Как понять, что пора внедрять ИИ в бизнес: 10-минутная выжимка по лучшему курсу ИИ от сооснователя Google Brain

Основы машинного обучения за 10 минут: краткое содержание курса от самого Andrew Ng — профессора Стэнфорда, сооснователя платформы Coursera, сооснователя Google Brain и вице-президента Baidu от разработчиков VisionSystems.

Как пройти месячный курс по искусственному интеллекту (ИИ) за 10 минут?

Меня зовут Максим Савченко, я основатель компании, которая занимается компьютерным зрением VisionSystems. Мы создаем законченные продукты на базе машинного обучения, усаживаясь таким образом на двух стульях компетенций: продуктовой и технологической.

Для нас важно, чтобы клиенты также понимали всю ценность ML и все ограничения. Для этого и будет достаточно почитать нашу краткую версию месячного курса от Andrew Ng по машинному обучению. Мы сами прошли этот курс и советуем его пройти полностью на платформе coursera. Не обещаем, что после этого курса вы начнете разрабатывать проекты ML, но точно будете его понимать.

Рост искусственного интеллекта (ИИ) был в значительной степени обусловлен машинным обучением. Самым частым в использовании называют тип ИИ, который изучает A-B или сопоставления (А)ввода-(В)вывода. Это называется контролируемым обучением. То есть все машинное обучение строится по принципу ввод-вывод. У вас есть А и В, это ваши данные. И от того, как вы определите, что такое А и что такое В, будет обучаться ваш интеллект.

К примеру, у вас есть кот. Точнее, его картинка. А еще точнее, много картинок. Это данные «А» на входе. А потом есть ответы ИИ, когда мы даем ему новую картинку, которую он еще не видел (это B ответы ИИ). Правильно обученный ИИ корректно проанализирует картинку и скажет, на ней кот или нет. Но могут быть и ошибки и об этом дальше.

Искусственный Интеллект делится на два типа:

С одной стороны, переход от входа к выходу (от А к В) кажется довольно ограниченным. Но когда вы находите для этого правильный сценарий применения, это может быть невероятно ценным. Идея контролируемого обучения существует уже много десятилетий. Но за последние несколько лет прогресс стал настолько очевидным.

Для того, чтобы ваш ИИ работал и приносил результаты, вам нужен объем данных, которые ИИ и будет анализировать. Качество в этом случае также важно, как и количество: все зависит от вашей цели, и, скажем, если вы хотите научить интеллект определять, где велосипед, а где машина, то данные о том как выглядят котики вам вряд ли помогут.

Данные

Данные в машинном обучение играют крайне важную роль. Именно по ним ИИ и учится, выдавая в последствии результат. Существуют несколько типов данных: неструктурированные и структурированные. Первые — тот тип данных, который очень легко интерпретировать: изображения, звук или текст. Есть определенные типы методов искусственного интеллекта, которые могут работать с:

Структурированные данные — данные, которые живут в гигантской электронной таблице, и методы работы с неструктурированными данными немного отличаются от методов работы со структурированными данными.

Для того, чтобы правильно использовать данные, лучше всего взять команду, специализирующуюся на машинном обучении. ИИ — команда покажет, какие данные вам ввести, чтобы интеллект правильно определял кота среди всех собак. Если совсем просто, то портрет кота вам нужен, а вот сила нажатия одной лапки на поверхность — нет.

Каким бывает Машинное Обучение?

Всего есть 3 вида:

С учителем:
Учитель дает компьютеру dataset: вводную информацию (количество комнат, желаемая цена, площадь дома и тд) , а затем сразу же дает ему данные о лучшем варианте дома. И чем больше будет вводных, тем точнее будет анализ.

Так работают программы, которые распознают объекты на фото – программа просматривает миллионы изображений с описанием того, что на них изображено, находит общие черты и уже сама учится давать описания изображениям.

После обучения учитель даёт ей фото без описания объектов, а программа спрашивает «это дерево?». Если учитель отвечает «да», то программа понимает, что сделала правильные выводы.

Систему распознавания объектов можно использовать для практически любой отрасли: будь то беспилотные автомобили, которые с помощью этой технологии объезжают препятствия, или сельское хозяйство, чтобы следить за животными или их безопасностью.

