Comment démarrer avec l'IA - avant qu'il ne soit trop tard

L'IA et l'apprentissage automatique vont commencer à prendre beaucoup plus de décisions. Ils ne seront probablement toujours pas utilisés dans un proche avenir pour prendre de «grandes» décisions, comme mettre un tarif de 25% sur un produit et déclencher une guerre commerciale avec un partenaire.

Cependant, presque tout ce que vous avez bloqué dans Excel et que vous avez massé, codé ou trié est un bon problème de clustering, de classification ou d'apprentissage du classement. Tout ce qui est un ensemble de valeurs pouvant être prédites est un bon problème d'apprentissage automatique. Tout ce qui est un motif, une forme ou un objet que vous venez de traverser et de «rechercher» est un bon problème d'apprentissage en profondeur.

Et les affaires en sont pleines. Tout comme le traitement de texte a remplacé le pool de machines à écrire, l'IA remplacera bientôt des hordes d'employés de bureau regardant Excel - et remplacera également certains analystes.

Les entreprises doivent se préparer à ce changement. Tout comme les entreprises qui ne se sont pas préparées au Web et au commerce électronique ont été laissées pour compte, les entreprises qui ne s'adaptent pas à l'IA et à l'apprentissage automatique le seront également. Si vous ne regardez pas les vastes quantités de données que vous traitez et les décisions que vous prenez et demandez: «Ne puis-je pas faire le dernier kilomètre pour automatiser cela?» ou chercher des choses que vous ne faites pas parce que vous ne pouvez pas décider suffisamment «en temps réel» pour obtenir un avantage - je verrai la fermeture de votre entreprise dans les journaux dans quelques années.

Pour vous préparer à ce changement, vous avez cinq conditions préalables avant de pouvoir même commencer une transformation d'entreprise. Vous avez besoin d'une stratégie pour diffuser l'IA dans votre organisation qui commence par ces cinq conditions préalables.

Prérequis AI n ° 1: Éducation

Vous ne pouvez pas faire de tout le monde dans votre entreprise un data scientist. De plus, certains calculs sont trop rapides pour que nous, simples mortels, les comprenions - l'algorithme spécifique que les gens pensent être le plus efficace cette semaine ne sera probablement pas le bon la semaine prochaine.

Cependant, certaines choses de base ne vont pas changer. Tous les membres de votre organisation doivent comprendre certaines fonctionnalités de base de l'apprentissage automatique, en particulier les développeurs:

  • Clustering: regrouper des éléments.
  • Classification: Trier les choses en groupes étiquetés.
  • Prédiction sur une ligne: Si vous pouvez créer un graphique linéaire, vous pouvez probablement prédire quelle sera cette valeur.
  • Prédiction de la variance: qu'il s'agisse d'un risque de liquidité, de vibrations ou de pics de puissance, si vous avez un ensemble de valeurs qui se situent dans une plage, vous pouvez prédire votre variance un jour donné.
  • Trier / ordonner / prioriser: je ne parle pas des choses simples. Que ce soit pour la recherche ou la priorisation de l'appel à votre représentant commercial ou d'assistance, c'est quelque chose qui peut être géré par l'apprentissage automatique.
  • Reconnaissance de formes: qu'il s'agisse d'une forme, d'un son ou d'un ensemble de plages de valeurs ou d'événements, les ordinateurs peuvent apprendre à la trouver.

Une chose clé est d'avoir un ensemble de personnes autour de qui peuvent abattre les gens en fonction de leur niveau de compétence. Vos développeurs peuvent être intéressés par des algorithmes ou des techniques spécifiques, mais vos analystes et dirigeants doivent comprendre les problèmes commerciaux de base et les techniques informatiques. Vos dirigeants n'ont peut-être pas besoin de savoir comment fonctionne le clustering, mais ils doivent reconnaître qu'un problème «ressemble» à un problème de clustering.

Enfin, vous avez besoin d'un rafraîchissement régulier de l'éducation, au moins une fois par an, car les capacités se développent. 

