निर्णय लेने के लिए एआई का उपयोग शुरू करने के लिए एक सरल उपकरण

सभी को नमस्कार! हम महीने की शुरुआत हल्की लेकिन उपयोगी सामग्री से करते हैं, जिसका प्रकाशन अप्रैल के मध्य से शुरू होने वाले बिग डेटा फॉर मैनेजर्स कोर्स की शुरुआत के साथ मेल खाना है। तो चलिए शुरू करते हैं।

निकट भविष्य के व्यापार पर कृत्रिम बुद्धिमत्ता (एआई) के प्रभाव पर बड़ी संख्या में आधिकारिक राय हैं। लेकिन इस विषय पर कि वास्तव में कंपनियां इसका उपयोग कैसे शुरू कर सकती हैं, बहुत कम कहा जाता है। हमारे अध्ययन और पुस्तक एआई के विश्लेषण के साथ सरलतम घटकों में शुरू होते हैं। हम यह पहला कदम उठाने का एक तरीका सुझाते हैं।



आइए एक सरल विचार के साथ शुरू करते हैं: AI के क्षेत्र में हालिया विकास का उद्देश्य भविष्यवाणी की लागत को कम करना है। ऐ पूर्वानुमान में सुधार करता है, उन्हें तेज़ और सस्ता बनाता है। न केवल भविष्य की भविष्यवाणी करना बहुत आसान हो गया है (अगले सप्ताह मौसम क्या होगा?) लेकिन वर्तमान (इस स्पेनिश साइट का अंग्रेजी में अनुवाद कैसे किया गया है?)। पूर्वानुमान ऐसी जानकारी प्राप्त करने के लिए उपलब्ध जानकारी का उपयोग है जो आपके पास नहीं है। यदि आपके पास जानकारी (डेटा) है जिसे विचारों को प्राप्त करने के लिए फ़िल्टर, संपीड़ित और सॉर्ट किया जाना है जो निर्णय लेना आसान बनाते हैं, तो पूर्वानुमान लगाने में मदद मिलेगी। और अब, कारें मदद कर सकती हैं।

बेहतर पूर्वानुमान अनिश्चितता की स्थिति में निर्णय लेने में मदद करते हैं, जो व्यापार के लिए एक सामान्य स्थिति है। लेकिन निर्णय लेने की प्रक्रिया में एक भविष्यवाणी मशीन शुरू करने पर विचार कैसे करें?

हमने इस विषय को टोरंटो विश्वविद्यालय के रोटमैन स्कूल ऑफ मैनेजमेंट के एमबीए के स्नातकों को पढ़ाया और एक सरल निर्णय लेने वाले उपकरण के बारे में बात की: एआई कैनवस। कैनवास के प्रत्येक तत्व में एक कंप्यूटर का उपयोग करके निर्णय लेने के लिए आवश्यकताओं में से एक है, जो भविष्यवाणी के साथ शुरू होता है।

ऐ कैनवास

इसका उपयोग यह समझने के लिए करें कि एआई आपको व्यावसायिक निर्णय लेने में कैसे मदद करेगा।

पूर्वानुमान
निर्णय लेने के लिए आपको क्या जानने की आवश्यकता है?

मूल्यांकन
विभिन्न परिणामों और त्रुटियों का मूल्यांकन कैसे किया जाता है?

प्रभाव
आप क्या करने की कोशिश कर रहे हैं?

परिणाम
सफलता को मापने के लिए क्या मैट्रिक्स का उपयोग किया जाता है?

INPUT डेटा
भविष्य कहनेवाला एल्गोरिथ्म चलाने के लिए कौन से डेटा की आवश्यकता है?

प्रशिक्षण
भविष्य कहनेवाला एल्गोरिथ्म को प्रशिक्षित करने के लिए कौन से डेटा की आवश्यकता है?

फीडबैक
मैं एल्गोरिथ्म को बेहतर बनाने के लिए परिणामों का उपयोग कैसे कर सकता हूं?

एआई कैनवास के संचालन की व्याख्या करने के लिए, हम एआई रणनीति क्रेग कैंपबेल, पेलोटन इनोवेशन के सीईओ, जो एक संगठन है जो सुरक्षा उद्योग में एआई को लागू करता है, पर कार्यशालाओं में से एक का आविष्कार किया है। (यह एक वास्तविक दुनिया का उदाहरण है, जो RSPNDR.ai नामक एक उत्पाद पर आधारित है जिसे पेलोटन बेचता है।)

97% से अधिक होम अलार्म सिस्टम गलत साबित होते हैं। यानी उनका कारण हमलावर नहीं है। सुरक्षा कंपनी को कुछ निर्णय लेने की आवश्यकता है: क्या पुलिस या सुरक्षा को कॉल करना है? घर के मालिक को बुलाओ? अनदेखा करें? यदि कंपनी कार्रवाई करने का फैसला करती है, तो 100 में से 90 से अधिक मामलों में, यह व्यर्थ होगा। हालांकि, अलार्म के जवाब में उपाय करने का मतलब है कि अगर कोई वास्तविक खतरा है, तो सुरक्षा कंपनी इसे अप्राप्य नहीं छोड़ेगी।

अगर कोई भविष्य कहनेवाला मशीन आपकी मदद करेगी तो कैसे समझें? एआई कैनवस आवश्यक समाधान प्राप्त करने के लिए आवश्यक जानकारी को सात श्रेणियों में व्यवस्थित करने का एक सरल उपकरण है। आइए एक सुरक्षा अलार्म के एक उदाहरण को देखें।

एआई कैनवस: गृह सुरक्षा में सुधार के लिए एआई का उपयोग कर एक उदाहरण

पूर्वानुमान
भविष्यवाणी करें कि क्या अलार्म किसी अज्ञात व्यक्ति के लिए काम करता है या कुछ और (यानी सच या गलत)।

मूल्यांकन
वास्तविक सकारात्मक स्थिति में निष्क्रियता की लागत के साथ झूठी सकारात्मक प्रतिक्रिया की लागत की तुलना करें।

प्रभाव
सिग्नल के मामले में प्रतिक्रिया या नहीं।

परिणाम
क्या अलार्म बंद होने पर सही निर्णय लिया गया था?

INPUT डेटा
अलार्म के दौरान मोशन सेंसर, हीट, कैमरों से हर पल के लिए डेटा। यह डेटा AI द्वारा नियंत्रित किया जाएगा।

प्रशिक्षण
एक निश्चित अवधि के लिए संवेदी डेटा और ऑपरेशन के परिणामों के अनुरूप डेटा (एक वास्तविक हमलावर या एक झूठी सकारात्मक); इस डेटा का उपयोग AI को लॉन्च करने से पहले प्रशिक्षित करने के लिए किया जाता है।

फीडबैक
सेंसर डेटा और संबंधित प्रतिक्रिया परिणाम (एक हमलावर द्वारा पुष्टि या झूठी प्रतिक्रिया की पुष्टि); इस डेटा का उपयोग AI ऑपरेशन के दौरान मॉडल को अपडेट करने के लिए किया जाता है।

पहले, हम स्पष्ट करेंगे कि क्या भविष्यवाणी करने की आवश्यकता है। अलार्म के मामले में, आपको यह पता लगाने की आवश्यकता है कि यह किसी अज्ञात व्यक्ति के कारण है या नहीं (गलत अलार्म है या नहीं)। एक प्रेडिक्टिव मशीन संभावित रूप से यह रिपोर्ट कर सकती है - अंत में, एक साधारण मोशन सेंसर वाला अलार्म कुछ हद तक एक प्रेडिक्टिव मशीन है। मशीन लर्निंग आपको यह निर्धारित करने के लिए सेंसर डेटा की एक विस्तृत श्रृंखला का उपयोग करने की अनुमति देता है कि आप वास्तव में क्या भविष्यवाणी करना चाहते हैं: क्या आंदोलन एक अज्ञात व्यक्ति के कारण हुआ था। सही सेंसर के साथ, उदाहरण के लिए, एक कैमरा जो चेहरे को पहचानता है - लोग और पालतू जानवर, या एक दरवाजा लॉक जो पहचानता है कि कोई व्यक्ति दरवाजे के पास है, आधुनिक एआई प्रौद्योगिकियां अधिक विस्तृत भविष्यवाणियां प्रदान करती हैं।

भविष्यवाणी अब "आंदोलन = चिंता" में नहीं है, लेकिन, उदाहरण के लिए, "आंदोलन + अपरिचित चेहरा = चिंता"। अधिक जटिल भविष्यवाणियां झूठी सकारात्मकता की संख्या को कम करती हैं, जो मालिक को बुलाने के बजाय सत्यापन के लिए गार्ड भेजने के निर्णय को सरल बनाती हैं।

