Halo semuanya! Kami akan memulai bulan dengan materi yang agak ringan namun bermanfaat, yang publikasi waktunya akan dimulai dengan kursus
Big Data for Managers , yang dimulai pada pertengahan April. Jadi mari kita mulai.
Ada sejumlah besar pendapat otoritatif tentang dampak kecerdasan buatan (AI) pada bisnis dalam waktu dekat. Tetapi pada topik bagaimana tepatnya perusahaan dapat mulai menggunakannya, apalagi dikatakan.
Studi dan
buku kami dimulai dengan analisis AI ke dalam komponen yang paling sederhana. Kami menyarankan cara untuk mengambil langkah pertama ini.
Mari kita mulai dengan ide sederhana: perkembangan AI terbaru ditujukan untuk mengurangi biaya prediksi. AI meningkatkan perkiraan, membuatnya lebih cepat dan lebih murah. Menjadi jauh lebih mudah untuk memprediksi tidak hanya masa depan (Bagaimana cuaca minggu depan?) Tapi sekarang (Bagaimana situs Spanyol ini diterjemahkan ke dalam bahasa Inggris?). Peramalan adalah penggunaan informasi yang tersedia untuk memperoleh informasi yang tidak Anda miliki. Jika Anda memiliki informasi (data) yang perlu difilter, dikompres, dan disortir untuk mendapatkan ide yang membuat keputusan lebih mudah, perkiraan akan membantu. Dan sekarang, mobil dapat membantu.
Prediksi yang ditingkatkan membantu membuat keputusan dalam menghadapi ketidakpastian, yang merupakan situasi umum untuk bisnis. Tetapi bagaimana cara mempertimbangkan memasukkan mesin prediksi ke dalam proses pengambilan keputusan?
Kami mengajarkan topik ini kepada lulusan MBA dari Rotman School of Management di University of Toronto dan berbicara tentang alat pengambilan keputusan sederhana: AI Canvas. Setiap elemen kanvas berisi salah satu persyaratan untuk membuat keputusan menggunakan komputer, dimulai dengan prediksi.
Kanvas aiGunakan itu untuk memahami bagaimana AI akan membantu Anda membuat keputusan bisnis.
Prediksi
Apa yang perlu Anda ketahui untuk membuat keputusan?
EVALUASI
Bagaimana berbagai hasil dan kesalahan dievaluasi?
AKSI
Apa yang kamu coba lakukan?
HASIL
Metrik apa yang digunakan untuk mengukur kesuksesan?
DATA INPUT
Data apa yang diperlukan untuk menjalankan algoritma prediksi?
PELATIHAN
Data apa yang dibutuhkan untuk melatih algoritma prediksi?
UMPAN BALIK
Bagaimana saya bisa menggunakan hasil untuk meningkatkan algoritma?
Untuk menjelaskan pengoperasian kanvas AI, kami menggunakan contoh yang ditemukan oleh salah satu lokakarya tentang strategi AI Craig Campbell, CEO Peloton Innovations, sebuah organisasi yang mengimplementasikan AI dalam industri keamanan. (Ini adalah contoh dunia nyata berdasarkan pada produk yang disebut RSPNDR. Yang dijual oleh Peloton.)
Lebih dari 97% sistem alarm rumah ternyata salah. Artinya, penyebab mereka bukan penyerang. Perusahaan keamanan perlu membuat beberapa keputusan: apakah akan memanggil polisi atau keamanan? Panggil pemilik rumah? Abaikan? Jika perusahaan memutuskan untuk bertindak, dalam lebih dari 90 kasus dari 100, itu akan sia-sia. Namun, mengambil tindakan sebagai respons terhadap alarm berarti bahwa jika ada bahaya nyata, perusahaan keamanan tidak akan membiarkannya tanpa pengawasan.
Bagaimana cara memahami jika mesin prediksi akan membantu Anda? AI Canvas adalah alat sederhana untuk mengatur informasi yang diperlukan ke dalam tujuh kategori untuk mendapatkan solusi yang diperlukan. Mari kita lihat contoh alarm keamanan.
AI Canvas: Contoh Menggunakan AI untuk Meningkatkan Keamanan RumahPrediksi
Prediksikan apakah alarm berfungsi untuk orang yang tidak dikenal atau sesuatu yang lain (mis. Benar atau salah).