Vidéo connexe: Apprentissage automatique et IA déchiffrés

Brisant le battage médiatique autour de l'apprentissage automatique et de l'intelligence artificielle, notre panel aborde les définitions et les implications de la technologie.

Prérequis IA n ° 2: la composante

Certains des outils récents autour de la composanteisation sont des «cahiers» pour les scientifiques des données; beaucoup d'autres outils sont issus de ces derniers. Ce sont d'excellents outils pour les scientifiques des données et leurs collaborateurs.

Le problème est qu'ils encouragent les mauvaises pratiques en matière de production. L'interface avec un algorithme de classification ressemble à peu près à tous les autres algorithmes. Une implémentation particulière d'algorithme de classification ne change pas avec le problème métier.

Tout comme de nombreuses entreprises ont dû trouver comment faire une représentation d'un client (plutôt que des représentations totalement différentes dans chaque système pour chaque problème commercial), vous devez faire de même pour les algorithmes. Cela ne veut pas dire que vous devez trouver le seul véritable algorithme de clustering, mais que vous composez ce qui est différent.

Prérequis IA n ° 3: systématisation

Malgré tout le battage, la plupart des systèmes se ressemblent toujours. Il existe un processus pour obtenir les données dans un algorithme, un processus pour exécuter l'algorithme et un endroit pour cracher le résultat. Si vous concevez toutes ces choses sur mesure à plusieurs reprises pour chaque algorithme, vous perdez du temps et de l'argent et vous créez un problème plus grave pour vous-même. Tout comme SOA a changé le nombre d'entreprises déployant des logiciels d'application, des techniques similaires sont nécessaires dans la façon dont l'IA est déployée.

Vous n'avez pas besoin d'un tas de clusters Spark personnalisés avec des «notebooks» personnalisés partout et des processus ETL personnalisés. Vous avez besoin de systèmes d'IA capables de faire le gros du travail quel que soit le problème de l'entreprise.

Prérequis AI n ° 4: la composante AI / UI

Dans un monde JavaScript / UI Web avec des services RESTful sur le back-end, beaucoup de vos interfaces utilisateur devraient pouvoir se mélanger simplement à un composant AI. Qu'il s'agisse d'un recommandateur basé sur le comportement de l'utilisateur ou d'un assistant virtuel complet, votre entreprise devrait créer une bibliothèque d'interface utilisateur qui comprend des fonctionnalités d'IA à intégrer facilement dans vos applications d'entreprise.

Prérequis AI n ° 5: Instrumentation

Rien de tout cela ne fonctionne sans données. Ne revenons pas à la création de gros et gros vidages de données où nous recueillons simplement un tas d'ordures sur HDFS et espérons que cela aura de la valeur un jour, comme certains fournisseurs vous l'ont exhorté à le faire. Au lieu de cela, regardons ce que les choses devraient être instrumentées.

Si vous êtes dans la fabrication, il y a des points de départ simples: quiconque sort une jauge manuelle vous fait perdre votre temps. Cependant, même dans le domaine des ventes et du marketing, vous avez des e-mails et des téléphones portables - des données peuvent être automatiquement collectées à partir de ces derniers, ce qui est clairement utile. Plutôt que de harceler les vendeurs pour qu'ils entrent leurs données, pourquoi ne pas laisser les systèmes le faire eux-mêmes?

Faites bouger votre stratégie d'IA

Pour récapituler, les cinq prérequis clés sont:

  • Diffusez les connaissances de l'IA dans toute votre organisation.
  • Tout le monde doit comprendre les tâches quotidiennes de base que les machines peuvent faire seules.
  • Créez des systèmes et des composants pour votre IA.
  • Créez des mixins AI / UI pour ajouter facilement l'IA à vos applications métier.
  • Instrumentez vos systèmes pour collecter les données dont vous avez besoin pour alimenter les algorithmes afin de prendre des décisions à votre place.

Si vous réunissez ces conditions préalables, le reste doit suivre lorsque vous passez de l'ère de l'information à l'ère de l'insight.