Как пишет VB, слоган «сначала ИИ» часто используется в докладах, корпоративных программах и деловых письмах. Теперь уже Google считает себя «сначала ИИ» компанией, а подход «сначала ИИ» набирает популярность в блогосфере. Но вам нужно заниматься бизнесом. Так как же подойти к «сначала ИИ» с практической стороны?

1. Потребительская ценность

Даже если вы не являетесь техническим экспертом (а если являетесь – то особенно) – нужно уметь коротко и ясно сформулировать то, как ваше решения создаёт ценность для его пользователей. Пользователями могут быть сотрудники, партнёры, клиенты или потенциальные клиенты, даже другие цифровые системы.

Создание ценности – тема обширная, но главным вопросом является: какую проблему вы хотите решить или какую потребность удовлетворить? Базовые ценности, вроде обучения, повышения квалификации, оптимизации, отношений, самовыражения и развлечений – хорошие отправные точки. ИИ обещает взять любую из них и сделать её более прогнозной, индивидуальной и действенной. Это, в свою очередь, может сделать впечатления более значимыми и сильными — до такой степени, что они станут почти магическим, невидимым слоем реальности.

Только убедитесь в том, что вы правильно формируете ваши ожидания. Лучше немного превысить их, для достижения более качественных впечатлений и удовлетворения клиентов, чем потерпеть неудачу, пытаясь удовлетворить завышенные требования.

2. Сбор и обработка данных

Выражение «что посеешь, то и пожнёшь» очень актуально по отношению к ИИ, где масштабируемые прогнозные модели находятся в зависимости от исходных данных. Даже если первичная выборка превышает ваши требования – нужен глубокий и обширный набор данных. Атрибуция, очистка, маркировка и хранение также являются ключевыми моментами.

Чем лучше данные – тем умнее ИИ, что, в свою очередь, создаёт спрос на всё более качественные данные, во всё большем количестве. Чтобы ускорить процесс, облегчайте обработку данных и рационализируйте интеграцию – ИИ сейчас интегрируется прямо в базы данных, такие как MLDB.ai или новый SQL сервер Microsoft.

Качественные данные критичны для ИИ, может даже более критичны, чем для создания алгоритма. Благодаря высокому уровню цифровой активности, спокойного отношения к приватности и большим количествам данных, легко доступных маркетологам, Китай вскоре может догнать или превзойти США в возможностях ИИ. В зависимости от того, создаёте вы своими силами или используете сервис по созданию ИИ, требования для данных буду варьироваться. Данный пост содержит несколько хороших мыслей по теме.

3. Когнитивные ресурсы

Когнитивные ресурсы, алгоритмы и модели обучения сейчас широко доступны, благодаря API и облачным сервисам. IBM, который занимается ИИ с 1950’х годов, используют Watson и Bluemix, но Amazon, Google, и Microsoft также вносят немалый вклад и могут многое предложить.

Это занятие не только для традиционных больших технологий. Маркетинговые платформы, вроде Salesforce и Adobe, тоже начинают предлагать, как основу, ИИ, появляется также большое количество специализированных стартапов. OpenAI и другие некоммерческие инициативы предлагают ресурсы и инструменты для обучения.

Нет какого-то одного единственного решения. Как и в случае набора веб-сервисов, ваш когнитивный набор будет формироваться в зависимости от ваших потребностей, подходящих моделей обучения, опыта ваших ученых и технологов, источников и форматов данных, потребностей в интеграции.

Отличным пример того, насколько доступным становится ИИ, является японский фермер, который, не имея ни навыков, ни бюджета, с помощью TensorFlow, создал механизм классификации огурцов.

4. Связанность

Один из ключевых элементов, благодаря которому работает наш мозг, интернет и ИИ – это глобальная связанность. Связывая ваши smart-сервисы не только с вашей собственной организацией, а также и с другими организациями, с вашей отраслью и смежными отраслями для получения более качественных данных – ключ к вашему успеху.