EVALUASI
Bandingkan biaya tanggapan dengan positif palsu dengan biaya tidak bertindak dalam hal positif nyata.
AKSI
Untuk bereaksi atau tidak jika ada sinyal.
HASIL
Apakah keputusan yang tepat dibuat ketika alarm berbunyi?
DATA INPUT
Data dari sensor gerak, panas, kamera untuk setiap saat selama alarm. Data ini akan dikendalikan oleh AI.
PELATIHAN
Data sensorik untuk periode waktu tertentu dan data yang sesuai dari hasil operasi (penyerang nyata atau positif palsu); data ini digunakan untuk melatih AI sebelum meluncurkannya.
UMPAN BALIK
Data sensor dan hasil respons yang sesuai (dikonfirmasi oleh penyerang atau tanggapan palsu yang dikonfirmasi); data ini digunakan untuk memperbarui model selama operasi AI.
Pertama, kami akan mengklarifikasi apa yang perlu diprediksi. Dalam hal alarm, Anda perlu mencari tahu apakah itu disebabkan oleh orang yang tidak dikenal atau tidak (alarm palsu atau tidak). Mesin prediksi berpotensi melaporkan hal ini - pada akhirnya, alarm dengan sensor gerak sederhana sampai batas tertentu merupakan mesin prediksi. Pembelajaran mesin memungkinkan Anda menggunakan rentang data sensor yang lebih luas untuk menentukan apa yang sebenarnya ingin Anda prediksi: apakah gerakan itu disebabkan oleh orang yang tidak dikenal. Dengan sensor yang tepat, misalnya, kamera yang mengenali wajah - orang dan hewan peliharaan, atau kunci pintu yang mengenali ketika seseorang berada di dekat pintu, teknologi AI modern memberikan prediksi yang lebih rinci.
Prediksi tidak lagi dalam "gerakan = kecemasan", tetapi, misalnya, "gerakan + wajah asing = kecemasan". Prediksi yang lebih kompleks mengurangi jumlah positif palsu, yang menyederhanakan keputusan untuk mengirim penjaga untuk verifikasi, alih-alih memanggil pemilik.
Prediksi ini tidak dapat 100% akurat. Oleh karena itu, untuk menentukan ukuran investasi dalam meningkatkan prediksi, Anda perlu mengetahui biaya false positive dibandingkan dengan biaya mengabaikan saat ini. Itu tergantung pada situasi dan membutuhkan penilaian manusia. Berapa panggilan balik untuk mengkonfirmasi situasi? Berapa biaya untuk mengirim penjaga dalam menanggapi alarm? Berapa biaya reaksi cepat? Berapa biaya tidak bertindak jika penyerang benar-benar di rumah? Ada banyak faktor yang perlu dipertimbangkan; Menentukan nilai relatifnya membutuhkan penilaian.
Penilaian semacam itu dapat mengubah esensi mesin peramalan Anda. Dalam hal alarm, kamera di sekitar rumah adalah salah satu opsi terbaik untuk menentukan keberadaan penyusup yang tidak dikenal. Tetapi banyak orang mungkin merasa ini tidak nyaman.
Beberapa akan lebih suka kerahasiaan daripada alarm palsu. Evaluasi kadang-kadang membutuhkan penentuan nilai-nilai relatif dan faktor-faktor yang sulit untuk dihitung, dan karenanya untuk dibandingkan. Biaya positif palsu mudah diukur, harga privasi tidak.
Lalu, tentukan tindakan yang tergantung pada ramalan yang dihasilkan. Ini mungkin solusi sederhana "bereaksi / tidak bereaksi", atau sesuatu yang lebih bernuansa. Pilihan yang mungkin termasuk tidak hanya reaksi seseorang, tetapi juga dimasukkannya instan pemantauan jarak jauh siapa di rumah, atau cara kontak dengan pemilik rumah.
Tindakan mengarah pada hasil. Misalnya, perusahaan keamanan bereaksi dan mengirim penjaga keamanan untuk memeriksa (tindakan), yang mendeteksi penyusup (hasil). Dengan kata lain, melihat ke belakang, kita dapat melihat apakah keputusan yang tepat dibuat pada semua tahap. Pengetahuan ini berguna untuk menilai kebutuhan untuk meningkatkan prediksi dari waktu ke waktu. Jika Anda tidak tahu hasil apa yang ingin Anda terima, perbaikan akan sulit, jika bukan tidak mungkin.
