Согласно Опросу ИТ-директоров Gartner за 2019 год, внедрение ИИ предприятиями выросло на 270% за последние четыре года, и более 37% предприятий внедрили ИИ в той или иной сфере. Компании стремительно внедряют эту технологию, а директора по информационным технологиям и специалисты по обработке данных сталкиваются с трудными решениями относительно того, какая скорость ИИ соответствует потребностям их бизнеса.

ИИ можно разделить на три модели оценки: пакетный, управляемый событиями и в реальном времени. Каждый шаблон оценки предоставляет разные возможности в зависимости от цели модели. Например, хотя пакетные вычисления могут идеально работать при начислении заработной платы, это не будет эффективным способом отслеживания мошенничества в банковских транзакциях.

Изучая эти три метода и их потенциал, компании могут извлечь максимальную пользу из своих ценных идей.

1. Пакетная обработка

Пакетная обработка - это эффективный способ обработки больших объемов данных для ИИ. Транзакции собираются в течение определенного периода времени, а затем обрабатываются как пакет. Исторически пакетная обработка использовалась для моделирования прогнозной аналитики, поскольку большой объем данных обеспечивает более точные результаты и понимание. С развитием потоковой передачи данных возможности обработки расширяются, но пакетная обработка остается наиболее распространенным способом включения обширных данных в бизнес-стратегию.

Эта форма обработки данных часто используется для выполнения банковских транзакций в нерабочее время, создания бизнес-отчетов и выставления счетов клиентам с правильными интервалами. Пакетные модели также могут применяться для оценки лояльности клиентов, пожизненной ценности или членства в сегментах с временными интервалами от нескольких раз в день до ежемесячных. Любая задача, не требующая ввода данных в реальном времени, может подходить для пакетной обработки.

Наконец, пакетная обработка обеспечивает гибкость по времени и экономию затрат и энергии сети при ограниченном количестве моделей и объемов данных. Для многих сценариев, не требующих постоянной обработки данных, пакетная обработка может быть лучшим вариантом. Для сред с сотнями моделей, которые применяются к терабайтам или гигабайтам данных, это может быстро стать проблематичным с точки зрения времени и стоимости.

2. Обработка, управляемая событиями

Не все данные одинаковы. С распространением IoT-устройств, датчиков и приложений, которые круглосуточно излучают байты, специалисты по обработке данных сталкиваются с задачей определения приоритетов. Большинство данных несущественны и не требуют оценки модели; однако, когда происходит атипичное событие, ИИ может вмешаться и предпринять следующие шаги.

Событием можно считать любое существенное изменение состояния; это может быть покупка нового автомобиля, покупка дома, рождение ребенка или получение крупной суммы денег. С другой стороны, мероприятие может быть небольшим, например, отправка электронного письма, посещение определенного веб-сайта или устройство, достигающее определенной температуры. Какое бы событие система не отслеживала, когда это событие происходит, она позволяет ИИ следовать лучшим практикам.

Обработка, управляемая событиями, оказалась исключительно полезной для маркетинга, поскольку потребители становятся более отзывчивыми, когда предприятия настраиваются на свою повседневную жизнь. Этот тип обработки также полезен для предприятий для автоматизации таких вещей, как управление запасами, или для ИИ, чтобы знать, когда кто-то прибыл домой или ушел.

Компании должны внедрять управляемую событиями обработку, когда они могут заранее определить метрики, которые должны быть связаны с последовательными действиями. ИИ можно использовать как для определения этих показателей, так и для принятия мер.

3. Обработка в реальном времени

С ростом количества цифровых идентификаторов, связанных с просмотром веб-страниц и созданием данных, специалисты по обработке данных стремятся обрабатывать данные с той же скоростью, с которой они их получают, то есть в режиме реального времени. Этот метод требует постоянного ввода, обработки и вывода. Потоковая передача данных привела к появлению быстрых данных, и компании по всему миру находят новую ценность в этом подходе.

Примером данных, обрабатываемых ИИ в режиме реального времени, являются сообщения о мошенничестве при покупках по кредитным картам. В течение нескольких миллисекунд банк должен зарегистрировать ввод информации, применить скоринговую модель и определить следующие шаги. В зависимости от оценки информации банк либо авторизует покупку, либо сообщит о ней как о мошенничестве. Обработка искусственного интеллекта в реальном времени необходима для медицинской диагностики, распознавания речи, анализа рынка, рекомендаций потребителям, роботов и многого другого.

Обработка в реальном времени - это достижение более быстрых результатов с использованием контекстных подсказок, немедленной аналитики и действий без колебаний; однако у этой технологии есть свои ограничения. Уровень качества в определенных обстоятельствах вызывает сомнения. Хотя отсутствующий поток данных может не сильно повлиять на точность маркетинговой инициативы, для многих промышленных целей эффект может иметь пагубные последствия. Другие модели ИИ могут зависеть от источников данных, которые недоступны для извлечения в реальном времени, или они не поддерживают приемлемые SLA. Это, конечно, ограничивает их возможность вызывать в реальном времени. Однако, если среда включает модели искусственного интеллекта, которые оцениваются по очень конкретным сценариям или нечасто оцениваются, часто лучше использовать подход к этим моделям в реальном времени или по запросу, чем тратить ресурсы, генерируя оценки в пакетном режиме, что редко бывает использоваться.

Определение следующих шагов

Чтобы реализовать эффективную стратегию искусственного интеллекта, компании должны учитывать параметры своих потребностей для каждого варианта использования или сценария. В то время как пакетная обработка исторически служила основной моделью обработки, результаты, которые стали возможными благодаря управляемой событиями обработке и обработке в реальном времени, позволяют исследователям данных ИИ исследовать новые горизонты и использовать контекстные данные в реальном времени в своих моделях.

Важно помнить, что все эти подходы могут работать вместе. Пакетное управление с высочайшей точностью может быть наиболее информированным способом построения моделей искусственного интеллекта; обработка, управляемая событиями, при необходимости может поднять тревогу и привести в действие интуитивно понятную маркетинговую кампанию. Наконец, обработка в режиме реального времени обеспечивает экономичное обслуживание клиентов и многие типы персонализации. Квалифицированный специалист по данным ИИ и команда инженеров машинного обучения должны работать вместе, чтобы определить, какой тип обработки лучше всего подходит для данного варианта использования и его ограничений.

Первоначально опубликовано на https://www.quickpath.com 1 июля 2019 г.