Data science

AI และ ML สำหรับมวลชน

ปัญญาประดิษฐ์ไม่ได้เป็นโดเมนของนักเทคโนระทึกขวัญในฮอลลีวูดอีกต่อไป และไม่สามารถใช้ได้เฉพาะกับบริษัท Fortune 500 หรือสตาร์ทอัพที่ได้รับการสนับสนุนจาก VC เท่านั้น อันที่จริง การใช้เทคโนโลยีนี้กลายเป็นเรื่องธรรมดามากขึ้นในบริษัททุกขนาด IBM อธิบายปัญญาประดิษฐ์ (AI) ว่าเป็นเทคโนโลยีที่ “ใช้ประโยชน์จากคอมพิวเตอร์และเครื่องจักรเพื่อเลียนแบบความสามารถในการแก้ปัญหาและการตัดสินใจของจิตใจมนุษย์” ล้ำสมัย? พนันได้เลย. แต่ในปัจจุบันนี้ แม้แต่บริษัทขนาดเล็กและขนาดกลางก็สามารถใช้ประโยชน์จาก AI ได้โดยการใช้ประโยชน์จากข้อมูลลูกค้า ผลิตภัณฑ์ และข้อมูลตลาดเพื่อขับเคลื่อนการวิเคราะห์ของพวกเขา ลดเวลาในการออกสู่ตลาดและช่วยให้การแข่งขันของพวกเขาดีขึ้น ข้อมูลทำให้แอปพลิเคชันของ AI เช่นการเรียนรู้ของเครื่อง (ML) เป็นไปได้ บริษัทต่างๆ ในด้านการดูแลสุขภาพ การขนส่ง กฎหมาย การศึกษา และแม้แต่การเกษตรก็มีปริมาณมาก และพวกเขากำลังได้รับประโยชน์จาก AI และ ML มาดูกันดีกว่าว่า AI และ ML ได้เปลี่ยนแปลงวิธีการดำเนินงานของบริษัทไปแล้วอย่างไร ไม่ว่าพวกเขาจะมองว่าตัวเองเป็น “บริษัทเทคโนโลยี” หรือไม่ก็ตาม คุณกำลังพยายามแก้ไขอะไรจริงๆ ก่อนที่บริษัทจะพยายามสำรวจโครงการ AI หรือ ML จำเป็นต้องมีความเข้าใจว่าปัญหาใดที่พยายามจะแก้ไข และจำเป็นต้องมีข้อมูลจำนวนมาก จากนั้นบริษัทสามารถค้นหาวิธีที่ AI หรือ ML สามารถช่วยในกระบวนการให้เสร็จสิ้นได้รวดเร็วและเชื่อถือได้มากขึ้น ด้วยกระบวนการอัตโนมัติของหุ่นยนต์ ตัวอย่างเช่น เราสามารถใช้ประโยชน์จาก AI เพื่อระบุรูปแบบที่ปัจจุบันต้องใช้สายตามนุษย์ในการจดจำ นอกจากนี้ สามารถใช้ ML เพื่อทำงานที่ซ้ำซากจำเจในขณะที่เรียนรู้และจดจำรูปแบบ และทำการอนุมานได้ เช่นเดียวกับที่มนุษย์ทำ (แต่เร็วกว่า) ตัวอย่างเช่น บริษัทแห่งหนึ่งมีพนักงานภาคสนามถ่ายภาพเอกสาร จากนั้นพนักงานภาคสนามจะส่งรูปถ่ายกลับไปที่สำนักงานใหญ่เพื่อให้พนักงานคนอื่นกำหนดเส้นทางภาพไปยังแผนกต่างๆ ปัญหาการจำแนกประเภทนี้กำลังสุกงอมสำหรับระบบอัตโนมัติ การใช้เครื่องมือเช่น AutoML ของ Google นักพัฒนาที่มีประสบการณ์จำกัดสามารถสร้างโมเดล ML ของลูกค้าได้ ข้อดีอย่างหนึ่งของการใช้งานเฉพาะนี้คือช่วยให้ทีมมีอิสระในการมุ่งเน้นไปที่งานที่เป็นนวัตกรรมมากขึ้น มีความเฉพาะเจาะจงเกี่ยวกับสิ่งที่คุณกำลังพยายามทำให้เป็นอัตโนมัติ (Seita/Shutterstock) หรือพิจารณาฟุตบอล ซึ่งเป็นผลิตภัณฑ์ที่ไม่ใช่ด้านเทคนิคในสนามอย่างแน่นอน แต่เป็นผลิตภัณฑ์ที่สร้างข้อมูลจำนวนมหาศาลเกี่ยวกับปัจจัยต่างๆ เช่น ประสิทธิภาพของผู้เล่น ความเข้มข้นของการชน การตั้งค่าการวิ่งผ่าน และ เล่นความคล้ายคลึงกัน อีกบริษัทหนึ่งซึ่งเป็นบริษัทวิเคราะห์ด้านกีฬาจำเป็นต้องปรับปรุงความเร็วเพื่อให้สามารถให้การวิเคราะห์เชิงลึกแก่ทีมได้ เมื่อใช้ ML บริษัทเห็นสิ่งที่เคยเป็นรอบการวิเคราะห์สี่วันลดลงเหลือน้อยกว่าสองนาที ช่วยเพิ่มความสามารถในการตรวจสอบรูปแบบเกมต่อกันอย่างมีนัยสำคัญ ข้อมูลดังกล่าวมีมูลค่าสูงโดยทีมงานที่อาศัยการวิเคราะห์เหล่านี้ ในทั้งสองกรณีปัญหาชัดเจน มีกระบวนการที่ต้องเร็วกว่าและมีโอกาสเกิดข้อผิดพลาดน้อยกว่าในการตอบสนองความต้องการทางธุรกิจ การทำความเข้าใจว่าคุณต้องปรับปรุงอะไร – และไม่ว่า AI หรือ ML จะช่วยให้คุณไปถึงที่นั่นหรือไม่ – เป็นสิ่งสำคัญ ลงทุนในทีมที่สามารถตอบสนองความต้องการ AI และ ML ของคุณได้ ในการใช้ประโยชน์จาก AI และ ML บริษัทต่างๆ จำเป็นต้องสร้างทีมที่มีความเชี่ยวชาญ การฝึกอบรมและปรับแต่งโมเดลอย่างต่อเนื่องนั้นเป็นกระบวนการที่ทำซ้ำ ดังนั้นแม้แต่บริษัทที่ไม่ใช่เทคโนโลยีก็ควรพิจารณาเพิ่มพนักงานใหม่สองสามตำแหน่งในบทบาททางเทคนิคที่เข้าใจกระบวนการนี้ การจ้างหุ้นส่วนที่ปรึกษาด้านเทคนิคอาจเป็นวิธีที่ดีในการเพิ่มทีม แม้แต่ในบริษัทชั้นนำ ผู้นำส่วนใหญ่ไม่เข้าใจวิธีที่โมเดล AI หรือ ML ทำการตัดสินใจ ดังนั้นจึงเป็นหน้าที่ของฝ่ายไอทีและทีมวิเคราะห์ที่มีความตระหนักมากขึ้น เพื่อช่วยให้ผู้นำเข้าใจคุณค่าและความแตกต่างที่โมเดลสามารถสร้างขึ้นได้ ผู้คนเป็นองค์ประกอบที่มีค่าที่สุดของโปรแกรม ML และ AI ของคุณ (pgraphis/Shutterstock) การลงทุนใน AI และ ML ในขั้นต้น และเพื่อการกำกับดูแลในภายหลัง จะคุ้มค่าอย่างมาก การมุ่งเน้นในยุคการระบาดใหญ่ของ AI ทำให้เทคโนโลยีพร้อมสำหรับการเติบโตอย่างต่อเนื่อง Forbes รายงานเมื่อต้นปีนี้ว่า “43% ขององค์กรกล่าวว่าการริเริ่ม AI และ ML มีความสำคัญ 'มากกว่าที่เราคิด' โดยหนึ่งในสี่กล่าวว่า AI และ ML ควรเป็นของพวกเขา ลำดับความสำคัญสูงสุดเร็วกว่านี้” ความมุ่งมั่นที่เพิ่มขึ้นในด้านเทคโนโลยีและการใช้จ่ายที่เกี่ยวข้องจะหมายถึงการพึ่งพาสมาชิกในทีมและพันธมิตรที่สามารถใช้อย่างมีประสิทธิภาพมากขึ้น ระวังข้อผิดพลาดทั่วไป เมื่อทำการเปลี่ยนไปใช้ AI หรือ ML ข้อผิดพลาดที่ง่ายที่สุดคือการประเมินปริมาณข้อมูลที่จำเป็นต่ำเกินไปในการฝึกโมเดลใหม่อย่างเหมาะสม โครงการ AI หรือ ML ส่วนใหญ่เริ่มต้นด้วยความรู้เป็นศูนย์ อาจต้องใช้จุดข้อมูลแต่ละจุดเป็นพันๆ ล้าน หรือกระทั่งล้านล้านจุดเพื่อให้โมเดล AI หรือ ML มีความน่าเชื่อถือในการจำแนกประเภท เมื่อบริษัทว่าจ้างนักพัฒนาภายนอกหรือจ้างนักวิทยาศาสตร์ข้อมูล คำขอแรกจะเป็นขอข้อมูลเพิ่มเติมเสมอ เมื่อบริษัทต่างๆ เริ่มพิจารณาจุดข้อมูลทั้งหมดที่ผลิตขึ้นในทุกขั้นตอนของการโต้ตอบกับลูกค้าหรือการใช้ผลิตภัณฑ์ บริษัทอาจจำเป็นต้องเพิ่มเครื่องมือวัดเพื่อจับปริมาณ (และมูลค่า) ที่แท้จริงของข้อมูลที่ผลิต ข้อผิดพลาดที่สำคัญอีกประการหนึ่งที่ควรหลีกเลี่ยงคือการป้อนข้อมูลที่ผิดพลาดระหว่างกระบวนการฝึกอบรม ข้อผิดพลาดในชุดฝึกอบรมจะฝังอยู่ในแบบจำลองและอาจทำให้ทั้งโครงการตกราง การตรวจสอบข้อผิดพลาดควรเป็นเรื่องสำคัญที่สุดสำหรับบริษัทที่ใช้ AI หรือ ML ในซอฟต์แวร์ประเภทอื่น นักพัฒนาสามารถดึงโค้ดขึ้นมาและพยายามระบุข้อผิดพลาด แต่ด้วยการเขียนโปรแกรม AI และ ML ข้อผิดพลาดนั้นยากกว่ามากในการค้นหาและคลายออก การแก้ไขข้อผิดพลาดไม่เคยสมบูรณ์แบบ แต่เนื่องจากซอฟต์แวร์ปรับให้เหมาะสมและเรียนรู้รูปแบบอย่างต่อเนื่อง ผลกระทบของความผิดพลาดใดๆ ก็ตามจึงปะปนกันไป ซึ่งไม่ต่างจากสมาชิกในทีมที่ได้รับการฝึกอบรมอย่างไม่ถูกต้องเพื่อฝึกอบรมพนักงานใหม่ในลักษณะเดียวกัน ความเร็ว ประสิทธิภาพ และความแม่นยำของผลลัพธ์เป็นสิ่งที่ทำให้โซลูชัน AI และ ML มีค่ามากสำหรับบริษัทต่างๆ แต่สิ่งสำคัญคือต้องกำหนดปัญหาที่ต้องแก้ไขและฝึกแบบจำลองอย่างถูกต้องอย่างรอบคอบ มิฉะนั้น ผลลัพธ์ดาวน์สตรีมของคุณจะไม่เพียงพอกับสิ่งที่คุณต้องการ การใช้เทคโนโลยีนี้อย่างมีประสิทธิภาพต้องอาศัยความมุ่งมั่นในการฝึกอบรม ปรับแต่งโมเดล และฝึกอบรมซ้ำเพื่อขจัดความลำเอียงและข้อมูลที่ไม่ดี เทคโนโลยียังคงเติบโต แต่วิธีการและเครื่องมือที่เป็นที่ยอมรับทำให้บริษัททุกขนาดสามารถใช้ประโยชน์จาก AI และ ML ได้ในปัจจุบัน — โกนชั่วโมง วัน และแม้กระทั่งสัปดาห์นอกกระบวนการที่บริษัทและลูกค้าพึ่งพา เกี่ยวกับผู้แต่ง: Calvin Hendryx-Parker เป็นผู้ร่วมก่อตั้งและ CTO ของ Six Feet Up ซึ่งเป็นบริษัทซอฟต์แวร์ที่ช่วยให้องค์กรสร้างแอปได้เร็วยิ่งขึ้น สร้างสรรค์นวัตกรรมด้วย AI ลดความซับซ้อนของ Big Data และใช้ประโยชน์จากเทคโนโลยีคลาวด์ ใน 2019 Calvin ได้รับการเสนอชื่อให้เป็น AWS Community Hero นอกจากนี้ เขายังเป็นผู้ร่วมก่อตั้ง IndyPy ซึ่งเป็นงานพบปะของ Python ที่ใหญ่ที่สุดในอินเดียน่า และเป็นผู้ก่อตั้ง IndyAWS ซึ่งเป็นงานมีตติ้งบนระบบคลาวด์ที่เติบโตเร็วที่สุดในรัฐอินเดียนา รายการที่เกี่ยวข้อง: AI: ไม่ใช่แค่สำหรับสุนัข FAANG ตัวใหญ่อีกต่อไป เหตุผลสามประการที่ Python คือ AI Lingua Franca เผยให้เห็นปัญหา 1% ของ AI

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button