Без учителя (Unsupervised machine learning)

Вот более простой пример – игра «змейка», где программа сама выбирает траектории, основываясь на данных о том, как далеко от нее находятся какие-то объекты. И, если программа получает больше очков, то расценивает это как положительный ответ и учится в том же направлении

Такой подход хорош там, где есть неочевидное решение. Отличный пример — маркетинг: ИИ не понимает, что предлагать похожий товар человеку, который в нем не нуждается, нелогично, даже если это приносит деньги.

Также нейросети могут обучаться в паре. Так работает генеративно-состязательная сеть (GAN). Она состоит из сетей G и D – первая генерирует образцы на основе реальных изображений, а вторая пытается отличить подлинные образцы от сгенерированных.

Такая технология применяется в восстановлении качества изображений, или недостающих объектов на нем. Вспомните, когда вы убирали лишние детали с фото — вот это оно и есть. Кстати, одна из компаний, которая использует GAN, –Facebook.

Глубокое обучение

Глубокое обучение может быть как с учителем, так и без, но оно подразумевает под собой анализ Big Data – настолько большой информации, что одного компьютера будет недостаточно. Поэтому Deep Learning использует для работы нейронные сети.

Нейронные сети позволяют разделить одну большую задачу на несколько маленьких и делегировать их другим устройствам. Например, один процессор собирает информацию и передает ее двум другим. Те, в свою очередь, анализируют ее и передают еще четырем, которые выполняют еще какие-то задачи и передают следующим процессорам.

Что нужно делать, чтобы преобразовать ваше предприятие с помощью ИИ:

1. Выполняйте пилотные проекты, чтобы получить быстрый результат

Для ваших первых ИИ-проектов гораздо важнее, чтобы они были успешно завершены, чем им быть особенно ценными. Проекты должны быть довольно значимыми, чтобы первые успехи помогли вашей компании познакомиться с ИИ, а также убедить других в вашей компании инвестировать в дальнейшие ИИ-проекты. Они не должны быть настолько малы, чтобы другие сочли это тривиальным. Важно, чтобы маховик вращался и ваша ИИ-команда могла набирать обороты.

Для первых ИИ-проектов можно предложить следующие характеристики:

2. Создайте собственную или наймите ИИ-команду

В то время как аутсорсинговые партнёры с большим техническим опытом ИИ могут помочь вам быстрее получить первоначальный импульс, в долгосрочной перспективе будет эффективнее выполнять некоторые проекты с собственной командой ИИ. Что вам ближе — исключительно ваш выбор

Наём ИТ-директора (CIO) в период увеличения влияния интернета стал важным моментом для многих компаний для разработки единой стратегии использования интернета. Напротив, компании, проводившие множество независимых экспериментов — от цифрового маркетинга и экспериментов с анализом данных (data science) до запуска новых веб-сайтов — не смогли использовать возможности интернета, когда эти небольшие пилотные проекты не смогли масштабироваться для преобразования остальной части компании.

Основные обязанности ИИ-подразделения:

В настоящее время идёт война за специалистов по ИИ, и, к сожалению, большинству компаний будет трудно быстро нанять отличного специалиста. Тем не менее, обучение вашей существующей команды также может быть хорошим способом получить много новых специалистов внутри компании.

3. Обеспечьте широкое ИИ-обучение.

С ростом цифрового контента, в том числе MOOC (Massive Online Open Courses, массовых открытых онлайн-курсов), таких как Coursera, электронных книги и видео на YouTube, становится всё более рентабельным обучать большое количество сотрудников.

ИИ изменит многие виды деятельности. Вы должны обучить всех тому, что им понадобится для адаптации к новым ролям в эпоху ИИ. Консультация с экспертом позволит вам разработать индивидуальный учебный план для вашей команды.

4. Разработайте ИИ-стратегию

ИИ-стратегия направит вашу компанию к созданию ценности, а также к созданию защитных сооружений. Как только команды начнут видеть успехи первоначальных ИИ-проектов и сформируют более глубокое понимание ИИ, вы сможете определить места, в которых ИИ может создать наибольшую ценность, и сосредоточить ресурсы в этих областях.

Некоторые руководители будут думать, что разработка ИИ-стратегии должна стать первым шагом. Но, большинство компаний не смогут разработать продуманную ИИ-стратегию, пока у них не будет некоторого базового опыта в области ИИ, который они могут получить в шагах 1-3. То, как вы строите защитные сооружения, также эволюционирует вместе с ИИ.

