أداة بسيطة لبدء استخدام الذكاء الاصطناعي لاتخاذ القرارات

مرحبا بالجميع! سنبدأ الشهر بمواد خفيفة إلى حد ما ولكنها مفيدة ، يتم توقيت نشرها بحيث يتزامن مع بداية دورة البيانات الضخمة للمديرين ، والتي تبدأ في منتصف أبريل. لذلك دعونا نبدأ.

هناك عدد كبير من الآراء الموثوقة حول تأثير الذكاء الاصطناعي (AI) على الأعمال في المستقبل القريب. لكن فيما يتعلق بموضوع كيف يمكن للشركات البدء في استخدامه بالضبط ، قيل أقل من ذلك بكثير. تبدأ دراستنا وكتابنا بتحليل الذكاء الاصطناعى إلى أبسط مكوناته. نقترح طريقة لاتخاذ هذه الخطوة الأولى.



لنبدأ بفكرة بسيطة: تهدف التطورات الحديثة في مجال الذكاء الاصطناعى إلى تقليل تكلفة التنبؤ. يحسن الذكاء الاصطناعي التنبؤات ويجعلها أسرع وأرخص. أصبح من الأسهل بكثير التنبؤ ليس فقط بالمستقبل (ما سيكون الطقس في الأسبوع القادم؟) لكن الحاضر (كيف يتم ترجمة هذا الموقع الإسباني إلى الإنجليزية؟). التنبؤ هو استخدام المعلومات المتاحة للحصول على المعلومات التي لا تملكها. إذا كانت لديك معلومات (بيانات) تحتاج إلى تصفية وضغط وفرز للحصول على أفكار تجعل القرارات أسهل ، فإن التنبؤ سيساعد. والآن ، يمكن أن تساعد السيارات.

تساعد التوقعات المحسّنة على اتخاذ القرارات في مواجهة حالة عدم اليقين ، وهو موقف شائع بالنسبة للأعمال. ولكن كيف تفكر في إدخال آلة التنبؤ في عملية صنع القرار؟

قمنا بتدريس هذا الموضوع لخريجي ماجستير إدارة الأعمال بكلية روتمان للإدارة بجامعة تورنتو وتحدثنا عن أداة بسيطة لصنع القرار: AI Canvas. يحتوي كل عنصر من عناصر اللوحة على أحد متطلبات اتخاذ القرارات باستخدام الكمبيوتر ، بدءًا من التنبؤ.

منظمة العفو الدولية قماش

استخدمها لفهم كيف ستساعدك الذكاء الاصطناعى في اتخاذ القرارات التجارية.

تنبؤ
ما الذي تحتاج إلى معرفته لاتخاذ قرار؟

التقييم
كيف يتم تقييم النتائج والأخطاء المختلفة؟

تأثيرات
ماذا تحاول ان تفعل؟

النتيجة
ما المقاييس المستخدمة لقياس النجاح؟

إدخال البيانات
ما هي البيانات اللازمة لتشغيل الخوارزمية التنبؤية؟

TRAINING
ما هي البيانات اللازمة لتدريب خوارزمية تنبؤية؟

ردود الفعل
كيف يمكنني استخدام النتائج لتحسين الخوارزمية؟

لشرح تشغيل قماش AI ، نستخدم مثالًا اخترعته إحدى ورش العمل حول استراتيجية الذكاء الاصطناعي كريج كامبل ، الرئيس التنفيذي لشركة Peloton Innovations ، وهي منظمة تنفذ الذكاء الاصطناعي في صناعة الأمن. (هذا مثال على العالم الحقيقي يعتمد على منتج يسمى RSPNDR.ai تبيعه شركة Peloton.)

أكثر من 97٪ من أنظمة الإنذار المنزلية غير صحيحة. وهذا هو ، قضيتهم ليست مهاجم. تحتاج شركة الأمن إلى اتخاذ بعض القرارات: هل يجب الاتصال بالشرطة أم الأمن؟ استدعاء صاحب المنزل؟ تجاهل؟ إذا قررت الشركة التصرف ، في أكثر من 90 حالة من أصل 100 ، فسيكون ذلك بلا جدوى. ومع ذلك ، فإن اتخاذ تدابير استجابة لجهاز إنذار يعني أنه إذا كان هناك خطر حقيقي ، فإن شركة الأمن لن تتركه دون مراقبة.

كيف نفهم ما إذا كانت آلة التنبؤية سوف تساعدك؟ AI Canvas هي أداة بسيطة لتنظيم المعلومات الضرورية في سبع فئات للحصول على الحل الضروري. دعونا نلقي نظرة على مثال لجهاز الإنذار الأمني.

AI Canvas: مثال على استخدام الذكاء الاصطناعي لتحسين أمن المنازل

تنبؤ
توقع ما إذا كان ناقوس الخطر يعمل لصالح شخص مجهول أو أي شيء آخر (أي صواب أو خطأ).

