Bonjour à tous! Nous allons commencer le mois avec un matériel assez léger mais utile, dont la publication est programmée pour coïncider avec le début du cours
Big Data pour les gestionnaires , qui commence à la mi-avril. Commençons donc.
Il existe un grand nombre d'avis faisant autorité sur l'impact de l'intelligence artificielle (IA) sur les activités du futur proche. Mais sur la question de savoir comment les entreprises peuvent commencer à l'utiliser, beaucoup moins est dit.
Notre étude et
notre livre commencent par une analyse de l'IA dans ses composants les plus simples. Nous suggérons un moyen de franchir cette première étape.
Commençons par une idée simple: les développements récents dans le domaine de l'IA visent à réduire le coût de la prédiction. L'IA améliore les prévisions, les rend plus rapides et moins chères. Il est devenu beaucoup plus facile de prédire non seulement l'avenir (quelle sera la météo la semaine prochaine?) Mais le présent (comment ce site espagnol est-il traduit en anglais?). La prévision est l'utilisation des informations disponibles pour obtenir des informations dont vous ne disposez pas. Si vous avez des informations (données) qui doivent être filtrées, compressées et triées pour obtenir des idées qui facilitent les décisions, les prévisions vous aideront. Et maintenant, les voitures peuvent aider.
De meilleures prévisions aident à prendre des décisions face à l'incertitude, ce qui est une situation courante pour les entreprises. Mais comment envisager l'introduction d'une machine de prédiction dans le processus décisionnel?
Nous avons enseigné ce sujet aux diplômés du MBA de la Rotman School of Management de l'Université de Toronto et avons parlé d'un outil de prise de décision simple: AI Canvas. Chaque élément du canevas contient l'une des conditions requises pour prendre des décisions à l'aide d'un ordinateur, à commencer par la prédiction.
Toile AIUtilisez-le pour comprendre comment l'IA vous aidera à prendre des décisions commerciales.
Prédiction
Que devez-vous savoir pour prendre une décision?
ÉVALUATION
Comment les différents résultats et erreurs sont-ils évalués?
ACTION
Qu'essayez-vous de faire?
RÉSULTAT
Quels paramètres sont utilisés pour mesurer le succès?
DONNÉES D'ENTRÉE
Quelles données sont nécessaires pour exécuter l'algorithme prédictif?
FORMATION
Quelles données sont nécessaires pour former un algorithme prédictif?
RÉTROACTION
Comment puis-je utiliser les résultats pour améliorer l'algorithme?
Pour expliquer le travail de l'IA canvas, nous utilisons un exemple inventé par l'un des ateliers sur la stratégie de l'IA Craig Campbell, PDG de Peloton Innovations, une organisation qui met en œuvre l'IA dans l'industrie de la sécurité. (Il s'agit d'un exemple réel basé sur un produit appelé RSPNDR.ai que Peloton vend.)
Plus de 97% des systèmes d'alarme à domicile s'avèrent faux. Autrement dit, leur cause n'est pas un attaquant. L'entreprise de sécurité doit prendre une décision: appeler la police ou la sécurité? Appelez le propriétaire? Ignorer? Si l'entreprise décide d'agir, dans plus de 90 cas sur 100, ce sera en vain. Cependant, prendre des mesures en réponse à une alarme signifie qu'en cas de danger réel, la société de sécurité ne le laissera pas sans surveillance.
Comment comprendre si une machine prédictive vous aidera? AI Canvas est un outil simple pour organiser les informations nécessaires en sept catégories pour obtenir la solution nécessaire. Regardons un exemple d'alarme de sécurité.
AI Canvas: un exemple utilisant l'IA pour améliorer la sécurité à domicilePrédiction
Prédisez si l'alarme a fonctionné pour une personne inconnue ou autre chose (c'est-à-dire vrai ou faux).
