Hola a todos! Comenzaremos el mes con un material bastante ligero pero útil, cuya publicación está programada para coincidir con el inicio del curso
Big Data for Managers , que comienza a mediados de abril. Entonces comencemos.
Hay una gran cantidad de opiniones autorizadas sobre el impacto de la inteligencia artificial (IA) en el negocio del futuro cercano. Pero sobre el tema de cómo exactamente las empresas pueden comenzar a usarlo, se dice mucho menos.
Nuestro estudio y
libro comienzan con un análisis de la IA en sus componentes más simples. Sugerimos una forma de dar este primer paso.
Comencemos con una idea simple: los desarrollos recientes en el campo de la IA tienen como objetivo reducir el costo de la predicción. La IA mejora los pronósticos, los hace más rápidos y más baratos. Se ha vuelto mucho más fácil predecir no solo el futuro (¿Qué tiempo hará la próxima semana?) Sino el presente (¿Cómo se traduce este sitio en español al inglés?). El pronóstico es el uso de la información disponible para obtener información que no tiene. Si tiene información (datos) que necesita ser filtrada, comprimida y ordenada para obtener ideas que faciliten la toma de decisiones, la previsión será útil. Y ahora, los autos pueden ayudar.
Las predicciones mejoradas ayudan a tomar decisiones frente a la incertidumbre, que es una situación común para las empresas. ¿Pero cómo considerar introducir una máquina de predicción en el proceso de toma de decisiones?
Enseñamos este tema a los graduados del MBA de la Rotman School of Management de la Universidad de Toronto y hablamos sobre una herramienta simple para tomar decisiones: AI Canvas. Cada elemento del lienzo contiene uno de los requisitos para tomar decisiones usando una computadora, comenzando con la predicción.
Lienzo AIÚselo para comprender cómo la inteligencia artificial lo ayudará a tomar decisiones comerciales.
Predicción
¿Qué necesitas saber para tomar una decisión?
EVALUACION
¿Cómo se evalúan los diversos resultados y errores?
ACCION
¿Qué intentas hacer?
RESULTADO
¿Qué métricas se utilizan para medir el éxito?
DATOS DE ENTRADA
¿Qué datos se necesitan para ejecutar el algoritmo predictivo?
ENTRENAMIENTO
¿Qué datos se necesitan para entrenar un algoritmo predictivo?
Comentarios
¿Cómo puedo usar los resultados para mejorar el algoritmo?
Para explicar el funcionamiento del lienzo de IA, utilizamos un ejemplo inventado por uno de los talleres sobre estrategia de IA Craig Campbell, CEO de Peloton Innovations, una organización que implementa IA en la industria de la seguridad. (Este es un ejemplo del mundo real basado en un producto llamado RSPNDR.ai que vende Peloton).
Más del 97% de los sistemas de alarma para el hogar resultan ser falsos. Es decir, su causa no es un atacante. La compañía de seguridad necesita tomar alguna decisión: ¿llamar a la policía o a la seguridad? ¿Llamar al dueño de casa? ¿Ignorar? Si la empresa decide actuar, en más de 90 casos de cada 100, será en vano. Sin embargo, tomar medidas en respuesta a una alarma significa que si existe un peligro real, la compañía de seguridad no lo dejará desatendido.
¿Cómo entender si una máquina predictiva te ayudará? AI Canvas es una herramienta simple para organizar la información necesaria en siete categorías para obtener la solución necesaria. Veamos un ejemplo de alarma de seguridad.
AI Canvas: un ejemplo con AI para mejorar la seguridad del hogarPredicción
Predecir si la alarma funcionó para una persona desconocida o algo más (es decir, verdadero o falso).
EVALUACION
Compare el costo de la respuesta a un falso positivo con el costo de la inacción en caso de un positivo real.
ACCION
Para reaccionar o no en caso de una señal.
RESULTADO
¿Se tomó la decisión correcta cuando sonó la alarma?
DATOS DE ENTRADA
Datos de sensores de movimiento, calor, cámaras para cada momento durante una alarma. Estos datos serán controlados por AI.
ENTRENAMIENTO
Datos sensoriales durante un cierto período de tiempo y los datos correspondientes de los resultados de la operación (un atacante real o un falso positivo); Estos datos se utilizan para entrenar a la IA antes de lanzarla.
Comentarios
Datos del sensor y los resultados de respuesta correspondientes (confirmado por un atacante o respuesta falsa confirmada); Estos datos se utilizan para actualizar el modelo durante la operación de IA.
Primero, aclararemos lo que debe predecirse. En el caso de una alarma, debe averiguar si es causada por una persona desconocida o no (falsa alarma o no). Una máquina predictiva puede potencialmente informar esto: al final, una alarma con un sensor de movimiento simple es, en cierta medida, una máquina predictiva. El aprendizaje automático le permite utilizar un rango más amplio de datos del sensor para determinar exactamente qué desea predecir: si el movimiento fue causado por una persona desconocida. Con los sensores correctos, por ejemplo, una cámara que reconoce caras (personas y mascotas) o una cerradura de la puerta que reconoce cuando alguien está cerca de la puerta, las tecnologías modernas de IA proporcionan predicciones más detalladas.
La predicción ya no está en "movimiento = ansiedad", sino, por ejemplo, "movimiento + cara desconocida = ansiedad". Las predicciones más complejas reducen el número de falsos positivos, lo que simplifica la decisión de enviar al guardia para su verificación, en lugar de llamar al propietario.
