Всем привет! Начнём месяц с довольно легкого, но полезного материала, публикация которого приурочена к началу запуска курса "Big Data для менеджеров", который стартует уже в середине апреля. Итак, начнём.
Существует огромное количество авторитетных мнений на тему влияния искусственного интеллекта (ИИ) на бизнес ближайшего будущего. Но на тему того, как именно компании могут начать им пользоваться, сказано гораздо меньше. Наше исследование и книга начинаются с разбора ИИ на его простейшие составляющие. Мы предлагаем способ осуществить этот первый шаг.
Начнем с простой идеи: последние разработки в сфере ИИ направлены на снижение стоимости предсказания. ИИ улучшает прогнозы, делает их быстрее и дешевле. Стало гораздо проще предсказывать не только будущее (Какая погода будет на следующей неделе?) но и настоящее (Как переводится на английский этот испанский сайт?). Прогнозирование — это использование имеющейся информации, для получения информации, которой у вас нет. Если у вас есть информация (данные), которую нужно отфильтровать, сжать и отсортировать для получения идей, облегчающих принятие решений, прогнозирование поможет это сделать. И теперь машины могут в этом помочь.
Улучшенные предсказания помогают принимать решениях в условиях неопределенности, что для бизнеса — частая ситуация. Но как продумать внедрение машины для предсказаний в процесс принятия решений?
Эту тему мы преподавали выпускникам MBA Школы Менеджмента Ротмана в Университете Торонто и рассказали о простом инструменте для принятия решений: ИИ Холст. Каждый элемент холста содержит одно из требований для принятия решений с помощью компьютера, начиная с предсказания.
ИИ холст
Используйте его, чтобы понять, как ИИ поможет принимать бизнес-решения.
Более 97% случаев срабатывания системы домашней сигнализации оказываются ложными. То есть, их причина не злоумышленник. Охранной компании нужно принять какое-то решение: вызывать ли полицию или охрану? Позвонить домовладельцу? Проигнорировать? Если компания решает действовать, более чем в 90 случаев из 100, это будет напрасно. Однако, принятие мер в ответ на срабатывание сигнализации значит, что если опасность действительно есть, то охранная компания не оставит ее без внимания.
Как понять, поможет ли вам предиктивная машина? ИИ Холст — простой инструмент для систематизации необходимой информации по семи категориям для получения необходимого решения. Разберемся на примере охранной сигнализации.
ИИ холст: Пример использования ИИ для улучшения домашней безопасности
Предсказание больше не заключается в “движение = тревога”, а, например, “движение + незнакомое лицо = тревога”. Более сложные предсказания снижают количество ложных срабатываний, что упрощает принятие решения отправить охранника на проверку, вместо звонка владельцу.
Предсказание не может быть точным на 100%. Поэтому, чтобы определить размер вложения в улучшение предсказаний, нужно знать стоимость ложного срабатывания в сравнении со стоимостью игнорирования настоящего. Это зависит от ситуации и требует человеческой оценки. Сколько стоит ответный звонок для подтверждения ситуации? Сколько стоит отправить охранника в ответ на тревогу? Сколько стоит быстрая реакция? Во сколько обойдется бездействие, если злоумышленник действительно оказался в доме? Есть множество факторов, которые нужно учитывать; Определение их относительной стоимости требует оценки.
Такая оценка может изменить суть развернутой вами машины для прогнозирования. В случае с сигнализацией, камеры по всему дому — один из лучших вариантов для определения присутствия неизвестного злоумышленника. Но многие люди могут посчитать это некомфортным.
Некоторые предпочтут конфиденциальность снижению количества ложных срабатываний сигнализации. Оценка иногда требует определения относительных значений и факторов, которые сложно подсчитать, а значит и сравнить. Стоимость ложного срабатывания легко измерить, цену конфиденциальности — нет.
Затем, определите действие, которое зависит от сгенерированного прогноза. Это может быть простое решение “реагировать/не реагировать”, или что-то более нюансированное. Возможные варианты действия включают не только реакцию кого-то, но и мгновенное включение удаленного мониторинга, кто находится дома, или какого-то способа контакта с владельцем дома.
Действие ведет к результату. Например, охранная компания, среагировала и отправила охранника для проверки (действие), который обнаружил нарушителя (результат). Другими словами, оглядываясь назад, мы можем увидеть были ли на всех этапах приняты правильные решения. Это знание полезно для оценки необходимости улучшения предсказаний в течение времени. Если вы не знаете, какой результат хотите получить, улучшения будут затруднены, если не невозможны.
Часть холста — предсказание, оценка, действие и результат, описывают важные аспекты решения. Другая часть — три заключительных соображения. Все они связаны с данными. Чтобы генерировать полезное предсказание, нужно знать, что происходит в момент принятия решения — в нашем случае, когда срабатывает сигнализация. В приведенном примере, это включает данные датчиков движения и визуальные данные камер, собранные в режиме реального времени. Это самые базовые вводные данные.
Но для разработки машины для предсказаний, в первую очередь вам нужно обучить модель машинного обучения. Обучающие данные состоят из данных датчиков за определенный промежуток времени с соответствующими им результатами для калибровки алгоритмов, лежащих в основе машины прогнозирования. В этом случае, представим огромную таблицу, где каждая строка — время срабатывания сигнализации, был ли на самом деле злоумышленник и какие-то еще данные, например, время и место. Чем богаче и разнообразнее обучающие данные, тем лучше будут ваши предсказания. Если данных нет, придется запустить посредственную машину предсказаний и ждать ее улучшения с течением времени.
Улучшения произойдут благодаря обратной связи. Это данные, которые вы собираете во время работы машины в реальных ситуациях. Данные обратной связи часто генерируются в более насыщенной среде, чем тренировочные. В нашем примере, можно найти связь результата с данными, полученными датчиками через окна, что влияет на то, как распознается движение, и как камеры снимают лица — что возможно более реалистично, чем данные, использованные для обучения. Так вы можете еще улучшить точность предсказаний благодаря продолжительному обучению на данных обратной связи. Иногда такие данные будут заточены на определенный дом. А в других случаях, могут распространяться на несколько.
Разъяснение этих семи факторов для каждого важного решения вашей организации поможет определить возможность ИИ снизить стоимость или улучшить производительность. Здесь мы обсудили решение, связанное с определенной ситуацией. Чтобы начать работу с ИИ, ваша задача — определить ключевые решения в вашей организации, в которых результат зависит от неопределенностей. Заполнение ИИ Холста не сможет сказать, нужен ли вам собственный ИИ или можно купить готовый у поставщика, но сможет объяснить, какой вклад внесет ИИ (предсказание), как он будет взаимодействовать с людьми (оценка), как будет влиять на решения (действие), как будет оцениваться успех (результат), и какие типы данных, необходимы для обучения, эксплуатации и улучшения ИИ.
Потенциал огромен. Например, срабатывание сигнализации передает предсказание удаленному агенту. Одна из причин такого подхода — огромное количество ложных срабатываний. Но подумайте — если предсказательные машины станут настолько умными, что больше не будет ложных срабатываний, будет ли реакция и отправка охранника правильным решением? Можно только представить альтернативные решения, например, систему захвата злоумышленника на месте (как в мультиках!), которые могли бы существовать при более точных и качественных предсказаниях. В целом, улучшение предсказаний создает больше возможностей для появления новых подходов к безопасности, или даже потенциального предсказывая намерений злоумышленника до их проникновения.
Если считаете материал полезным, будем благодарны за ваши плюсы. А для более подробного ознакомления с программой курса прямо сейчас вы можете записаться на бесплатный открытый вебинар, который уже 3 апреля проведет наш преподаватель — Артем Просветов.
Существует огромное количество авторитетных мнений на тему влияния искусственного интеллекта (ИИ) на бизнес ближайшего будущего. Но на тему того, как именно компании могут начать им пользоваться, сказано гораздо меньше. Наше исследование и книга начинаются с разбора ИИ на его простейшие составляющие. Мы предлагаем способ осуществить этот первый шаг.
Начнем с простой идеи: последние разработки в сфере ИИ направлены на снижение стоимости предсказания. ИИ улучшает прогнозы, делает их быстрее и дешевле. Стало гораздо проще предсказывать не только будущее (Какая погода будет на следующей неделе?) но и настоящее (Как переводится на английский этот испанский сайт?). Прогнозирование — это использование имеющейся информации, для получения информации, которой у вас нет. Если у вас есть информация (данные), которую нужно отфильтровать, сжать и отсортировать для получения идей, облегчающих принятие решений, прогнозирование поможет это сделать. И теперь машины могут в этом помочь.
Улучшенные предсказания помогают принимать решениях в условиях неопределенности, что для бизнеса — частая ситуация. Но как продумать внедрение машины для предсказаний в процесс принятия решений?
Эту тему мы преподавали выпускникам MBA Школы Менеджмента Ротмана в Университете Торонто и рассказали о простом инструменте для принятия решений: ИИ Холст. Каждый элемент холста содержит одно из требований для принятия решений с помощью компьютера, начиная с предсказания.
