Olá pessoal! Começaremos o mês com um material bastante leve, mas útil, cuja publicação está programada para coincidir com o início do curso
Big Data for Managers , que começa em meados de abril. Então, vamos começar.
Há um grande número de opiniões oficiais sobre o impacto da inteligência artificial (IA) nos negócios do futuro próximo. Mas sobre o assunto de como exatamente as empresas podem começar a usá-lo, muito menos é dito.
Nosso estudo e
livro começam com uma análise da IA em seus componentes mais simples. Sugerimos uma maneira de dar esse primeiro passo.
Vamos começar com uma idéia simples: desenvolvimentos recentes no campo da IA visam reduzir o custo da previsão. A IA melhora as previsões, as torna mais rápidas e baratas. Tornou-se muito mais fácil prever não apenas o futuro (como será o tempo na próxima semana?), Mas o presente (como este site em espanhol é traduzido para o inglês?). Previsão é o uso das informações disponíveis para obter informações que você não possui. Se você tiver informações (dados) que precisam ser filtradas, compactadas e classificadas para obter idéias que tomam decisões mais fáceis, a previsão ajudará. E agora, os carros podem ajudar.
As previsões aprimoradas ajudam a tomar decisões diante da incerteza, que é uma situação comum para os negócios. Mas como considerar a introdução de uma máquina de previsão no processo de tomada de decisão?
Ensinamos esse tópico aos formandos do MBA da Rotman School of Management da Universidade de Toronto e conversamos sobre uma ferramenta simples de tomada de decisão: AI Canvas. Cada elemento da tela contém um dos requisitos para tomar decisões usando um computador, começando com a previsão.
Tela AIUse-o para entender como a IA o ajudará a tomar decisões de negócios.
Previsão
O que você precisa saber para tomar uma decisão?
AVALIAÇÃO
Como são avaliados os vários resultados e erros?
AÇÃO
O que você está tentando fazer?
RESULTADO
Quais métricas são usadas para medir o sucesso?
DADOS DE ENTRADA
Quais dados são necessários para executar o algoritmo preditivo?
FORMAÇÃO
Quais dados são necessários para treinar um algoritmo preditivo?
FEEDBACK
Como posso usar os resultados para melhorar o algoritmo?
Para explicar a operação da tela de IA, usamos um exemplo inventado por um dos workshops sobre estratégia de IA Craig Campbell, CEO da Peloton Innovations, uma organização que implementa a IA no setor de segurança. (Este é um exemplo do mundo real baseado em um produto chamado RSPNDR.ai que a Peloton vende.)
Mais de 97% dos sistemas de alarme residencial são falsos. Ou seja, a causa deles não é um atacante. A empresa de segurança precisa tomar alguma decisão: ligar para a polícia ou segurança? Ligar para o proprietário? Ignorar? Se a empresa decidir agir, em mais de 90 casos em 100, será em vão. No entanto, tomar medidas em resposta a um alarme significa que, se houver um perigo real, a empresa de segurança não o deixará sem vigilância.
Como entender se uma máquina preditiva irá ajudá-lo? O AI Canvas é uma ferramenta simples para organizar as informações necessárias em sete categorias para obter a solução necessária. Vejamos um exemplo de um alarme de segurança.
AI Canvas: um exemplo do uso da IA para melhorar a segurança em casaPrevisão
Preveja se o alarme funcionou para uma pessoa desconhecida ou outra coisa (isto é, verdadeiro ou falso).
AVALIAÇÃO
Compare o custo da resposta a um falso positivo com o custo da inação no caso de um positivo real.
AÇÃO
Reagir ou não no caso de um sinal.
RESULTADO
A decisão certa foi tomada quando o alarme disparou?
DADOS DE ENTRADA
Dados de sensores de movimento, calor e câmeras para todos os momentos durante um alarme. Esses dados serão controlados pela IA.
FORMAÇÃO
Dados sensoriais por um determinado período de tempo e os dados correspondentes dos resultados da operação (um atacante real ou um falso positivo); esses dados são usados para treinar a IA antes de iniciá-la.
FEEDBACK
Dados do sensor e os resultados correspondentes da resposta (confirmados por um invasor ou resposta falsa confirmada); esses dados são usados para atualizar o modelo durante a operação do AI.
Primeiro, esclareceremos o que precisa ser previsto. No caso de um alarme, você precisa descobrir se é causado por uma pessoa desconhecida ou não (alarme falso ou não). Uma máquina preditiva pode potencialmente relatar isso - no final, um alarme com um simples sensor de movimento é, em certa medida, uma máquina preditiva. O aprendizado de máquina permite que você use uma gama maior de dados do sensor para determinar exatamente o que você deseja prever: se o movimento foi causado por uma pessoa desconhecida. Com os sensores certos, por exemplo, uma câmera que reconhece rostos - pessoas e animais de estimação, ou uma fechadura que reconhece quando alguém está perto da porta, as modernas tecnologias de IA fornecem previsões mais detalhadas.
A previsão não está mais em "movimento = ansiedade", mas, por exemplo, "movimento + rosto desconhecido = ansiedade". Previsões mais complexas reduzem o número de falsos positivos, o que simplifica a decisão de enviar a guarda para verificação, em vez de ligar para o proprietário.
