大家好！ 我们将从本月初开始，用一个相当轻便但有用的材料作为开始，该材料的发布将定于4月中旬开始的“
面向经理的
大数据”课程的开始。 因此，让我们开始吧。
关于人工智能（AI）对不久的将来的业务的影响，有大量权威意见。 但是关于公司如何开始使用它的话题，却少得多。
我们的研究和
书籍首先将AI分析成最简单的组成部分。 我们建议采取第一步的方法。
让我们从一个简单的想法开始：AI领域的最新发展旨在降低预测成本。 AI改善了预测，使其变得更快，更便宜。 不仅可以预测未来（下周的天气如何？），而且可以预测现在（这个西班牙语站点如何翻译成英语？）变得更加容易。 预测是使用可用信息来获取您没有的信息。 如果您需要对信息（数据）进行过滤，压缩和分类以获取使决策更容易的想法，则预测会有所帮助。 而现在，汽车可以提供帮助。
改进的预测有助于面对不确定性做出决策，这是企业的普遍情况。 但是，如何考虑将预测机引入决策过程呢？
我们向多伦多大学罗特曼管理学院的MBA毕业生教授了这个主题，并讨论了一个简单的决策工具：AI Canvas。 画布的每个元素均包含从预测开始使用计算机进行决策的要求之一。
AI帆布使用它来了解AI将如何帮助您做出业务决策。
预言
您需要知道什么才能做出决定？
评价
如何评估各种结果和错误？
动作
你想做什么
结果
哪些指标用于衡量成功？
输入数据
运行预测算法需要什么数据？
训练课程
训练预测算法需要什么数据？
意见反馈
如何使用结果改进算法？
为了解释AI画布的操作，我们使用一个由AI策略研讨会讲习班发明的示例，该案例是Peloton Innovations的首席执行官Craig Campbell，该组织是在安全行业中实施AI的组织。 （这是基于Peloton销售的名为RSPNDR.ai的产品的真实示例。）
超过97％的家庭报警系统被证明是错误的。 也就是说，他们的原因不是攻击者。 安全公司需要做出一些决定：是要报警还是要报警？ 打电话给房主？ 不理？ 如果公司决定采取行动，那么在100例案例中有90例以上是徒劳的。 但是，对警报采取措施意味着如果存在真正的危险，安全公司将不会无人值守。
如何理解预测性机器是否会对您有所帮助？ AI Canvas是一个简单的工具，可以将必要的信息分为七个类别，以获取必要的解决方案。 让我们看一个安全警报的例子。
AI画布：使用AI改善家庭安全的示例预言
预测警报是否适用于未知人员或其他原因（即对还是错）。
评价
将对误报的响应成本与不采取行动的成本（如果为正肯定）进行比较。
动作
在有信号的情况下反应或不反应。
结果
警报响起时是否做出了正确的决定？
输入数据
警报期间的每时每刻都来自运动传感器，热量，摄像机的数据。 该数据将由AI控制。
训练课程
一定时期内的感觉数据和相应的运算结果数据（真正的攻击者或假阳性）； 这些数据用于在启动AI之前对其进行训练。
意见反馈
传感器数据和相应的响应结果（由攻击者确认或确认为错误响应）； 该数据用于在AI操作期间更新模型。
首先，我们将阐明需要预测的内容。 对于警报，您需要找出它是否是由未知人员引起的（是否为虚假警报）。 预测机器可能会报告此问题-最后，带有简单运动传感器的警报在某种程度上是预测机器。 机器学习使您可以使用更广泛的传感器数据来确定要准确预测的内容：运动是否是由不知名的人引起的。 有了合适的传感器，例如，可以识别人和宠物的面孔的摄像头，或者可以识别有人在门附近的门锁，现代AI技术可以提供更详细的预测。
预测不再是“运动=焦虑”，而是例如“运动+陌生的面孔=焦虑”。 更复杂的预测减少了误报的数量，从而简化了将保护发送给验证而不是致电所有者的决定。
