Искусственный интеллект (ИИ) трансформирует все отрасли. Каковы его возможности, ограничения и влияние? Последний курс Эндрю Нг (ИИ для всех) дает вам ключи к пониманию этой цифровой трансформации нашего общества и инструменты, которые можно использовать в вашей деятельности.

Эта статья является частью серии Глубокое обучение на практике (читайте также версии на французском и португальском).

Список статей «AI для всех»

  1. AI для всех (неделя 1)
  2. Создание проектов AI (неделя 2)
  3. Создание искусственного интеллекта в вашей компании (неделя 3)
  4. AI и общество (неделя 4)

Введение

Вы программист или хотя бы интересуетесь кодированием? Вы можете получить доступ к десяткам МООК в Интернете (иногда бесплатно), чтобы узнать, как создавать модели ИИ (такие как модели глубоких нейронных сетей или глубокое обучение), такие как модели Джереми Ховарда (fastai) и Эндрю Нг (deeplearning.ai »).

С помощью этих MOOC - и проявив настойчивость - любой, кто интересуется программированием и ИИ, может стать специалистом по ИИ.

Однако цифровая трансформация государственных организаций и компаний с помощью ИИ также требует понимания возможностей, ограничений и воздействия ИИ всеми сотрудниками, а не только техническими группами. Действительно, включение ИИ в существующие процессы, очевидно, требует подтверждения со стороны руководителя (который, следовательно, должен понимать проблемы), а также может привести к частичному или полному изменению существующих действий.

Поэтому необходимо информировать лидеров и лиц, принимающих решения, с помощью нетехнического подхода к ИИ, как это сделал Омар бен Султан Аль Олама, государственный министр по искусственному интеллекту Объединенных Арабских Эмиратов, с Оксфордский университет в рамках годичной программы, по которой прошли обучение 94 государственных служащих (шрифты на французском и английском).

Последний MOOC Эндрю Нг (ИИ для всех) предоставляет ключевую информацию, необходимую для организации такого типа обучения, а также онлайн-курс Преобразование AI PlayBook, который позволяет любой организации подумать о своей собственной стратегии мутации ИИ.

Содержание этого MOOC бесплатное, и вот основные элементы первой недели.

Кредит: все изображения в этой статье взяты из МООК Эндрю Нг, AI для всех.

Советы тренеру

Содержание 1 этой недели содержит все необходимое для понимания ИИ, его возможностей, ограничений и того, как внедрить его в автоматизированные процессы компании, чтобы стать ИИ-компанией (содержание недели 2 позволяет более подробно ознакомиться с методологией использования. ИИ в проектах).

Тренер должен представлять ИИ по принципу «сверху вниз», начиная с его воздействия в краткосрочной и среднесрочной перспективе с точки зрения создания дополнительной ценности. Действительно, открывая прогнозы создания стоимости в своем секторе, участник будет лично заинтересован в понимании ИИ и, следовательно, получит дополнительную мотивацию.

Курс должен быть основан на простых и понятных примерах для всех.

В конце курса, представив реальность ИИ в виде моделей машинного обучения (и, в частности, глубокого обучения), инструктор представит 5 этапов трансформации компании в компанию ИИ , затем умножьте примеры того, что ИИ может и чего не может.

Ключевые моменты недели 1

. Создание стоимости во всех секторах
. ИИ, а не ИИ
. AI → Машинное обучение → Обучение с учителем
. Почему сейчас? Большие данные и графический процессор
. Получите данные обучения
. Проблемы с данными
. Различия между машинным обучением и наукой о данных
. Глубокое обучение
. Характеристики AI-компании
. 5 шагов к тому, чтобы стать компанией AI
. Как узнать, можно ли использовать ИИ?
. Советы по приобретению мощной модели DL

Создание стоимости во всех секторах

13 триллионов долларов к 2030 году (Mckinsey, сентябрь 2018 года), из которых почти 1 триллион долларов будет продаваться в розничной торговле (наименее затронутыми будут те секторы, которые имеют высокую ручную ценность в качестве парикмахера или хирурга).

ИИ, а не ИИ

Если ИИ сочетает в себе ANI (искусственный узкий интеллект) и AGI (общий искусственный интеллект), последний еще не существует (и будет существовать не очень долго). Сегодня мы умеем разрабатывать ИИ, каждый из которых специализируется на одной задаче.