С существованием как цифровых, так и физических продуктов, важной является межсистемная функциональность. Если ваш ИИ-сервис не способен относительно легко управлять вашими ключевыми устаревшими системами, появится пропасть между «умными» и «глупыми» сервисами, и, как следствие, в вашем обслуживании клиентов.

С повсеместной связанностью, приватность и защита стали популярными темами. Например, DDOS боты захватывали подключенные устройства и откатывали их к заводским настройкам. Люди, работающие в сфере прогнозирования угроз, анализа данных, сетевой сфере и смежных областях также используют машинное обучение для решения своих задач.

Самые смелые области связанности – инициативы Facebook и Neuralink по нейрокомпьютерному интерфейсу. Разумеется, этот проект, хоть и интригующий, всё еще далёк от реализации.

5. Архитектура вычислительной системы

Работа ИИ-приложений – нетривиальная задача, и полноценные решения требуют солидных вычислительных ресурсов. Организация вычислений для ИИ на локальном и глобальном уровнях критически необходима, так как от этого будет зависеть то, насколько плавно будут работать ваши сервисы и как дорого они вам обойдутся.

GPU от Nvidia и AMD были любимцами мира ИИ – и Уолл-стрит – но на ринг выходят новые игроки. Секретное оружие Google против Amazon – их новый TPU-чип, который оптимизирован для запуска и обучения ИИ-приложений и доступен только через облако Google.

Появляются новые вычислительные форм-факторы. Movidius от Intel – первый в мире набор глубокого обучения на отдельном USB-накопителе. Microsoft встраивают обработку ИИ прямо в следующую итерацию HoloLens с целью обеспечения скорости, оффлайн функциональности и, как результат, повышенной мобильности.

Формируются две противоположные тенденции: доступно большее количество вычислительных сервисов для тяжёлой работы, но устройства также становятся всё мощнее, и некоторые вычисления приближаются к грани.

6. Моральный кодекс

С огнём у нас было несколько тысяч лет на пробы и ошибки, пока не появились датчики дыма, разбрызгиватели и огнестойкие материалы. С сегодняшними мощными и повсеместно распространёнными платформами, каждое цифровое действие может вызвать каскад непреднамеренных взаимодействий, которые могут очень быстро привести к нанесению огромного ущерба.

Получая в своё распоряжение огромную мощь ИИ, компании также несут большую ответственность. Маркетологам необходимо придерживаться морального кодекса для обеспечения приватности и безопасности людей, собственной юридической ответственности и даже бесперебойного функционирования общества и экономики.

Это относится не только к размещению сервисов, но и к их разработке. Приложения, имеющие гендерные предубеждения, или те, которые определяют только лица людей конкретной национальности, благодаря своему обучению и обучавшим, должны рассматриваться в мире разумном, мире справедливости и равенства.

CEO Microsoft Сатья Надела – одна из наиболее выдающихся технических руководителей, заложивших несколько предварительных этических правил разработки ИИ.

7. Постоянная реконфигурация

Область ИИ – это, пожалуй, самая быстроразвивающаяся область технологий, и, если что-то и можно сказать точно, это то, что мир машинного обучения, в течение ближайших 12 месяцев, примет совершенного другой вид. Если так подумать, оно будет выглядеть совершенно иначе уже в течение следующих трёх месяцев.

Такой темп изменений требует постоянной реорганизации операций разработки. Некоторые ведущие умы и компании призывают перейти на модель DesignOps, в которой особое внимание уделяется потребителям и потребительской ценности, тщательно проверенной постоянными испытаниями и тестами.

Большое количество тактических показателей будет ключевыми входными данными и движущей силой ИИ-стратегии. Собранные вами данные, вещи, которые вы предоставляете клиентам и то, как всё это работает на тактическом уровне, стали ключевыми моментами в формировании целей и направленности повседневной работы.

В «сначала ИИ» мире, организация и люди в ней – а не только машины – должны постоянно обучаться.

7 шагов для внедрения ИИ в ваш бизнес
Оценка