Вот один из подходов:

Используйте ИИ для создания преимущества, специфичного для вашей отрасли: вместо того, чтобы пытаться конкурировать «в целом» в ИИ с ведущими технологическими компаниями, такими как Google, я рекомендую вместо этого стать ведущей компанией ИИ в вашей отрасли, где разработка уникальных возможностей ИИ позволит вам получить конкурентное преимущество. То, как ИИ влияет на стратегию вашей компании, зависит от конкретной отрасли и ситуации.

План ИИ-трансформации: как управлять компанией в эпоху ИИ?

Например, ведущие поисковые веб-системы, такие как Google, Baidu, Bing имеют огромный ресурс данных, показывающий, на какие ссылки нажимает пользователь после различных поисковых запросов. Эти данные помогают компаниям создать более точные поисковые движки, которые, в свою очередь, помогают им привлечь больше пользователей, что, в свою очередь, приводит к получению ещё большего количества пользовательских данных.

Данные являются ключевым активом для систем искусственного интеллекта. Таким образом, крупнейшие ИИ-компании также имеют сложную стратегию в области данных (data strategy). Ключевые элементы вашей стратегии данных могут включать в себя:

5. Развивайте внутренние и внешние коммуникации

ИИ существенно повлияет на ваш бизнес. Вы должны информировать об ИИ-технологиях все ключевые заинтересованные стороны, в той степени, в которой это затрагивает их интересы. Вот что вам следует принять во внимание для каждой аудитории:

Отношения с инвесторами: ведущие компании, такие как Google и Baidu, в настоящее время являются гораздо более дорогими компаниями отчасти из-за их ИИ-возможностей и влияния, которое ИИ оказывает на их доходы. Объяснение того, как ИИ создаёт ценность для вашей компании и описание ваших растущих возможностей ИИ вместе с продуманной ИИ-стратегией поможет инвесторам правильно оценить вашу компанию.

Отношения с государством: компании в отраслях с высоким уровнем регулирования (беспилотные автомобили, здравоохранение) сталкиваются с уникальными проблемами, чтобы оставаться в рамках закона. Разработка достоверного и убедительного рассказа, объясняющего ценность и преимущества, которые ваш ИИ-проект может принести отрасли или обществу, является важным шагом в укреплении доверия и доброжелательности. Это должно сочетаться с непосредственным общением и постоянным диалогом с регулирующими органами по мере внедрения вашего проекта.

Обучение клиентов и пользователей: ИИ, вероятно, принесёт значительные выгоды вашим клиентам, поэтому убедитесь, что распространены соответствующие маркетинговые материалы и дорожная карта продукта.

Специалисты / набор персонала: из-за нехватки ИИ-специалистов хороший бренд работодателя оказывает значительное влияние на возможности привлекать и удерживать таких специалистов. ИИ-инженеры хотят работать над интересными и значимыми проектами. Скромные усилия, чтобы продемонстрировать ваши первоначальные успехи, могут иметь большое значение.

Компании активно используют разработки ИИ во всех сферах, мы вам сейчас рассказали лишь основные аспекты использования Машинного обучения и как оценить его востребованность в конкретно вашем случае.

В целом, для кооперации с ИИ подходят разные бизнесы:

Но во всех вариантах не хватает осознания, насколько полезен будет ИИ для конкретного случая, чтобы получать больше прибыли или уменьшать издержки. А может, нет смысла даже выделять бюджет на проверку гипотез из-за того, что в их бизнесе это неприменимо.

В любом случае, такие вопросы решает консультация с командой разработки, которая и подскажет, стоит ли вообще начинать внедрять ИИ в свой бизнес, или стоит повременить с подобными технологиями. Мы считаем, что компании, которые специализируются на ML должны в первую очередь развивать рынок и быть ответственными. Например, у нас процесс мозгового-штурма происходит на основе опыта уже реализованных проектов, учета уже реализованных примеров из индустрии и понимания применимости конкретного кейса в реальности. Такой метод работы нужен, чтобы понимать запросы рынка и расширения кейсов.

Рынок машинного обучения надо развивать, чтобы люди сами понимали, какую ценность оно может принести и когда, наоборот, не стоит пока в это лезть. Как пример, мы стараемся делиться лучшими практиками и помогать с разбором кейсов с помощью экспертизы на первых шагах или как развивать уже работающие AI продукты. Например, нужно третье мнение или помощь в проверке новых гипотез.

Ссылка на полный, обучающий курс:

А вот ссылка на мой ФБ, на случай вопросов или в комментариях: