Vår redaktionella blog från våra olika författare
4 minuters lästid (816 ord)
Utvald 

AI MACHINE LEARNING RPA EDM Affärsbeslut

Men förstår kunderna olika leverantörers erbjudanden?AI har blivit så genomgripande, nästan varje mjukvaruleverantör gör anspråk på dagens mest hypade teknik.

Faktum är att Gartners latest Hype Cycle for Emerging Technologies beskriver "Technology innovation is the key to competitive differentiation and is transforming many industries."

Men förstår kunderna olika leverantörers erbjudanden?

Många använder "AI" och "maskininlärning" omväxlande som samma benämning men det första du behöver veta om AI (och maskininlärning) är att det är fullt av förvirrande, överlappande terminologi, för att inte tala om algoritmer med funktioner som inte är transparanta och spårbara för alla utom ett fåtal utvalda.

Denna kombination av hype och nästan ogenomtränglig nomenklatur kan bli ganska svårgenomtränglig för de flesta. Låt oss börja med en mycket grundläggande taxonomi:

Artificiell intelligens (AI) är den paraplyfras under vilken all annan terminologi på detta område faller. Som ett område för datorforskning går AI tillbaka till 1940-talet. AI-forskarna var mycket optimistiska fram till 1970-talet, då de stötte på oförutsedda utmaningar och finansiering torkade upp, en period som brukar kallas "AI vinter." Trots sådana triumfer som IBM: s 1990-talet schackspelande system Deep Blue, så återhämtade sig termen "AI" inte från sin långa vinter dvala förrän för några år sedan. En ny nomenklatur behövde uppfinnas! "Maskinintelligens" är synonymt med AI. Det fick aldrig kredd för vad AI gjorde, men man vet inte exakt när det plötsligt blev riktigt populärt.

Maskininlärning är den fras du hör oftast idag, även om den först myntades på 1950-talet. Det hänvisar till en delmängd av AI där program foder på data och, genom att erkänna mönster i dessa data och lära av dem, dra slutsatser eller göra förutsägelser utan att uttryckligen programmeras att göra det. De flesta av de senaste framstegen vi hör om faller under kriterierna för maskininlärning.

Så varför är det så hett idag överallt?

Du hör ofta att Moores lag som delförklaring och billiga, rikligt med datorminne har gett nytt liv åt gamla maskininlärningsalgoritmer, vilket har lett till en våg av praktiska tillämpningar kan utföras av flera. Det är sant, men ännu viktigare har varit "hyperabundance" av data för att maskininlärningssystem att lära sig.

Kognitiv databehandling har varit den fras som föredras av IBM med sin "Jeopardy" vinnare Watson. Så man kan säga att kognitiv databehandling är mer eller mindre synonymt med AI, även om IBM: s definition betonar även mänsklig interaktion med denna intelligens. Vissa människor invänder mot frasen eftersom det innebär mänskligt intelligens resonemang, vilket nuvarande datorsystem i sin nuvarande form osannolikt kan uppnå.

Neurala nätverk är en form av maskininlärning som går tillbaka till tidig AI-forskning. De är mycket löst att efterlikna hur våra nervceller i hjärnan fungerar - målet i allmänhet är sk mönsterigenkänning.

Neurala nätverk tränas med data liknande våra anslutningar mellan nervceller som kan stärkas med de utgångar från vilka bildar mönster och som driver en maskins beslutsfattande typ prediktiv analys samt avancerade beslut. Neurala nät tekniken är också roten till dagens spänning över både AI och maskininlärning.

Djupinlärning (Deep Learning) är det hetaste området för maskininlärning. I de flesta fall, djupinlärning hänvisar till många lager av neurala nätverk som arbetar tillsammans. Djupinlärning har dragit nytta av mycket kraftfull nya bearbetningstjänster i molnet, vilket avsevärt förbättrar prestanda. Alla stora molntjänsteleverantörer erbjuder nu även ramverk för djupinlärning.

Trots den nuvarande entusiasmen för djupinlärning har de flesta maskininlärningsalgoritmer ingenting att göra med neurala nät. De flesta använder dock ofta djupinlärning i samband med linjära algoritmer för att lösa sådana stora utmaningar som t ex bedrägeri upptäckt. Jag jobbade för FICO som tidigt varit ledande på att använda den här tekniken inom finansiella tjänster för världens största företag.

Den nästan obegränsade förmågan att stapla på inte bara djupinlärning lager, men också en mängd andra maskininlärning algoritmer - och tillämpa dem på ett enda problem - är en av anledningarna till att du har hört dessa varnande verser om maskinintelligens en dag närmar sig mänsklig intelligens.

Under de senaste åren har även andra milstolpar uppnåtts t ex ett AI-system som kallas DeepStack slog en professionell pokerspelare för första gången på heads-up no-limit Texas hold'em poker, som till skillnad från schack är ett klassiskt spel av "ofullständig" information (spelare har information som andra inte har). Det var mindre än ett år efter Googles AlphaGo systemet slog världsmästare Lee Sodol i den gamla kinesiska spelet Go.

Som med många heta trender är det alltför lätt att fara omkring med prosaiska termer för befintlig teknik t ex prediktiv text är tekniskt AI. Det andra problemet är att få människor förstår mycket på hela detta område bortom det ytliga Buzz Words. Men vad betyder de egentligen och hur fungerar det i verkligheten?.

Hur många som kastar runt olika fraser har en klar insikt om vad de pratar om? För de flesta av oss är detta svart-box. 

I slutändan tar det experter som har erfarenhet och kunskap som är bäst lämpade att utvärdera AI-lösningar som är affärsmässiga och möjliga att utföra?

Uppdatering ger Teslorna ännu snabbare laddning
Chimi lanserar klädkollektion - Från Bianca till H...
 

Kommentarer (0)

Inga kommentarer här ännu

Skriv dina kommentarer

  1. Kommentera som en gäst.
0 Tecken
Bilagor (0 / 3)
Dela din plats

By accepting you will be accessing a service provided by a third-party external to https://www.bizzit.se/