भविष्यवाणी 100% सटीक नहीं हो सकती। इसलिए, भविष्यवाणियों को बेहतर बनाने में निवेश के आकार को निर्धारित करने के लिए, आपको वर्तमान की अनदेखी करने की लागत के साथ एक झूठी सकारात्मक की लागत को जानने की आवश्यकता है। यह स्थिति पर निर्भर करता है और मानव मूल्यांकन की आवश्यकता होती है। स्थिति की पुष्टि करने के लिए कॉल बैक कितना है? अलार्म की प्रतिक्रिया में गार्ड भेजने में कितना खर्च होता है? एक त्वरित प्रतिक्रिया की लागत कितनी है? यदि हमलावर वास्तव में घर में है तो निष्क्रियता की लागत क्या है? विचार करने के लिए कई कारक हैं; उनके सापेक्ष मूल्य का निर्धारण करने के लिए एक मूल्यांकन की आवश्यकता होती है।

ऐसा आकलन आपके पूर्वानुमान मशीन के सार को बदल सकता है। अलार्म के मामले में, घर के आसपास के कैमरे एक अज्ञात घुसपैठिये की उपस्थिति का निर्धारण करने के लिए सबसे अच्छे विकल्पों में से एक हैं। लेकिन कई लोगों को यह असहज लग सकता है।

कुछ झूठे अलार्म पर गोपनीयता पसंद करेंगे। मूल्यांकन के लिए कभी-कभी सापेक्ष मूल्यों और कारकों के निर्धारण की आवश्यकता होती है जिनकी गणना करना कठिन होता है, और इसलिए तुलना करना आवश्यक है। झूठे सकारात्मक की लागत को मापना आसान है, गोपनीयता की कीमत नहीं है।

फिर, उस कार्रवाई का निर्धारण करें जो उत्पन्न पूर्वानुमान पर निर्भर करता है। यह एक सरल "प्रतिक्रिया / प्रतिक्रिया नहीं" समाधान हो सकता है, या कुछ अधिक बारीक हो सकता है। संभावित विकल्पों में न केवल किसी की प्रतिक्रिया शामिल है, बल्कि घर पर कौन है या घर के मालिक के साथ संपर्क का कोई तरीका है, इसकी दूरस्थ निगरानी का त्वरित समावेश भी शामिल है।

कार्रवाई के परिणामस्वरूप होता है। उदाहरण के लिए, एक सुरक्षा कंपनी ने प्रतिक्रिया की और जांच (कार्रवाई) के लिए एक सुरक्षा गार्ड भेजा, जिसने घुसपैठिए (परिणाम) का पता लगाया। दूसरे शब्दों में, हम पीछे मुड़कर देख सकते हैं कि क्या सभी चरणों में सही निर्णय किए गए थे। यह ज्ञान समय के साथ भविष्यवाणियों में सुधार की आवश्यकता का आकलन करने के लिए उपयोगी है। यदि आप नहीं जानते हैं कि आप क्या परिणाम प्राप्त करना चाहते हैं, तो सुधार मुश्किल होगा, यदि असंभव नहीं है।

कैनवास का हिस्सा - भविष्यवाणी, मूल्यांकन, कार्रवाई और परिणाम, निर्णय के महत्वपूर्ण पहलुओं का वर्णन करता है। अन्य भाग तीन अंतिम विचार हैं। सभी डेटा से संबंधित हैं। एक उपयोगी भविष्यवाणी उत्पन्न करने के लिए, आपको यह जानना होगा कि निर्णय के समय क्या होता है - हमारे मामले में, जब अलार्म बंद हो जाता है। उपरोक्त उदाहरण में, इसमें गति संवेदक डेटा और वास्तविक समय में एकत्रित दृश्य कैमरा डेटा शामिल हैं। यह सबसे बुनियादी इनपुट है।

लेकिन एक भविष्यवाणी मशीन विकसित करने के लिए, सबसे पहले आपको मशीन लर्निंग मॉडल को प्रशिक्षित करने की आवश्यकता है। पूर्वानुमान डेटा अंतर्निहित एल्गोरिदम को कैलिब्रेट करने के लिए संबंधित परिणामों के साथ प्रशिक्षण डेटा में कुछ समय के लिए सेंसर डेटा होता है। इस मामले में, एक विशाल तालिका की कल्पना करें, जहां प्रत्येक पंक्ति अलार्म का समय है, चाहे हमलावर वास्तव में था और कुछ अन्य डेटा, उदाहरण के लिए, समय और स्थान। अमीर और प्रशिक्षण डेटा जितना अधिक विविध होगा, आपकी भविष्यवाणियां उतनी ही बेहतर होंगी। यदि कोई डेटा नहीं है, तो आपको औसत दर्जे की भविष्यवाणी मशीन शुरू करनी होगी और समय के साथ इसके सुधार की प्रतीक्षा करनी होगी।