Bagian dari kanvas - prediksi, evaluasi, tindakan, dan hasil, menggambarkan aspek-aspek penting dari keputusan. Bagian lainnya adalah tiga pertimbangan terakhir. Semua terkait data. Untuk menghasilkan prediksi yang berguna, Anda perlu tahu apa yang terjadi pada saat keputusan dibuat - dalam kasus kami, ketika alarm berbunyi. Dalam contoh di atas, ini termasuk data sensor gerak dan data kamera visual yang dikumpulkan secara real time. Ini adalah input paling dasar.
Tetapi untuk mengembangkan mesin prediksi, pertama-tama Anda perlu melatih model pembelajaran mesin. Data pelatihan terdiri dari data sensor untuk periode waktu tertentu dengan hasil yang sesuai untuk mengkalibrasi algoritma yang mendasari mesin peramalan. Dalam hal ini, bayangkan sebuah meja besar, di mana setiap baris adalah waktu respons alarm, apakah penyerang benar-benar ada dan beberapa data lainnya, misalnya waktu dan tempat. Semakin banyak dan semakin beragam data pelatihan, semakin baik prediksi Anda. Jika tidak ada data, Anda harus memulai mesin prediksi biasa-biasa saja dan menunggu peningkatannya dari waktu ke waktu.
Perbaikan akan datang dari umpan balik. Ini adalah data yang Anda kumpulkan saat mesin beroperasi dalam situasi nyata. Data umpan balik sering dihasilkan dalam lingkungan yang lebih kaya daripada pelatihan. Dalam contoh kami, Anda dapat menemukan hubungan hasil dengan data yang diterima oleh sensor melalui jendela, yang mempengaruhi bagaimana gerakan dikenali, dan bagaimana kamera menangkap wajah - yang mungkin lebih realistis daripada data yang digunakan untuk pelatihan. Jadi Anda dapat lebih meningkatkan akurasi prediksi berkat pelatihan lanjutan tentang data umpan balik. Terkadang data seperti itu akan diunggah ke rumah tertentu. Dan dalam kasus lain, mereka dapat meluas ke beberapa.
Menjelaskan tujuh faktor ini untuk setiap keputusan penting organisasi Anda akan membantu menentukan apakah AI dapat mengurangi biaya atau meningkatkan produktivitas. Di sini kami membahas solusi terkait dengan situasi tertentu. Untuk memulai dengan AI, tugas Anda adalah mengidentifikasi keputusan utama dalam organisasi Anda di mana hasilnya tergantung pada ketidakpastian. Mengisi AI Kanvas tidak akan dapat mengatakan apakah Anda memerlukan AI Anda sendiri atau Anda dapat membeli yang sudah jadi dari pemasok, tetapi akan dapat menjelaskan kontribusi AI yang akan dibuat (prediksi), bagaimana ia akan berinteraksi dengan orang-orang (evaluasi), bagaimana hal itu akan mempengaruhi keputusan (tindakan), bagaimana keberhasilan (hasil) akan dievaluasi, dan jenis data apa yang diperlukan untuk pelatihan, operasi dan peningkatan AI.
Potensinya sangat besar. Misalnya, alarm memicu prediksi ke agen jarak jauh. Salah satu alasan pendekatan ini adalah banyaknya kesalahan positif. Tetapi pikirkan - jika mesin prediksi menjadi sangat pintar sehingga tidak akan ada lagi positif palsu, akankah reaksi dan mengirim penjaga menjadi keputusan yang tepat? Orang hanya bisa membayangkan solusi alternatif, misalnya, sistem untuk menangkap penyerang di tempat (seperti dalam kartun!), Yang bisa ada dengan prediksi yang lebih akurat dan berkualitas tinggi. Secara umum, peningkatan prediksi menciptakan lebih banyak peluang untuk pendekatan baru terhadap keamanan, atau bahkan prediksi potensial niat penyusup sebelum melakukan penetrasi.
Jika Anda menemukan bahan yang berguna, kami akan berterima kasih atas keuntungan Anda. Dan untuk kenalan lebih rinci dengan program kursus saat ini, Anda dapat mendaftar untuk
webinar terbuka gratis , yang akan diadakan oleh guru kami
Artyom Prosvetov pada 3 April.