A previsão não pode ser 100% precisa. Portanto, para determinar o tamanho do investimento na melhoria de previsões, você precisa conhecer o custo de um falso positivo em comparação com o custo de ignorar o presente. Depende da situação e requer uma avaliação humana. Quanto custa uma chamada de volta para confirmar a situação? Quanto custa enviar um guarda em resposta a um alarme? Quanto custa uma reação rápida? Qual é o custo da inação se o atacante estiver realmente em casa? Há muitos fatores a considerar; Determinar seu valor relativo requer uma avaliação.
Essa avaliação pode alterar a essência da sua máquina de previsão. No caso de alarmes, as câmeras da casa são uma das melhores opções para determinar a presença de um invasor desconhecido. Mas muitas pessoas podem achar isso desconfortável.
Alguns preferem confidencialidade a alarmes falsos. Às vezes, a avaliação requer a determinação de valores e fatores relativos que são difíceis de calcular e, portanto, comparar. O custo de um falso positivo é fácil de medir, o preço da privacidade não é.
Em seguida, determine a ação que depende da previsão gerada. Pode ser uma solução simples de "reagir / não reagir" ou algo mais matizado. As opções possíveis incluem não apenas a reação de alguém, mas também a inclusão instantânea de monitoramento remoto de quem está em casa ou alguma forma de contato com o proprietário da casa.
Ação leva a um resultado. Por exemplo, uma empresa de segurança reagiu e enviou um guarda de segurança para verificar (ação), que detectou o invasor (resultado). Em outras palavras, olhando para trás, podemos ver se as decisões corretas foram tomadas em todas as etapas. Esse conhecimento é útil para avaliar a necessidade de melhorar as previsões ao longo do tempo. Se você não souber qual resultado deseja receber, as melhorias serão difíceis, se não impossíveis.
Parte da tela - previsão, avaliação, ação e resultado, descreve aspectos importantes da decisão. A outra parte é três considerações finais. Todos são relacionados a dados. Para gerar uma previsão útil, você precisa saber o que acontece no momento em que a decisão é tomada - no nosso caso, quando o alarme dispara. No exemplo acima, isso inclui dados do sensor de movimento e dados da câmera visual coletados em tempo real. Essa é a entrada mais básica.
Mas, para desenvolver uma máquina de previsão, primeiro você precisa treinar um modelo de aprendizado de máquina. Os dados de treinamento consistem em dados do sensor por um determinado período de tempo, com os resultados correspondentes para calibrar os algoritmos subjacentes à máquina de previsão. Nesse caso, imagine uma tabela enorme, onde cada linha é o tempo de resposta do alarme, se o invasor realmente estava e alguns outros dados, por exemplo, hora e local. Quanto mais ricos e variados forem os dados de treinamento, melhores serão suas previsões. Se não houver dados, você deverá iniciar uma máquina de previsão medíocre e aguardar sua melhoria ao longo do tempo.
As melhorias virão do feedback. Esses são os dados que você coleta enquanto a máquina está operando em situações reais. Os dados de feedback geralmente são gerados em um ambiente mais rico que o treinamento. Em nosso exemplo, é possível encontrar a relação do resultado com os dados recebidos pelos sensores pelas janelas, o que afeta como o movimento é reconhecido e como as câmeras capturam rostos - o que talvez seja mais realista do que os dados usados para o treinamento. Assim, você pode melhorar ainda mais a precisão das previsões, graças ao treinamento contínuo em dados de feedback. Às vezes, esses dados são enviados para uma casa específica. E em outros casos, eles podem se estender a vários.
Explicar esses sete fatores para cada decisão importante da sua organização ajudará a determinar se a IA pode reduzir custos ou melhorar a produtividade. Aqui discutimos uma solução relacionada a uma situação específica. Para começar a IA, sua tarefa é identificar as principais decisões em sua organização nas quais o resultado depende de incertezas. O preenchimento da AI do Canvas não será capaz de dizer se você precisa da sua própria AI ou se pode comprar uma já pronta do fornecedor, mas será capaz de explicar que contribuição a AI fará (previsão), como ela interagirá com as pessoas (avaliação), como afetará as decisões (ação). como o sucesso (resultado) será avaliado e que tipos de dados são necessários para o treinamento, operação e melhoria da IA.
O potencial é enorme. Por exemplo, um alarme aciona uma previsão para um agente remoto. Uma razão para essa abordagem é o grande número de falsos positivos. Mas pense: se as máquinas preditivas se tornarem tão inteligentes que não haverá mais falsos positivos, a reação e o envio da guarda serão a decisão certa? Só podemos imaginar soluções alternativas, por exemplo, um sistema para capturar um atacante no local (como em desenhos animados!), Que poderia existir com previsões mais precisas e de alta qualidade. Em geral, as previsões aprimoradas criam mais oportunidades para novas abordagens de segurança ou até previsões potenciais das intenções de um invasor antes que elas penetrem.
Se você achar o material útil, seremos gratos por suas vantagens. E para conhecer mais detalhadamente o programa do curso agora mesmo, você pode se inscrever em um
seminário on-line gratuito , que será realizado pelo nosso professor
Artyom Prosvetov em 3 de abril.