ИИ холст
Используйте его, чтобы понять, как ИИ поможет принимать бизнес-решения.
ПРЕДСКАЗАНИЕЧтобы объяснить работу ИИ холста, используем пример, придуманный на одном из воркшопов по ИИ-стратегии Крейга Кэмпбелла (Craig Campbell), CEO Peloton Innovations, организации, которая занимается внедрением ИИ в индустрию безопасности. (Это реальный пример, основанный на продукте под названием RSPNDR.ai, который продает Peloton.)
Что нужно знать для принятия решения?
ОЦЕНКА
Как оцениваются различные результаты и ошибки?
ДЕЙСТВИЕ
Что вы пытаетесь сделать?
РЕЗУЛЬТАТ
Какие метрики используются для оценки успешности?
ВХОДНЫЕ ДАННЫЕ
Какие данные необходимы для запуска предсказательного алгоритма?
ОБУЧЕНИЕ
Какие нужны данные для обучения предсказательного алгоритма?
ОБРАТНАЯ СВЯЗЬ
Как можно использовать результаты для улучшения алгоритма?
Более 97% случаев срабатывания системы домашней сигнализации оказываются ложными. То есть, их причина не злоумышленник. Охранной компании нужно принять какое-то решение: вызывать ли полицию или охрану? Позвонить домовладельцу? Проигнорировать? Если компания решает действовать, более чем в 90 случаев из 100, это будет напрасно. Однако, принятие мер в ответ на срабатывание сигнализации значит, что если опасность действительно есть, то охранная компания не оставит ее без внимания.
Как понять, поможет ли вам предиктивная машина? ИИ Холст — простой инструмент для систематизации необходимой информации по семи категориям для получения необходимого решения. Разберемся на примере охранной сигнализации.
ИИ холст: Пример использования ИИ для улучшения домашней безопасности
ПРЕДСКАЗАНИЕВо-первых, уточним, что нужно предсказать. В случае со срабатыванием сигнализации, нужно узнать, вызвано ли это неизвестным человеком или нет (ложное срабатывание или нет). Предсказательная машина потенциально может об этом сообщить — в конце концов, сигнализация с простым датчиком движения в какой-то степени является предсказательной машиной. Машинное обучение позволяет использовать более широкий спектр данных датчиков для определения того, что именно вы хотите предсказать: было ли движение вызвано именно неизвестным человеком. С правильными датчиками, например, камерой, распознающей лица — людей и домашних животных, или дверным замком, который распознает, когда кто-то находится рядом с дверью, современные ИИ-технологии обеспечивают более детальные прогнозы.
Предсказать, сработала ли сигнализация на неизвестного человека или что-то другое (т.е. правда или ложь).
ОЦЕНКА
Сравните стоимость реакции на ложное срабатывание со стоимостью бездействия в случае настоящего срабатывания.
ДЕЙСТВИЕ
Среагировать или нет в случае срабатывания сигнала.
РЕЗУЛЬТАТ
Было ли принято правильное решение при срабатывании сигнализации.
ВХОДНЫЕ ДАННЫЕ
Данные датчиков движения, тепла, камер за каждый момент во время срабатывания сигнализации. Эти данные будут управлять ИИ.
ОБУЧЕНИЕ
Сенсорные данные за определенный период времени и соответствующие им данные результатов срабатывания (настоящий злоумышленник или ложное срабатывание); эти данные используются для обучения ИИ перед его запуском.
ОБРАТНАЯ СВЯЗЬ
Данные датчиков и соответствующие им результаты срабатывания (подтвержденный злоумышленник или подтвержденное ложное срабатывание); эти данные используются для обновления модели во время работы ИИ.
Предсказание больше не заключается в “движение = тревога”, а, например, “движение + незнакомое лицо = тревога”. Более сложные предсказания снижают количество ложных срабатываний, что упрощает принятие решения отправить охранника на проверку, вместо звонка владельцу.
Предсказание не может быть точным на 100%. Поэтому, чтобы определить размер вложения в улучшение предсказаний, нужно знать стоимость ложного срабатывания в сравнении со стоимостью игнорирования настоящего. Это зависит от ситуации и требует человеческой оценки. Сколько стоит ответный звонок для подтверждения ситуации? Сколько стоит отправить охранника в ответ на тревогу? Сколько стоит быстрая реакция? Во сколько обойдется бездействие, если злоумышленник действительно оказался в доме? Есть множество факторов, которые нужно учитывать; Определение их относительной стоимости требует оценки.