AI → Машинное обучение → Обучение с учителем

В подавляющем большинстве случаев ИИ на самом деле является моделью машинного обучения (то есть моделью, которая учится на примерах), обучение которой осуществляется под контролем (контролируемое обучение). Таким образом, можно резюмировать, что модель ИИ очень часто является моделью, которая учится давать выход B (прогноз) из входа A (заданного).

Почему сейчас? Большие данные и графический процессор

Сегодня у нас есть много данных (вплоть до Big Data) и вычислительные возможности для их анализа (GPU). Таким образом, можно обучать модели глубоких нейронных сетей (Deep Learning), производительность которых превосходит другие модели и которые растут с увеличением количества обучающих данных.

Получение обучения

Данные (набор данных) для обучения модели ИИ делятся на 2 группы: структурированные данные и неструктурированные данные. В первой группе мы находим все данные в табличной форме, а во второй - текстовые, голосовые и графические данные. В обоих случаях каждая часть данных представляет собой пару (A, B), где B - цель / метка A. Например, набор чисел о доме (A) ориентирован на его цену (B) и изображение кошки (A) имеет этикетку «кошка» (B).

Чтобы получить набор данных, который позволит обучить модель ИИ для конкретной задачи, есть 3 возможности: создать его, пометив его (ручная маркировка), получить его путем записи данных (наблюдая за поведением) или загрузить (загрузить с веб-сайтов / партнеров).

Проблемы с данными

Если наличие данных имеет важное значение для управления моделью ИИ, их получение должно осуществляться в сотрудничестве между командой ИИ и командой, связанной с проектом (ИТ, если это данные о методе, маркетинг, если это рекламные данные и продажи и т. д.). Действительно, команда ИИ может направить команду проекта относительно характера, количества и качества данных, которые должны быть получены для повышения производительности модели ИИ (например, запись каждую минуту, а не только каждые 10 минут, изображения в аналогичном количестве в разных категориях и т. д.).

На практике необходимо предварительно обработать данные перед их использованием для управления моделью ИИ, потому что, если данные содержат ошибки (мусор на входе), модель не сможет работать (мусор на выходе). . Ошибки могут быть неправильными метками, ложными или отсутствующими значениями, а также данными различного характера.

Различия между машинным обучением и наукой о данных

Многие организации уже используют Data Science для анализа своих данных с целью извлечения основных характеристик (например, важность того или иного параметра для значения цели, общие тенденции и т. Д.). Инструменты бизнес-аналитики (BI) также позволяют им визуально взаимодействовать с ними (слайд-колода). Learning Machine тем временем создает прогностическое приложение (программное обеспечение), способное ответить на один вопрос. Таким образом, Data Science может визуализировать прошлое, а машинное обучение может предсказывать будущее.

Глубокое обучение

Машинное обучение, которое является подмножеством самого ИИ, содержит подмножества, наиболее мощным из которых является глубокое обучение (DL). Изначально вдохновленные нейронными сетями мозга, модели DL состоят из нескольких уровней вычислительных единиц (искусственных нейронов), каждый из которых способен обнаруживать все более и более сложные характеристики обучающего набора данных. Фактически, благодаря обучению на основе набора данных, модель DL создает представление мира, которое затем может применяться к любым новым данным A, аналогичным данным набора данных для прогнозирования B.

Характеристики AI-компании

Поскольку наличие веб-сайта недостаточно, чтобы стать Интернет-бизнесом, недостаточно использовать одну или несколько моделей DL, чтобы стать компанией AI. Организационная структура организации, ее стратегия сбора и хранения данных, а также все автоматизированные процессы должны учитывать ИИ.

5 шагов к тому, чтобы стать ИИ-компанией

Как узнать, можно ли использовать ИИ?

Несовершенное эмпирическое правило, которое вы можете использовать, чтобы решить, использовать или не использовать модель ИИ в существующем процессе: все, что вы можете сделать менее чем за секунду, вы, вероятно, могли бы автоматизировать, используя модель DL контролируемого Тип обучения.

Советы для успешной модели DL

Об авторе: Пьер Гийу - консультант по искусственному интеллекту в Бразилии и Франции. Пожалуйста, свяжитесь с ним через его профиль в Linkedin.