen. Eine bestimmte Implementierung eines Klassifizierungsalgorithmus ändert sich nicht mit dem Geschäftsproblem.

Genau wie viele Unternehmen herausfinden mussten, wie eine Darstellung eines Kunden erstellt werden kann (und nicht völlig unterschiedliche in jedem System für jedes Geschäftsproblem), müssen Sie dies auch für Algorithmen tun. Dies bedeutet nicht, dass Sie einen echten Clustering-Algorithmus entwickeln müssen, sondern dass Sie das, was anders ist, komponieren.

KI-Voraussetzung Nr. 3: Systematisierung

Trotz aller Probleme sehen die meisten Systeme immer noch gleich aus. Es gibt einen Prozess zum Abrufen der Daten in einen Algorithmus, einen Prozess zum Ausführen des Algorithmus und einen Ort zum Ausspucken des Ergebnisses. Wenn Sie all diese Dinge für jeden Algorithmus immer wieder individuell entwerfen, verschwenden Sie Zeit und Geld - und schaffen sich ein größeres Problem. Genau wie SOA geändert hat, wie viele Unternehmen Anwendungssoftware bereitstellen, sind ähnliche Techniken für die Bereitstellung von KI erforderlich.

Sie benötigen nicht viele benutzerdefinierte Spark-Cluster, die überall mit benutzerdefinierten „Notebooks“ und benutzerdefinierten ETL-Prozessen ausgeführt werden. Sie benötigen KI-Systeme, die unabhängig vom Geschäftsproblem das schwere Heben ausführen können.

AI-Voraussetzung Nr. 4: AI / UI-Komponentisierung

In einer JavaScript / Web-UI-Welt mit RESTful-Diensten im Back-End sollten viele Ihrer UIs in der Lage sein, nur eine AI-Komponente einzumischen. Unabhängig davon, ob es sich um eine Empfehlung handelt, die auf dem Benutzerverhalten basiert, oder um einen vollständigen virtuellen Assistenten, sollte Ihr Unternehmen eine UI-Bibliothek erstellen, die AI-Funktionen enthält, die sich problemlos in Ihre Geschäftsanwendungen einbetten lassen.

KI-Voraussetzung Nr. 5: Instrumentierung

Nichts davon funktioniert ohne Daten. Kehren wir nicht zur Erstellung großer, fetter Daten-Dumps zurück, in denen wir nur eine Menge Müll auf HDFS sammeln und hoffen, dass er eines Tages einen Wert hat, wie einige Anbieter Sie dazu aufgefordert haben. Schauen wir uns stattdessen an, welche Dinge instrumentiert werden sollten.

Wenn Sie in der Fertigung sind, gibt es einfache Ansatzpunkte: Jeder, der eine manuelle Anzeige herauszieht, verschwendet Ihre Zeit. Aber auch in Vertrieb und Marketing haben Sie E-Mail und Mobiltelefone - Daten können automatisch von diesen gesammelt werden, was eindeutig nützlich ist. Lassen Sie die Systeme dies nicht selbst tun, anstatt Vertriebsmitarbeiter zu nerven, damit sie ihre Daten eingeben können.

Bewegen Sie sich mit Ihrer KI-Strategie

Zusammenfassend sind die fünf Hauptvoraussetzungen:

  • Verbreiten Sie KI-Kenntnisse in Ihrem Unternehmen.
  • Jeder sollte die grundlegenden alltäglichen Dinge verstehen, die Maschinen selbst erledigen können.
  • Erstellen Sie Systeme und Komponenten für Ihre KI.
  • Erstellen Sie AI / UI-Mixins, um Ihren Geschäftsanwendungen auf einfache Weise AI hinzuzufügen.
  • Instrumentieren Sie Ihre Systeme, um die Daten zu sammeln, die Sie benötigen, um die Algorithmen zu füttern und Entscheidungen für Sie zu treffen.

Wenn Sie diese Voraussetzungen zusammenstellen, sollte der Rest beim Übergang vom Informationszeitalter zum Einsichtszeitalter folgen.