Hvordan implementere AI og maskinlæring

Video: Hvordan fortelle forskjellen mellom AI, maskinlæring og dyp læring Fremskritt innen kunstig intelligens, maskinlæring og dyp læring påvirker virksomheten. Men, begrepene blir ofte brukt om hverandre. Slik skiller du dem fra hverandre.

For all hypen om kunstig intelligens (AI) og maskinlæring (ML), er det mange IT-ledere som klør seg i hodet om hvordan de kommer i gang med disse funksjonene i datasystemene sine.

Det er ofte ikke noe godt valg: Bytt ut den dyre eksisterende maskinvaren din med nye systemer som Dell og IBM, eller tro på ubeviste små spesialister som kanskje ikke gjør klart hva programvaren deres faktisk gjør.

I stedet, sier uavhengige eksperter, er det best å være treg og spesifikk med å ta fatt på AI- eller maskinlæringsprosjekter. Forstå hva teknologien virkelig kan gjøre, forstå hvilke problemer du har å løse, og forstå hva som må til for at det skal skje. De to første delene er dekket her, men hva med det tredje aspektet, som er implementering?

"Det første du må gjøre er å finne ut hva AI faktisk kan gjøre for deg som selskap, " sa AI / ML-konsulent Adam Geitgey, som hjelper selskaper med å utvikle programvare og blogger mye om det.

For tiden, sa Geitgey, der AI / ML-programvaren fungerer best, er å automatisere repeterende menneskelige oppgaver som krever en liten mengde skjønn. "Det du vil se etter er steder der du har mange mennesker som tar beslutninger om og om igjen ... finner noe som er arbeidsintensivt som du gjør mye av, " forklarte han.

Noen eksempler inkluderer gjennomgang av sivile funndokumenter i søksmål, bildeklassifisering og transkribering av lyd. For interne IT-funksjoner inkluderer eksempler innstilling / optimalisering av datasentreoperasjoner, konfigurasjonsadministrasjon og systemoppdatering / oppdatering, la analytiker Henry Baltazar til 451 Research til.

For det andre, for alle disse eksemplene: "Du trenger mye data for å trene AI til å gjøre det ... hvis du ikke har den informasjonen, vil du ikke kunne bygge et AI-system, " bemerket han. Du kan kjøpe applikasjoner utenfor hyllen fra Amazon, Google og IBM, men hvis du trenger noe tilpasset, må du sette sammen et team for å bygge det.

Mer om kunstig intelligens

  • Google DeepMind-grunnlegger Demis Hassabis: Tre sannheter om AI
  • De 10 mest etterspurte AI-jobbene i verden
  • De 3 mest oversett begrensningene av AI i virksomheten
  • Hvordan bli maskinlæringsingeniør: Et jukseark

"Mange mennesker ansetter spesialister akkurat nå, men nok programvareutviklere på mellomnivå blir interessert, " konstaterte Geitgey. "Det er ganske umodne førstegenerasjons ting. Du kan tenke deg et par år ut, denne typen verktøy vil være mye mer tilgjengelig og standardisert, og du vil sannsynligvis ikke få dem fra maskinvareleverandøren." Foreløpig: "Hvis det er det første selskapet ditt noensinne har gjort, kan det være nyttig å ha veiledning."

"Det tredje trinnet er da å lage løsningen og teste effektiviteten, " la Geitgey til. Det er vanlig å lese om overordnede selskaper som bruker AI til sine interne datamaskinvedlikeholdsoperasjoner, men det er sannsynligvis ikke effektivt for normale selskaper, sa han.

Vanlige feil inkluderer å ville bruke AI / ML ganske enkelt fordi det er populært, og hoppe inn i programvareutvikling før du forstår problemet du trenger å løse, sa Geitgey.

Sensorvirksomhet: IoT, ML og big data (ZDNet spesialrapport) | Last ned rapporten som en PDF (TechRepublic)

For å begynne å samle inn nok data for å forstå problemene og for å utvikle smart nok programvare, "Det jeg alltid råder er å fortelle administrerende direktører og beslutningstakere at dataene i seg selv er et aktivum for selskapet ditt ... spesielt hvis det er noe ingen andre har, "sa han. "Du vil at noe i størrelsesorden 10.000 datapunkter skal gjøre noe nyttig." Og sørg for at dataene er relevante, bemerket Geitgey - salgstall på sommeren fra sommeren vil ikke hjelpe programvaren din med å forutsi de nødvendige datasykler for Cyber ​​Monday.

Etter å ha bygd eller kjøpt AI / ML-programvare, må du også forstå hvordan du måler om den leverer på løftene, sa Baltazar på 451. For øyeblikket forstår mindre enn halvparten av utviklerne hvordan de skal gjøre dette, sa han. Indikatorer å se på inkluderer forbedret effektivitet (for eksempel færre ansatte som trengs for å utføre arbeidet), færre billetter til IT-problemer og raskere sanering, sa han.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

© Copyright 2020 | mobilegn.com