ÉVALUATION
Comparez le coût de la réponse à un faux positif avec le coût de l'inaction en cas de réel positif.
ACTION
Réagir ou non en cas de signal.
RÉSULTAT
La bonne décision a-t-elle été prise lorsque l'alarme s'est déclenchée?
DONNÉES D'ENTRÉE
Les données des capteurs de mouvement, de la chaleur, des caméras pour chaque instant pendant une alarme. Ces données seront contrôlées par l'IA.
FORMATION
Les données sensorielles pendant un certain temps et les données correspondantes des résultats de l'opération (un vrai attaquant ou un faux positif); ces données sont utilisées pour entraîner l'IA avant de la lancer.
RÉTROACTION
Données du capteur et résultats de réponse correspondants (confirmés par un attaquant ou fausse réponse confirmée); ces données sont utilisées pour mettre à jour le modèle pendant le fonctionnement de l'IA.
Tout d'abord, nous clarifierons ce qui doit être prévu. Dans le cas d'une alarme, vous devez savoir si elle est provoquée par une personne inconnue ou non (fausse alarme ou non). Une machine prédictive peut potentiellement le signaler - au final, une alarme avec un simple capteur de mouvement est dans une certaine mesure une machine prédictive. L'apprentissage automatique vous permet d'utiliser une plus large gamme de données de capteur pour déterminer exactement ce que vous voulez prédire: si le mouvement a été provoqué par une personne inconnue. Avec les bons capteurs, par exemple, une caméra qui reconnaît les visages - les personnes et les animaux de compagnie, ou un verrou de porte qui reconnaît quand quelqu'un est près de la porte, les technologies d'IA modernes fournissent des prévisions plus détaillées.
La prédiction n'est plus dans «mouvement = anxiété», mais, par exemple, «mouvement + visage inconnu = anxiété». Des prédictions plus complexes réduisent le nombre de faux positifs, ce qui simplifie la décision d'envoyer le gardien pour vérification, au lieu d'appeler le propriétaire.
La prédiction ne peut pas être précise à 100%. Par conséquent, pour déterminer la taille de l'investissement dans l'amélioration des prévisions, vous devez connaître le coût d'un faux positif par rapport au coût de l'ignorance du présent. Cela dépend de la situation et nécessite une évaluation humaine. Combien coûte un rappel pour confirmer la situation? Combien cela coûte-t-il d'envoyer un gardien en réponse à une alarme? Combien coûte une réaction rapide? Quel est le coût de l'inaction si l'attaquant est vraiment dans la maison? Il y a plusieurs facteurs à considérer; La détermination de leur valeur relative nécessite une évaluation.
Une telle évaluation peut changer l'essence de votre machine de prévision. Dans le cas des alarmes, les caméras autour de la maison sont l'une des meilleures options pour déterminer la présence d'un intrus inconnu. Mais beaucoup de gens peuvent trouver cela inconfortable.
Certains préféreront la confidentialité aux fausses alarmes. L'évaluation nécessite parfois la détermination de valeurs et de facteurs relatifs difficiles à calculer et donc à comparer. Le coût d'un faux positif est facile à mesurer, le prix de la vie privée ne l'est pas.
Ensuite, déterminez l'action qui dépend des prévisions générées. Cela peut être une simple solution «réagir / ne pas réagir», ou quelque chose de plus nuancé. Les options possibles incluent non seulement la réaction de quelqu'un, mais également l'inclusion instantanée d'une surveillance à distance de qui est à la maison, ou d'un moyen de contact avec le propriétaire de la maison.
L'action mène à un résultat. Par exemple, une entreprise de sécurité a réagi et a envoyé un agent de sécurité pour vérifier (action), qui a détecté l'intrus (résultat). En d'autres termes, avec le recul, nous pouvons voir si les bonnes décisions ont été prises à toutes les étapes. Ces connaissances sont utiles pour évaluer la nécessité d'améliorer les prévisions au fil du temps. Si vous ne savez pas quel résultat vous souhaitez obtenir, les améliorations seront difficiles, voire impossibles.