Такая оценка может изменить суть развернутой вами машины для прогнозирования. В случае с сигнализацией, камеры по всему дому — один из лучших вариантов для определения присутствия неизвестного злоумышленника. Но многие люди могут посчитать это некомфортным.
Некоторые предпочтут конфиденциальность снижению количества ложных срабатываний сигнализации. Оценка иногда требует определения относительных значений и факторов, которые сложно подсчитать, а значит и сравнить. Стоимость ложного срабатывания легко измерить, цену конфиденциальности — нет.
Затем, определите действие, которое зависит от сгенерированного прогноза. Это может быть простое решение “реагировать/не реагировать”, или что-то более нюансированное. Возможные варианты действия включают не только реакцию кого-то, но и мгновенное включение удаленного мониторинга, кто находится дома, или какого-то способа контакта с владельцем дома.
Действие ведет к результату. Например, охранная компания, среагировала и отправила охранника для проверки (действие), который обнаружил нарушителя (результат). Другими словами, оглядываясь назад, мы можем увидеть были ли на всех этапах приняты правильные решения. Это знание полезно для оценки необходимости улучшения предсказаний в течение времени. Если вы не знаете, какой результат хотите получить, улучшения будут затруднены, если не невозможны.
Часть холста — предсказание, оценка, действие и результат, описывают важные аспекты решения. Другая часть — три заключительных соображения. Все они связаны с данными. Чтобы генерировать полезное предсказание, нужно знать, что происходит в момент принятия решения — в нашем случае, когда срабатывает сигнализация. В приведенном примере, это включает данные датчиков движения и визуальные данные камер, собранные в режиме реального времени. Это самые базовые вводные данные.
Но для разработки машины для предсказаний, в первую очередь вам нужно обучить модель машинного обучения. Обучающие данные состоят из данных датчиков за определенный промежуток времени с соответствующими им результатами для калибровки алгоритмов, лежащих в основе машины прогнозирования. В этом случае, представим огромную таблицу, где каждая строка — время срабатывания сигнализации, был ли на самом деле злоумышленник и какие-то еще данные, например, время и место. Чем богаче и разнообразнее обучающие данные, тем лучше будут ваши предсказания. Если данных нет, придется запустить посредственную машину предсказаний и ждать ее улучшения с течением времени.
Улучшения произойдут благодаря обратной связи. Это данные, которые вы собираете во время работы машины в реальных ситуациях. Данные обратной связи часто генерируются в более насыщенной среде, чем тренировочные. В нашем примере, можно найти связь результата с данными, полученными датчиками через окна, что влияет на то, как распознается движение, и как камеры снимают лица — что возможно более реалистично, чем данные, использованные для обучения. Так вы можете еще улучшить точность предсказаний благодаря продолжительному обучению на данных обратной связи. Иногда такие данные будут заточены на определенный дом. А в других случаях, могут распространяться на несколько.
Разъяснение этих семи факторов для каждого важного решения вашей организации поможет определить возможность ИИ снизить стоимость или улучшить производительность. Здесь мы обсудили решение, связанное с определенной ситуацией. Чтобы начать работу с ИИ, ваша задача — определить ключевые решения в вашей организации, в которых результат зависит от неопределенностей. Заполнение ИИ Холста не сможет сказать, нужен ли вам собственный ИИ или можно купить готовый у поставщика, но сможет объяснить, какой вклад внесет ИИ (предсказание), как он будет взаимодействовать с людьми (оценка), как будет влиять на решения (действие), как будет оцениваться успех (результат), и какие типы данных, необходимы для обучения, эксплуатации и улучшения ИИ.
Потенциал огромен. Например, срабатывание сигнализации передает предсказание удаленному агенту. Одна из причин такого подхода — огромное количество ложных срабатываний. Но подумайте — если предсказательные машины станут настолько умными, что больше не будет ложных срабатываний, будет ли реакция и отправка охранника правильным решением? Можно только представить альтернативные решения, например, систему захвата злоумышленника на месте (как в мультиках!), которые могли бы существовать при более точных и качественных предсказаниях. В целом, улучшение предсказаний создает больше возможностей для появления новых подходов к безопасности, или даже потенциального предсказывая намерений злоумышленника до их проникновения.
Если считаете материал полезным, будем благодарны за ваши плюсы. А для более подробного ознакомления с программой курса прямо сейчас вы можете записаться на бесплатный открытый вебинар, который уже 3 апреля проведет наш преподаватель — Артем Просветов.