التقييم
قارن تكلفة الرد بإيجابية خاطئة مع تكلفة التقاعس في حالة إيجابية حقيقية

تأثيرات
للرد أو لا في حالة وجود إشارة.

النتيجة
هل تم اتخاذ القرار الصحيح عندما انطلق المنبه؟

إدخال البيانات
بيانات من مجسات الحركة ، الحرارة ، الكاميرات لكل لحظة أثناء التنبيه. سيتم التحكم في هذه البيانات من قبل منظمة العفو الدولية.

TRAINING
البيانات الحسية لفترة زمنية معينة والبيانات المقابلة لنتائج العملية (مهاجم حقيقي أو إيجابي زائف) ؛ تستخدم هذه البيانات لتدريب الذكاء الاصطناعي قبل إطلاقه.

ردود الفعل
بيانات المستشعر ونتائج الاستجابة المقابلة (التي أكدها المهاجم أو الاستجابة الخاطئة المؤكدة) ؛ يتم استخدام هذه البيانات لتحديث النموذج أثناء تشغيل الذكاء الاصطناعى.

أولاً ، سنوضح ما يجب التنبؤ به. في حالة الإنذار ، تحتاج إلى معرفة ما إذا كان سبب ذلك شخص مجهول أم لا (إنذار خاطئ أم لا). بإمكان الآلة التنبؤية الإبلاغ عن ذلك - في النهاية ، يكون التنبيه باستخدام مستشعر الحركة البسيط إلى حد ما آلة تنبؤية. يتيح لك التعلم الآلي استخدام نطاق أوسع من بيانات المستشعر لتحديد ما تريد بالضبط التنبؤ به: ما إذا كانت الحركة ناتجة عن شخص مجهول. باستخدام المستشعرات المناسبة ، على سبيل المثال ، الكاميرا التي تتعرف على الوجوه - الأشخاص والحيوانات الأليفة ، أو قفل الباب الذي يتعرف عندما يكون شخص ما بالقرب من الباب ، توفر تقنيات AI الحديثة تنبؤات أكثر تفصيلاً.

لم يعد التوقع في "الحركة = القلق" ، ولكن ، على سبيل المثال ، "الحركة + وجه غير مألوف = القلق". تنبؤات أكثر تعقيدًا تقلل من عدد الإيجابيات الخاطئة ، مما يبسط قرار إرسال الحراسة للتحقق ، بدلاً من الاتصال بالمالك.

لا يمكن التنبؤ بدقة 100 ٪. لذلك ، لتحديد حجم الاستثمار في تحسين التنبؤات ، تحتاج إلى معرفة تكلفة إيجابية كاذبة بالمقارنة مع تكلفة تجاهل الحاضر. ذلك يعتمد على الوضع ويتطلب تقييماً بشرياً. كم دعوة مرة أخرى لتأكيد الوضع؟ كم يكلف إرسال حارس استجابةً لجهاز إنذار؟ كم يكلف رد الفعل السريع؟ ما هي تكلفة التقاعس إذا كان المهاجم موجود بالفعل في المنزل؟ هناك العديد من العوامل التي يجب مراعاتها ؛ تحديد قيمتها النسبية يتطلب تقييم.

مثل هذا التقييم يمكن أن يغير جوهر آلة التنبؤ الخاصة بك. في حالة الإنذارات ، تعد الكاميرات الموجودة حول المنزل واحدة من أفضل الخيارات لتحديد وجود متسلل غير معروف. ولكن قد يجد الكثير من الناس هذا غير مريح.

سيفضل البعض السرية على أجهزة الإنذار الخاطئة. يتطلب التقييم في بعض الأحيان تحديد القيم والعوامل النسبية التي يصعب حسابها ، وبالتالي المقارنة. تكلفة الايجابية الخاطئة سهلة القياس ، وسعر الخصوصية ليس كذلك.

ثم ، حدد الإجراء الذي يعتمد على التوقعات التي تم إنشاؤها. قد يكون هذا حلًا بسيطًا "رد الفعل / عدم التفاعل" أو شيءًا أكثر دقة. لا تشمل الخيارات الممكنة رد فعل شخص ما فحسب ، بل تشمل أيضًا تضمين المراقبة الفورية من هو في المنزل ، أو طريقة ما للاتصال بصاحب المنزل.

العمل يؤدي إلى نتيجة. على سبيل المثال ، ردت شركة أمنية وأرسلت حارسًا أمنيًا للتحقق (الإجراء) ، الذي اكتشف المتسلل (النتيجة). بمعنى آخر ، إذا نظرنا إلى الوراء ، يمكننا أن نرى ما إذا كانت القرارات الصحيحة قد اتخذت في جميع المراحل. هذه المعرفة مفيدة لتقييم الحاجة إلى تحسين التوقعات مع مرور الوقت. إذا كنت لا تعرف النتيجة التي ترغب في تلقيها ، فستكون التحسينات صعبة ، إن لم تكن مستحيلة.

