Data science

AI và ML cho Thánh lễ

Trí tuệ nhân tạo không còn là lĩnh vực của các nhà công nghệ ở Hollywood, cũng như chỉ dành cho các công ty khởi nghiệp do Fortune 500 hoặc VC hậu thuẫn. Trên thực tế, việc sử dụng công nghệ ngày càng trở nên phổ biến ở các công ty thuộc mọi quy mô. IBM mô tả trí tuệ nhân tạo (AI) là công nghệ “sử dụng máy tính và máy móc để bắt chước khả năng giải quyết vấn đề và ra quyết định của bộ óc con người”. Tiên tiến? Bạn đặt cược. Nhưng ngày nay, ngay cả các công ty vừa và nhỏ cũng có thể tận dụng AI bằng cách khai thác dữ liệu khách hàng, sản phẩm và thị trường để cung cấp năng lượng phân tích, giảm thời gian tiếp thị và giúp tăng cường cạnh tranh. Dữ liệu làm cho một ứng dụng của AI như máy học (ML) trở nên khả thi. Các công ty trong lĩnh vực chăm sóc sức khỏe, giao thông vận tải, luật, giáo dục và thậm chí cả nông nghiệp tạo ra khối lượng lớn trong số đó và họ đang hưởng lợi từ AI và ML. Chúng ta hãy xem xét kỹ hơn cách AI và ML đã và đang biến đổi cách các công ty hoạt động, cho dù họ có coi mình là “công ty công nghệ” hay không. Bạn thực sự đang cố gắng giải quyết vấn đề gì? Trước khi một công ty cố gắng điều hướng một dự án AI hoặc ML, cần phải hiểu về vấn đề mà công ty đang cố gắng giải quyết – và cần phải có rất nhiều dữ liệu. Sau đó, công ty có thể tìm cách AI hoặc ML có thể giúp nó hoàn thành các quy trình nhanh hơn và đáng tin cậy hơn. Ví dụ, với quá trình tự động hóa bằng robot, người ta có thể tận dụng AI để xác định các mẫu hiện đang yêu cầu mắt người nhận ra. Ngoài ra, ML có thể được sử dụng để hoàn thành các nhiệm vụ lặp đi lặp lại, dư thừa trong khi học và nhận dạng các mẫu cũng như đưa ra suy luận, giống như con người (nhưng nhanh hơn). Ví dụ, một công ty có nhân viên hiện trường chụp ảnh tài liệu. Sau đó, các nhân viên hiện trường sẽ gửi ảnh về trụ sở chính để các nhân viên khác chuyển ảnh đến các phòng ban khác nhau. Loại vấn đề phân loại này đã chín muồi để tự động hóa. Sử dụng một công cụ như AutoML của Google, các nhà phát triển có kinh nghiệm hạn chế có thể xây dựng các mô hình ML của khách hàng. Một trong những lợi ích của việc triển khai cụ thể này là nó giải phóng nhóm để tập trung vào công việc sáng tạo hơn. Nói cụ thể về những gì bạn đang cố gắng tự động hóa (Seita / Shutterstock) Hoặc, hãy xem xét bóng đá – một sản phẩm phi kỹ thuật nhất định trên sân nhưng là sản phẩm tạo ra một lượng lớn dữ liệu về các yếu tố như hiệu suất của cầu thủ, cường độ va chạm, sở thích chạy chuyền và chơi tương tự. Một công ty khác, một công ty phân tích thể thao, cần cải thiện tốc độ để có thể cung cấp cho các đội phân tích chuyên sâu. Sử dụng ML, công ty đã thấy những gì trước đây là chu kỳ phân tích bốn ngày giảm xuống dưới hai phút, cải thiện đáng kể khả năng xác thực các mô hình trò chơi với nhau. Những thông tin như vậy được đánh giá cao bởi các nhóm dựa trên những phân tích này. Trong cả hai trường hợp, vấn đề đã rõ ràng. Có những quy trình chỉ đơn giản là phải nhanh hơn và ít lỗi hơn để đáp ứng nhu cầu kinh doanh. Hiểu những gì bạn cần cải thiện – và liệu AI hoặc ML có thể giúp bạn đạt được điều đó hay không – là điều rất quan trọng. Đầu tư vào một nhóm có thể theo kịp nhu cầu về AI và ML của bạn Để tận dụng AI và ML, các công ty cần xây dựng một đội ngũ có chuyên môn. Tiếp tục đào tạo và trau dồi mô hình là một quá trình lặp đi lặp lại, vì vậy ngay cả các công ty phi công nghệ cũng nên cân nhắc thêm một số nhân viên mới trong các vai trò kỹ thuật, những người hiểu rõ quy trình. Thuê một đối tác tư vấn kỹ thuật cũng có thể là một cách tốt để phát triển nhóm. Ngay cả trong số các công ty hàng đầu, hầu hết các nhà lãnh đạo không hiểu cách các mô hình AI hoặc ML đưa ra quyết định, vì vậy, đội ngũ IT và phân tích có trách