Sådan implementeres AI og maskinlæring

Video: Hvordan man fortæller forskellen mellem AI, maskinlæring og dyb læring Fremskridt inden for kunstig intelligens, maskinlæring og dyb læring påvirker virksomhederne. Men ordene bruges ofte om hverandre. Sådan skiller du dem fra hinanden.

I al hype om kunstig intelligens (AI) og maskinindlæring (ML) er der mange it-ledere, der skraber deres hoveder om, hvordan man kommer i gang med disse funktioner i deres computersystemer.

Der er ofte ikke noget godt valg: Udskift din dyre eksisterende hardware med nye systemer som Dell og IBM, eller sæt din tro på uprævalite små specialister, som måske ikke gør klart, hvad deres software faktisk gør.

I stedet siger uafhængige eksperter, det er bedst at være langsom og specifik med hensyn til at gå i gang med AI- eller maskinlæringsprojekter. Forstå, hvad teknologien virkelig kan gøre, forstå hvilke problemer, du har til at løse, og forstå, hvad der kræves for at få det til at ske. De første to dele er dækket her, men hvad med det tredje aspekt, der er implementering?

"Den første ting, du skal gøre, er at finde ud af, hvad AI faktisk kan gøre for dig som firma, " sagde AI / ML-konsulent Adam Geitgey, der hjælper virksomheder med at udvikle software og blogs i vid udstrækning om det.

I øjeblikket, sagde Geitgey, hvor AI / ML-software fungerer bedst, er at automatisere gentagne menneskelige opgaver, der kræver en lille dømmekraft. "Det, du vil kigge efter, er steder, hvor du har mange mennesker, der træffer beslutninger igen og igen ... finde noget, der er arbejdskrævende, som du gør meget af, " forklarede han.

Nogle eksempler inkluderer gennemgang af civile opdagelsesdokumenter i retssager, billedklassificering og transkription af lyd. For interne it-funktioner inkluderer eksempler indstilling / optimering af dine datacentrets operationer, konfigurationsstyring og systemopdatering / opdatering, tilføjede analytiker Henry Baltazar fra 451 Research.

For det andet for alle disse eksempler: "Du har brug for en masse data for at træne AI til at gøre det ... hvis du ikke har disse data, vil du ikke være i stand til at opbygge et AI-system, " bemærkede han. Du kan købe applikationer uden for hylden fra Amazon, Google og IBM, men hvis du har brug for noget brugerdefineret, bliver du nødt til at samle et team for at bygge det.

Mere om kunstig intelligens

  • Google DeepMind-grundlægger Demis Hassabis: Tre sandheder om AI
  • De 10 mest efterspurgte AI-job i verden
  • De 3 mest overset begrænsninger af AI i erhvervslivet
  • Sådan bliver du maskiningeniør: Et snyderi

"Mange mennesker ansætter specialister lige nu, men nok mellemudviklede softwareudviklere bliver interesserede, " bemærkede Geitgey. "Det er temmelig umodent første generation. Du kan forestille dig et par år ude. Disse slags værktøjer vil være meget mere tilgængelige og standardiserede, og du får dem sandsynligvis ikke fra din hardwareleverandør." For øjeblikket, "Hvis det er den første ting, din virksomhed nogensinde har gjort, kan det være nyttigt at have vejledning."

"Det tredje trin er derefter at skabe løsningen og teste effektiviteten, " tilføjede Geitgey. Det er almindeligt at læse om hyperscale-virksomheder, der bruger AI til deres interne computervedligeholdelsesoperationer, men det er sandsynligvis ikke effektivt for normale virksomheder, sagde han.

Almindelige fejl inkluderer, at man ønsker at bruge AI / ML, simpelthen fordi det er populært, og springe ind i softwareudvikling, inden man forstår det problem, du har brug for at løse, sagde Geitgey.

Sensorvirksomhed: IoT, ML og big data (ZDNet specialrapport) | Download rapporten som en PDF (TechRepublic)

For at begynde at indsamle nok data til at forstå problemerne og udvikle smart nok software, "Det, jeg altid rådgiver, er at fortælle administrerende direktører og beslutningstagere, at selve dataene er et aktiv for din virksomhed ... især hvis det er noget, ingen andre har, ”sagde han. "Du vil have, at noget i størrelsesordenen 10.000 datapunkter gør noget nyttigt." Og sørg for, at dataene er relevante, bemærkede Geitgey - online salgstall fra sommeren hjælper ikke din software med at forudsige de nødvendige beregningscyklusser til Cyber ​​Monday.

Efter at have bygget eller købt AI / ML-software, er du også nødt til at forstå, hvordan man måler, om den leverer på løfterne, sagde Baltazar fra 451. I øjeblikket forstår mindre end halvdelen af ​​udviklerne, hvordan man gør dette, sagde han. Indikatorer, der skal holdes øje med inkluderer forbedret effektivitet (såsom færre medarbejdere, der er nødvendige for at udføre arbejdet), færre billetter til it-problemer og hurtigere afhjælpning, sagde han.

Innovationsnyhedsbrev

Vær opmærksom på smarte byer, AI, Internet of Things, VR, AR, robotik, droner, autonom kørsel og mere af de fedeste tekniske innovationer. Leveres onsdage og fredage

Tilmeld dig i dag

© Copyright 2021 | mobilegn.com