Томас Дэвенпорт - Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности

Здесь есть возможность читать онлайн «Томас Дэвенпорт - Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности» — ознакомительный отрывок электронной книги совершенно бесплатно, а после прочтения отрывка купить полную версию. В некоторых случаях можно слушать аудио, скачать через торрент в формате fb2 и присутствует краткое содержание. Город: Москва, Год выпуска: 2021, ISBN: 2021, Жанр: org_behavior, management, на русском языке. Описание произведения, (предисловие) а так же отзывы посетителей доступны на портале библиотеки ЛибКат.

Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности: краткое содержание, описание и аннотация

Предлагаем к чтению аннотацию, описание, краткое содержание или предисловие (зависит от того, что написал сам автор книги «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности»). Если вы не нашли необходимую информацию о книге — напишите в комментариях, мы постараемся отыскать её.

Ажиотаж вокруг искусственного интеллекта и его применения в классическом бизнесе не утихает, но многие компании до сих пор не понимают, какую реальную выгоду принесет им внедрение новых технологий в их бизнес-процессы.
Эксперт в области аналитики и больших данных, преподаватель в Гарвардской школе бизнеса Томас Дэвенпорт в своей книге покажет, как можно эффективно интегрировать ИИ и когнитивные технологии в текущую бизнес-стратегию предприятия, чтобы сделать продукты привлекательнее, процессы совершеннее, а компанию успешнее.
Он подробно рассматривает преимущества и сложности внедрения различных видов технологий: статистическое машинное обучение, нейронные сети, глубокое обучение, обработку естественного языка, экспертные системы на основе правил, роботов и роботизированную автоматизацию процессов. И приводит примеры как успешного, так и неудачного использования ИИ в разных компаниях: Amazon, Google, Facebook, GlaxoSmithKline, Uber, GE, цифровом банке DBS и др.

Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности — читать онлайн ознакомительный отрывок

Ниже представлен текст книги, разбитый по страницам. Система сохранения места последней прочитанной страницы, позволяет с удобством читать онлайн бесплатно книгу «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности», без необходимости каждый раз заново искать на чём Вы остановились. Поставьте закладку, и сможете в любой момент перейти на страницу, на которой закончили чтение.

Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать

Наиболее сложные формы машинного обучения предполагают глубокое обучение, или построение моделей нейронных сетей, имеющих множество уровней функций и переменных, предсказывающих результаты. В таких моделях могут быть тысячи функций, которые обеспечиваются более быстрой работой современных компьютерных архитектур. В отличие от более ранних форм статистического анализа, каждая функция модели глубокого обучения, как правило, мало что значит для человека. В связи с этим модели очень трудно или невозможно интерпретировать. В опросе Deloitte 34 % компаний использовали технологии глубокого обучения.

Модели глубокого обучения прогнозируют и классифицируют результаты с применением техники обратного распространения ошибки [13] James Somers, "Is AI Riding a One-Trick Pony?" MIT Technology Review, September 29, 2017, https://www.technologyreview.com/s/608911/is-ai-riding-a-one-trick-pony/ . . Именно эта технология ИИ стоит за целым рядом недавних прорывов – от победы над человеком при игре в го до классификации изображений в интернете. Отцом глубокого обучения часто называют Джеффри Хинтона из Университета Торонто и компании Google – и отчасти как раз из-за ранней работы над техникой обратного распространения ошибки.

В машинном обучении задействуется более сотни возможных алгоритмов, и большинство из них весьма причудливы. Спектр этих алгоритмов весьма широк и охватывает все – от повышения градиента (метода построения моделей, которые устраняют ошибки предыдущих моделей, тем самым повышая их способность к прогнозированию и классификации) до случайных лесов (моделей, которые представляют собой ансамбль моделей дерева принятия решений). Все чаще программное обеспечение (включая DataRobot, SAS и AutoML от Google) позволяет автоматизировать построение моделей машинного обучения, в ходе которого происходит апробация различных алгоритмов с целью выявить наиболее удачный [14] Mathew Mayo, "The Current State of Automated Machine Learning," KDNuggets blog post, January 25, 2017, https://www.kdnuggets.com/2017/01/current-state-automated-machine-learning.html . . Как только обнаруживается лучшая модель для прогнозирования или классификации тренировочных данных, ее используют для прогнозирования и классификации новых данных (иногда это называют скорингом).

Однако важен не только используемый алгоритм, но и принцип обучения создаваемых моделей. Модели обучения с учителем (на сегодняшний день наиболее распространенные в бизнесе) учатся на основе набора тренировочных данных с маркированным результатом. Например, модель машинного обучения, которая пытается предсказать мошенничество в банке, необходимо учить на системе, где мошенничество в некоторых случаях было однозначно установлено. Это непросто, поскольку частота мошенничества может составлять 1 случай на 100 000, и порой эту проблему называют проблемой несбалансированности классов .

Обучение с учителем очень похоже на традиционный аналитический метод регрессионного анализа, который используется в модели оценки. Цель регрессионного анализа заключается в том, чтобы создать модель, предсказывающую известный результат, используя набор входных переменных с известными значениями, которые могут быть связаны с этим результатом. Когда модель разработана, ее можно использовать для предсказания неизвестного результата на основе известных значений тех же входных переменных. Например, можно разработать регрессионную модель, предсказывающую вероятность заболевания диабетом в зависимости от возраста пациента, уровня его физической активности, количества потребляемых калорий и индекса массы тела. При разработке этой модели мы будем ориентироваться на пациентов, которые уже заболели или не заболели диабетом, используя все доступные данные для построения регрессионной модели. Обнаружив хорошую предсказательную регрессионную модель, мы сможем использовать ее на новом наборе данных, чтобы предсказать неизвестный результат – вероятность заболевания диабетом в зависимости от определенных значений входных переменных. Это называется скорингом (как в регрессионном анализе, так и в машинном обучении).

Регрессионный процесс напоминает машинное обучение с учителем, но имеет ряд особенностей:

● В машинном обучении данные, используемые для разработки (тренировки) модели, называются тренировочными данными и могут представлять собой подмножество данных, необходимых исключительно для тренировки системы.

● В машинном обучении тренировочная модель часто утверждается при помощи другого подмножества данных, для которого известен подлежащий предсказанию результат.

Читать дальше
Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать

Похожие книги на «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности»

Представляем Вашему вниманию похожие книги на «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности» списком для выбора. Мы отобрали схожую по названию и смыслу литературу в надежде предоставить читателям больше вариантов отыскать новые, интересные, ещё непрочитанные произведения.


Отзывы о книге «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности»

Обсуждение, отзывы о книге «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности» и просто собственные мнения читателей. Оставьте ваши комментарии, напишите, что Вы думаете о произведении, его смысле или главных героях. Укажите что конкретно понравилось, а что нет, и почему Вы так считаете.

x