फीडबैक से सुधार आएगा। यह वह डेटा है जिसे आप एकत्रित करते हैं जबकि मशीन वास्तविक परिस्थितियों में चल रही है। फीडबैक डेटा अक्सर प्रशिक्षण से अधिक समृद्ध वातावरण में उत्पन्न होता है। हमारे उदाहरण में, आप विंडोज़ के माध्यम से सेंसर द्वारा प्राप्त डेटा के साथ परिणाम का संबंध पा सकते हैं, जो प्रभावित करता है कि आंदोलन को कैसे पहचाना जाता है, और कैमरे कैसे चेहरे पर कब्जा करते हैं - जो प्रशिक्षण के लिए उपयोग किए गए डेटा की तुलना में शायद अधिक यथार्थवादी है। इसलिए आप फीडबैक डेटा पर निरंतर प्रशिक्षण के लिए भविष्यवाणियों की सटीकता में सुधार कर सकते हैं। कभी-कभी ऐसे डेटा को किसी विशेष घर में अपलोड किया जाएगा। और अन्य मामलों में, वे कई तक बढ़ सकते हैं।

आपके संगठन के प्रत्येक महत्वपूर्ण निर्णय के लिए इन सात कारकों की व्याख्या करने से यह निर्धारित करने में मदद मिलेगी कि AI लागत कम कर सकता है या उत्पादकता में सुधार कर सकता है। यहां हमने एक विशिष्ट स्थिति से संबंधित समाधान पर चर्चा की। एआई के साथ शुरुआत करने के लिए, आपका कार्य आपके संगठन में महत्वपूर्ण निर्णयों की पहचान करना है जिसमें परिणाम अनिश्चितताओं पर निर्भर करता है। कैनवस के एआई को भरने से यह नहीं कहा जा सकेगा कि क्या आपको अपने एआई की जरूरत है या आप आपूर्तिकर्ता से रेडीमेड खरीद सकते हैं, बल्कि यह बता पाएंगे कि एआई (भविष्यवाणी) में क्या योगदान देगा, यह लोगों (मूल्यांकन) के साथ कैसे बातचीत करेगा, यह निर्णय (कार्रवाई) को कैसे प्रभावित करेगा। कैसे सफलता (परिणाम) का मूल्यांकन किया जाएगा, और एआई के प्रशिक्षण, संचालन और सुधार के लिए किस प्रकार के डेटा आवश्यक हैं।

क्षमता बहुत बड़ी है। उदाहरण के लिए, एक अलार्म एक दूरस्थ एजेंट के लिए भविष्यवाणी को ट्रिगर करता है। इस दृष्टिकोण का एक कारण झूठी सकारात्मकता की सरासर संख्या है। लेकिन सोचिए - यदि भविष्यवाणिय मशीन इतनी स्मार्ट हो जाए कि कोई और झूठी सकारात्मकता न रहे, तो क्या प्रतिक्रिया और गार्ड को भेजना सही निर्णय होगा? कोई केवल वैकल्पिक समाधानों की कल्पना कर सकता है, उदाहरण के लिए, एक हमलावर को जगह में पकड़ने के लिए एक प्रणाली (जैसा कि कार्टून में!), जो अधिक सटीक और उच्च-गुणवत्ता वाली भविष्यवाणियों के साथ मौजूद हो सकता है। सामान्य तौर पर, बेहतर भविष्यवाणियां सुरक्षा के नए दृष्टिकोणों के लिए अधिक अवसर पैदा करती हैं, या घुसपैठियों के इरादों की संभावित भविष्यवाणियों को भी घुसने से पहले।

यदि आप सामग्री को उपयोगी पाते हैं, तो हम आपके लाभों के लिए आभारी होंगे। और पाठ्यक्रम कार्यक्रम के साथ एक अधिक विस्तृत परिचित के लिए, अभी आप एक मुफ्त ओपन वेबिनार के लिए साइन अप कर सकते हैं, जो कि 3 अप्रैल को हमारे शिक्षक आर्टीम प्रोस्सिटोव द्वारा आयोजित किया जाएगा।