预测不能100％准确。 因此，要确定用于改进预测的投资规模，您需要知道与否定当前成本相比，误报的成本。 这取决于情况，需要人工评估。 回电确认情况多少钱？ 派出警卫响应警报需要多少费用？ 快速反应的费用是多少？ 如果攻击者确实在家中，不采取行动的代价是多少？ 有许多因素需要考虑； 确定其相对价值需要评估。
这样的评估可以改变您的预测机器的本质。 对于警报，房屋周围的摄像头是确定未知入侵者的最佳选择之一。 但是许多人可能会觉得不舒服。
与误报相比，有些人更喜欢保密。 评估有时需要确定相对值和难以计算的因素，因此很难进行比较。 误报的成本很容易衡量，而隐私的价格却不容易衡量。
然后，确定取决于生成的预测的操作。 这可能是一个简单的“反应/不反应”解决方案，或更细微的差别。 可能的选择不仅包括某人的反应，还包括即时监视谁在家中，或以某种方式与房屋所有者联系。
行动导致结果。 例如，一家安全公司做出反应，并派出一名保安人员进行检查（行动），从而检测到入侵者（结果）。 换句话说，回顾过去，我们可以看到是否在所有阶段都做出了正确的决定。 该知识对于评估随时间推移改进预测的需求很有用。 如果您不知道要获得什么结果，那么即使不是不可能，也很难进行改进。
画布的一部分-预测，评估，操作和结果描述了决策的重要方面。 另一部分是三个最后的考虑因素。 全部与数据相关。 为了生成有用的预测，您需要知道决策时发生的情况-在我们的例子中，当警报响起时。 在上面的示例中，这包括实时收集的运动传感器数据和视觉摄像机数据。 这是最基本的输入。
但是要开发预测机器，首先需要训练机器学习模型。 训练数据包含特定时间段内的传感器数据以及相应的结果，这些结果用于校准预测机基础的算法。 在这种情况下，请想象一个巨大的表，其中每行是警报响应时间，攻击者是否真的是，以及其他一些数据，例如时间和地点。 训练数据越丰富和多样化，您的预测就越好。 如果没有数据，则必须启动性能中等的预测机，然后等待其改进。
改进将来自反馈。 这是您在机器实际运行中收集的数据。 反馈数据通常是在比培训更丰富的环境中生成的。 在我们的示例中，您可以找到结果与传感器通过窗口接收到的数据之间的关系，这关系到如何识别运动以及相机如何捕捉脸部-这可能比用于训练的数据更真实。 因此，借助对反馈数据的持续培训，您可以进一步提高预测的准确性。 有时，此类数据将被上传到特定的房屋。 在其他情况下，它们可能会扩展到几个。
为组织的每个重要决策解释这七个因素将有助于确定AI是否可以降低成本或提高生产率。 在这里，我们讨论了与特定情况有关的解决方案。 要开始使用AI，您的任务是确定组织中的关键决策，其中的结果取决于不确定性。 填写画布的AI不能说出您是否需要自己的AI或可以从供应商那里购买现成的AI，但是可以解释AI会做出什么样的贡献（预测），它如何与人互动（评估），如何影响决策（行动），如何评估成功（结果），以及训练，操作和改善AI所需的数据类型。
潜力巨大。 例如，警报触发对远程代理的预测。 采用这种方法的原因之一是误报的数量众多。 但是请想一想-如果预测机器变得如此聪明，以至于不会再有误报，那么做出反应并派出后卫是正确的决定吗？ 人们只能想象替代解决方案，例如，一种将攻击者捕获到位的系统（如卡通！），该系统可以通过更准确，更高质量的预测来实现。 通常，改进的预测会为采用新的安全方法创造更多机会，甚至为入侵者的意图在渗透之前提供更多的潜在机会。
如果您认为有用的材料，我们将不胜感激。 现在就更详细地了解该课程的内容，您可以注册一个
免费的在线研讨会 ，该
研讨会将在4月3日由我们的老师
Artyom Prosvetov举行。