Читать книгу Ключевые идеи книги: Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения. Аджей Агравал, Джошуа Ганс, Ави Голдфарб - Smart Reading, Ольга Ганкова - Страница 3
ИИ за работой: прогнозы, но не суждения
ОглавлениеИскусственный интеллект – это прогностический инструмент, который позволяет заполнять информационные пробелы путем анализа имеющихся данных.
Современные мощные компьютеры легко справляются с объемами вычислений, которые были немыслимы еще двадцать лет назад. При этом применяются десятки методов, которые специалисты по ИИ подбирают под конкретные задачи: классификация, кластеризация, регрессия, дерево решений, байесовское оценивание, нейронные и капсульные сети, топологический анализ данных, глубокое и стимулированное обучение и т. д.
Развитие бизнеса, организации – по сути, работа с прогнозами касательно спроса, цены, поведения конкурентов, расходов и прибылей. На основе прогнозов принимаются решения. Поэтому, чем точнее и дешевле становятся прогнозы ИИ, тем увереннее они будут проникать в повседневную практику бизнеса.
Насколько интеллектуален ИИ
Иногда людям не нравится, что работу прогностических машин называют интеллектом. Однако для этого есть некоторые основания:
▶ конечный результат деятельности ИИ – прогноз, который до недавнего времени оставался прерогативой человека;
▶ ИИ умеет учиться, проверяя свои прогнозы на практике и делая выводы на будущее.
Джефф Хокинс в книге «Об интеллекте» (On Intelligence) писал, что префронтальная кора головного мозга – прогностический орган. Так что аналогия между ИИ и мозгом человека – вполне разумное допущение.
Тем не менее пока ИИ не может заменить человека. И мы разберемся почему.
Как работает ИИ
Инструменты ИИ основаны на трех типах данных:
▶ исходные, которые загружаются в прогностические алгоритмы;
▶ обучающие – данные о среде, необходимые для создания самих алгоритмов ИИ;
▶ данные обратной связи о работе алгоритмов.
ИИ обучает себя сам: входные данные (тип 1) закладываются в машину вместе с данными о критериях исходов (тип 2), затем данные о точности сделанного прогноза (тип 3) становятся основой для уточнения алгоритмов. Этот процесс называется машинным обучением.
Классическая регрессия строится на теоретически работоспособных методах, которые могут оказаться совершенно бесполезными на практике. Машинное обучение тестирует прогнозы и улучшает алгоритмы на основе реальной обратной связи.
Гибкие методы обучения машин позволяют им сочетать множество переменных самым неожиданным образом – таким, какой не пришел бы в голову даже самому квалифицированному аналитику.
Ярким примером того, как человеческий мозг не справляется с анализом множества переменных, можно считать финансовый кризис 2008 года. Аналитики по отдельности изучали локальные сегменты рынка недвижимости и были уверены, что рынок обеспеченных долговых обязательств стабилен. Но когда кризис разразился сразу во многих локациях США, эти прогнозы провалились: в них не было данных о взаимном влиянии рынков.
ИИ умеет обрабатывать колоссальные объемы данных и сопоставлять множество переменных, формируя таким образом полную картину происходящих процессов. Прогноз ИИ создается в том числе на основе не предусмотренных заранее сопоставлений.
Данные – топливо для ИИ
Объемы цифровых данных, их разнообразие и качество за последние 20 лет выросли драматически. Все вокруг оснащено датчиками, машины распознают и оцифровывают тексты и изображения – и все это может стать пищей для ИИ. Чем больше данных, тем точнее прогноз. Но данные стоят денег. И только такие гиганты, как Google и Facebook, сегодня могут собирать бесконечные объемы данных с конечных пользователей. Большинство организаций должно решить для себя вопрос, сколько именно средств они могут вложить в получение необходимых для эффективного развития данных. Чтобы рассчитать объем капиталовложений в данные, нужно ответить на следующие вопросы:
▶ что именно нужно прогнозировать;
▶ какие типы данных для этого требуются;
▶ как часто нужно собирать данные;
▶ сколько объектов требуется для обучения ИИ.
Данных должно быть достаточно, чтобы уловить существенные закономерности и построить прогноз. И в то же время стоит помнить, что 100-процентная точность прогноза, купленная ценой сбора огромного количества данных, может быть излишней.