Une partie du canevas - prédiction, évaluation, action et résultat, décrit les aspects importants de la décision. L'autre partie consiste en trois dernières considérations. Tous sont liés aux données. Pour générer une prévision utile, vous devez savoir ce qui se passe au moment où la décision est prise - dans notre cas, lorsque l'alarme se déclenche. Dans l'exemple ci-dessus, cela inclut les données du capteur de mouvement et les données de la caméra visuelle collectées en temps réel. Il s'agit de l'entrée la plus élémentaire.
Mais pour développer une machine de prédiction, vous devez d'abord former un modèle d'apprentissage automatique. Les données d'apprentissage sont constituées de données de capteur pendant une certaine période de temps avec les résultats correspondants pour calibrer les algorithmes sous-jacents à la machine de prévision. Dans ce cas, imaginez un immense tableau, où chaque ligne correspond à l'heure de l'alarme, si l'attaquant était réellement et à d'autres données, par exemple l'heure et le lieu. Plus les données d'entraînement sont riches et variées, meilleures seront vos prévisions. S'il n'y a pas de données, vous devez démarrer une machine de prédiction médiocre et attendre son amélioration au fil du temps.
Les améliorations proviendront des commentaires. Ce sont les données que vous collectez lorsque la machine fonctionne dans des situations réelles. Les données de rétroaction sont souvent générées dans un environnement plus riche que la formation. Dans notre exemple, vous pouvez trouver la relation du résultat avec les données reçues par les capteurs à travers les fenêtres, ce qui affecte la façon dont le mouvement est reconnu et la façon dont les caméras capturent les visages - ce qui est peut-être plus réaliste que les données utilisées pour la formation. Ainsi, vous pouvez encore améliorer la précision des prévisions grâce à une formation continue sur les données de rétroaction. Parfois, ces données seront téléchargées dans une maison particulière. Et dans d'autres cas, ils peuvent s'étendre à plusieurs.
Expliquer ces sept facteurs pour chaque décision importante de votre organisation aidera à déterminer si l'IA peut réduire les coûts ou améliorer la productivité. Ici, nous avons discuté d'une solution liée à une situation spécifique. Pour commencer avec l'IA, votre tâche consiste à identifier les décisions clés de votre organisation dont l'issue dépend des incertitudes. Remplir l'IA de la toile ne pourra pas dire si vous avez besoin de votre propre IA ou si vous pouvez en acheter une chez le fournisseur, mais sera en mesure d'expliquer quelle contribution l'IA apportera (prédiction), comment elle interagira avec les gens (évaluation), comment elle affectera les décisions (action), comment le succès (résultat) sera évalué et quels types de données sont nécessaires pour la formation, le fonctionnement et l'amélioration de l'IA.
Le potentiel est énorme. Par exemple, une alarme déclenche une prédiction à un agent distant. L'une des raisons de cette approche est le grand nombre de faux positifs. Mais pensez - si les machines prédictives deviennent si intelligentes qu'il n'y aura plus de faux positifs, la réaction et l'envoi du gardien seront-ils la bonne décision? On ne peut qu'imaginer des solutions alternatives, par exemple, un système de capture d'un attaquant en place (comme dans les dessins animés!), Qui pourrait exister avec des prédictions plus précises et de haute qualité. En général, les prévisions améliorées créent davantage d'opportunités pour de nouvelles approches de la sécurité, ou même pour prédire les intentions d'un attaquant avant qu'il ne pénètre.
Si vous trouvez le matériel utile, nous vous serons reconnaissants de vos avantages. Et pour une connaissance plus détaillée du programme de cours, vous pouvez dès maintenant vous inscrire à un
webinaire ouvert gratuit , qui sera organisé par notre professeur
Artyom Prosvetov le 3 avril.