nhiệm trong nhóm, những người có nhận thức tốt hơn, để giúp các nhà lãnh đạo hiểu giá trị và sự khác biệt mà các mô hình có thể tạo ra. Con người là yếu tố có giá trị nhất trong chương trình ML và AI của bạn (pgraphis / Shutterstock) Đầu tư vào AI và ML ban đầu, và để giám sát sau này, sẽ mang lại hiệu quả đáng kể. Sự tập trung vào thời đại đại dịch vào AI đã giúp công nghệ này sẵn sàng cho sự phát triển liên tục. Forbes đã báo cáo vào đầu năm nay rằng “43% doanh nghiệp nói rằng các sáng kiến ​​AI và ML của họ quan trọng hơn những gì chúng ta nghĩ, với 1/4 nói rằng AI và ML nên được ưu tiên hàng đầu của họ sớm hơn. ” Cam kết ngày càng tăng đối với công nghệ và chi tiêu liên quan sẽ có nghĩa là sự phụ thuộc nhiều hơn vào các thành viên trong nhóm và các đối tác có thể sử dụng nó một cách hiệu quả. Đề phòng những cạm bẫy thường gặp Khi chuyển đổi sang AI hoặc ML, sai lầm dễ dàng nhất là đánh giá thấp lượng dữ liệu cần thiết để đào tạo một mô hình mới đúng cách. Hầu hết các dự án AI hoặc ML đều bắt đầu với kiến ​​thức bằng không. Có thể mất hàng nghìn, hàng triệu và thậm chí hàng nghìn tỷ điểm dữ liệu riêng lẻ để mô hình AI hoặc ML trở nên đáng tin cậy khi phân loại. Khi một công ty thuê một nhà phát triển bên ngoài hoặc thuê một nhà khoa học dữ liệu, yêu cầu đầu tiên sẽ luôn là để có thêm dữ liệu. Khi các công ty bắt đầu xem xét tất cả các điểm dữ liệu mà họ sản xuất ở mọi giai đoạn tương tác với khách hàng hoặc sử dụng sản phẩm, họ có thể cần thêm thiết bị đo đạc để nắm bắt khối lượng (và giá trị) thực tế của dữ liệu được tạo ra. Một cạm bẫy quan trọng khác cần tránh là nhập dữ liệu bị lỗi trong quá trình đào tạo. Các sai lầm trong tập huấn luyện sẽ được gắn vào mô hình và có thể làm trật bánh toàn bộ dự án. Kiểm tra lỗi cũng nên được chú trọng hàng đầu đối với các công ty triển khai AI hoặc ML. Trong các loại phần mềm khác, nhà phát triển có thể kéo mã lên và cố gắng phát hiện lỗi, nhưng với lập trình AI và ML, lỗi khó xác định và khắc phục hơn nhiều. Việc sửa chữa sai lầm không bao giờ là lý tưởng, nhưng vì phần mềm liên tục tối ưu hóa và học hỏi các mẫu, nên tác động của bất kỳ sai lầm nào cũng trở nên phức tạp. Điều này không giống như một thành viên trong nhóm đã được đào tạo không đúng cách sẽ tiếp tục đào tạo những người mới thuê theo cách tương tự. Tốc độ, hiệu quả và độ chính xác của đầu ra là những gì làm cho các giải pháp AI và ML trở nên có giá trị đối với các công ty, nhưng điều quan trọng là phải xác định cẩn thận vấn đề cần giải quyết và đào tạo các mô hình một cách chính xác. Nếu không, kết quả hạ nguồn của bạn sẽ thiếu những gì bạn cần. Việc sử dụng hiệu quả công nghệ này đòi hỏi phải có cam kết đào tạo, tinh chỉnh và đào tạo lại các mô hình để loại bỏ dữ liệu sai lệch và sai lệch. Công nghệ vẫn đang phát triển, nhưng các phương pháp và công cụ được thiết lập tốt cho phép các công ty ở bất kỳ quy mô nào tận dụng AI và ML ngày nay – số giờ, ngày và thậm chí hàng tuần nghỉ của các công ty và khách hàng của họ phụ thuộc vào. Thông tin về tác giả: Calvin Hendryx-Parker là đồng sáng lập và CTO của Six Feet Up, một công ty phần mềm giúp các tổ chức xây dựng ứng dụng nhanh hơn, đổi mới bằng AI, đơn giản hóa Dữ liệu lớn và tận dụng công nghệ Đám mây. Trong 2019, Calvin được vinh danh là Anh hùng cộng đồng AWS. Ngoài ra, anh ấy còn là người đồng sáng lập IndyPy, cuộc họp mặt Python lớn nhất ở Indiana và là người sáng lập IndyAWS, cuộc họp mặt trên đám mây phát triển nhanh nhất ở Indiana. Các mục liên quan: AI: Không chỉ dành cho những chú chó FAANG lớn Còn thêm 3 lý do Python là AI Lingua Franca Phơi bày vấn đề 1% của AI

  • Trang chủ
  • Trí tuệ nhân tạo
  • Chuyên viên phân tích kinh doanh
  • Thông tin kinh doanh
  • Khoa học dữ liệu
  • Back to top button