جزء من اللوحة - التنبؤ والتقييم والعمل والنتائج ، يصف الجوانب المهمة للقرار. الجزء الآخر هو ثلاثة اعتبارات نهائية. جميع البيانات ذات الصلة. لإنشاء تنبؤ مفيد ، يجب أن تعرف ما يحدث في وقت اتخاذ القرار - في حالتنا ، عندما ينطلق المنبه. في المثال أعلاه ، يتضمن هذا بيانات مستشعر الحركة وبيانات الكاميرا المرئية التي يتم جمعها في الوقت الفعلي. هذا هو المدخلات الأساسية.

ولكن لتطوير آلة التنبؤ ، تحتاج أولاً وقبل كل شيء إلى تدريب نموذج للتعلم الآلي. تتكون بيانات التدريب من بيانات المستشعر لفترة زمنية محددة مع النتائج المقابلة لمعايرة الخوارزميات التي تقوم عليها آلة التنبؤ. في هذه الحالة ، تخيل جدولًا ضخمًا ، حيث يكون كل صف وقت استجابة التنبيه ، سواء كان المهاجم بالفعل وبعض البيانات الأخرى ، على سبيل المثال ، الوقت والمكان. كلما كانت بيانات التدريب أكثر ثراءً وتنوعًا ، كلما كانت تنبؤاتك أفضل. إذا لم تكن هناك بيانات ، يجب عليك بدء تشغيل آلة تنبؤ متواضعة وانتظار تحسنها بمرور الوقت.

التحسينات سوف تأتي من ردود الفعل. هذه هي البيانات التي تجمعها أثناء تشغيل الجهاز في مواقف حقيقية. غالبًا ما يتم إنشاء بيانات الملاحظات في بيئة أكثر ثراءً من التدريب. في مثالنا ، يمكنك العثور على علاقة النتيجة بالبيانات التي تتلقاها المستشعرات من خلال النوافذ ، مما يؤثر على كيفية التعرف على الحركة ، وكيف تلتقط الكاميرات الوجوه - والتي ربما تكون أكثر واقعية من البيانات المستخدمة في التدريب. حتى تتمكن من تحسين دقة التنبؤات بفضل التدريب المستمر على بيانات التعليقات. في بعض الأحيان يتم تحميل هذه البيانات إلى منزل معين. وفي حالات أخرى ، قد تمتد إلى عدة.

سيساعد توضيح هذه العوامل السبعة لكل قرار مهم من مؤسستك في تحديد ما إذا كان بإمكان الذكاء الاصطناعي تقليل التكاليف أو تحسين الإنتاجية. ناقشنا هنا حلًا يتعلق بموقف معين. للبدء في الذكاء الاصطناعى ، مهمتك هى تحديد القرارات الرئيسية فى مؤسستك التى تعتمد فيها النتيجة على عدم اليقين. لن يكون بمقدور تعبئة AI of the Canvas تحديد ما إذا كنت بحاجة إلى AI خاص بك أو يمكنك شراء واحدة جاهزة من المورد ، ولكن ستكون قادرًا على توضيح المساهمة التي ستقدمها AI (التنبؤ) ، وكيف ستتفاعل مع الأشخاص (التقييم) ، وكيف ستؤثر على القرارات (الإجراء) ، كيف سيتم تقييم النجاح (النتيجة) ، وأنواع البيانات اللازمة للتدريب والتشغيل وتحسين الذكاء الاصطناعى.

الإمكانات ضخمة. على سبيل المثال ، يُطلق الإنذار تنبؤًا بعامل بعيد. أحد أسباب هذا النهج هو العدد الهائل من الإيجابيات الخاطئة. لكن فكر - إذا أصبحت الآلات التنبؤية ذكية لدرجة أنه لن يكون هناك المزيد من الإيجابيات الخاطئة ، فهل رد الفعل وإرسال الحارس القرار الصحيح؟ لا يمكن للمرء أن يتخيل سوى حلول بديلة ، على سبيل المثال ، نظام لالتقاط مهاجم في مكانه (كما في الرسوم الكاريكاتورية!) ، والذي يمكن أن يوجد بتوقعات أكثر دقة وجودة عالية. بشكل عام ، تخلق التنبؤات المُحسّنة مزيدًا من الفرص لنُهج جديدة للأمان ، أو حتى للتنبؤ المحتمل بنوايا المهاجم قبل أن يخترقها.

إذا وجدت المادة مفيدة ، سنكون ممتنين لمزاياك. ولمعرفة أكثر تفصيلاً مع برنامج الدورة التدريبية ، يمكنك الآن الاشتراك في ندوة عبر الإنترنت مفتوحة مجانًا ، والتي سيعقدها مدرسنا Artyom Prosvetov في 3 أبريل.