La predicción no puede ser 100% precisa. Por lo tanto, para determinar el tamaño de la inversión para mejorar las predicciones, debe conocer el costo de un falso positivo en comparación con el costo de ignorar el presente. Depende de la situación y requiere una evaluación humana. ¿Cuánto cuesta una llamada para confirmar la situación? ¿Cuánto cuesta enviar un guardia en respuesta a una alarma? ¿Cuánto cuesta una reacción rápida? ¿Cuál es el costo de la inacción si el atacante está realmente en la casa? Hay muchos factores a considerar; La determinación de su valor relativo requiere una evaluación.
Tal evaluación puede cambiar la esencia de su máquina de pronósticos. En el caso de las alarmas, las cámaras en la casa son una de las mejores opciones para determinar la presencia de un intruso desconocido. Pero muchas personas pueden encontrar esto incómodo.
Algunos preferirán la confidencialidad a las falsas alarmas. La evaluación a veces requiere la determinación de valores y factores relativos que son difíciles de calcular y, por lo tanto, de comparar. El costo de un falso positivo es fácil de medir, el precio de la privacidad no lo es.
Luego, determine la acción que depende del pronóstico generado. Esta puede ser una solución simple de "reaccionar / no reaccionar", o algo más matizado. Las opciones posibles incluyen no solo la reacción de alguien, sino también la inclusión instantánea de monitoreo remoto de quién está en casa, o alguna forma de contacto con el propietario de la casa.
La acción conduce a un resultado. Por ejemplo, una compañía de seguridad reaccionó y envió un guardia de seguridad para verificar (acción), que detectó al intruso (resultado). En otras palabras, mirando hacia atrás, podemos ver si se tomaron las decisiones correctas en todas las etapas. Este conocimiento es útil para evaluar la necesidad de mejorar las predicciones a lo largo del tiempo. Si no sabe qué resultado desea recibir, las mejoras serán difíciles, si no imposibles.
Parte del lienzo: predicción, evaluación, acción y resultado, describe aspectos importantes de la decisión. La otra parte son tres consideraciones finales. Todos están relacionados con los datos. Para generar una predicción útil, debe saber qué sucede en el momento en que se toma la decisión, en nuestro caso, cuando suena la alarma. En el ejemplo anterior, esto incluye datos del sensor de movimiento y datos de la cámara visual recopilados en tiempo real. Esta es la entrada más básica.
Pero para desarrollar una máquina de predicción, antes que nada debes entrenar un modelo de aprendizaje automático. Los datos de entrenamiento consisten en datos del sensor durante un cierto período de tiempo con los resultados correspondientes para calibrar los algoritmos subyacentes a la máquina de pronóstico. En este caso, imagine una tabla enorme, donde cada fila es el tiempo de respuesta de la alarma, si realmente fue el atacante y algunos otros datos, por ejemplo, la hora y el lugar. Cuanto más ricos y variados sean los datos de entrenamiento, mejores serán sus predicciones. Si no hay datos, debe iniciar una máquina de predicción mediocre y esperar su mejora con el tiempo.
Las mejoras vendrán de los comentarios. Estos son los datos que recopila mientras la máquina está funcionando en situaciones reales. Los datos de retroalimentación a menudo se generan en un entorno más rico que la capacitación. En nuestro ejemplo, puede encontrar la relación del resultado con los datos recibidos por los sensores a través de las ventanas, lo que afecta la forma en que se reconoce el movimiento y la forma en que las cámaras capturan rostros, lo que tal vez sea más realista que los datos utilizados para el entrenamiento. Por lo tanto, puede mejorar aún más la precisión de las predicciones gracias a la capacitación continua sobre los datos de retroalimentación. A veces, dichos datos se cargarán en una casa en particular. Y en otros casos, pueden extenderse a varios.
Explicar estos siete factores para cada decisión importante de su organización ayudará a determinar si la IA puede reducir los costos o mejorar la productividad. Aquí discutimos una solución relacionada con una situación específica. Para comenzar con la IA, su tarea es identificar las decisiones clave en su organización en las que el resultado depende de las incertidumbres. Llenar la IA del lienzo no podrá decir si necesita su propia IA o puede comprar una ya preparada del proveedor, pero podrá explicar qué contribución hará la IA (predicción), cómo interactuará con las personas (evaluación), cómo afectará las decisiones (acción), cómo se evaluará el éxito (resultado) y qué tipos de datos son necesarios para la capacitación, operación y mejora de la IA.
El potencial es enorme. Por ejemplo, una alarma activa una predicción para un agente remoto. Una razón para este enfoque es la gran cantidad de falsos positivos. Pero piense: si las máquinas predictivas se vuelven tan inteligentes que no habrá más falsos positivos, ¿será la reacción y el envío del guardia la decisión correcta? Uno solo puede imaginar soluciones alternativas, por ejemplo, un sistema para capturar a un atacante en su lugar (como en los dibujos animados), que podría existir con predicciones más precisas y de mayor calidad. En general, las predicciones mejoradas crean más oportunidades para nuevos enfoques de seguridad, o incluso predicciones potenciales de las intenciones de un intruso antes de que penetren.
Si encuentra útil el material, le agradeceremos sus ventajas. Y para un conocimiento más detallado del programa del curso en este momento, puede inscribirse en un
seminario web abierto gratuito , que será realizado por nuestro maestro
Artyom Prosvetov el 3 de abril.