Bagaimana cara memulai AI — sebelum terlambat

AI dan pembelajaran mesin akan mulai membuat lebih banyak keputusan. Mereka mungkin masih tidak akan digunakan dalam waktu dekat untuk membuat keputusan "besar" seperti apakah akan mengenakan tarif 25 persen pada suatu komoditas dan memulai perang dagang dengan mitra.

Namun, hampir semua hal yang Anda terjebak di Excel dan dipijat, diberi kode, atau diurutkan adalah masalah pengelompokan, klasifikasi, atau pembelajaran-ke-peringkat yang baik. Apa pun yang merupakan kumpulan nilai yang dapat diprediksi adalah masalah pembelajaran mesin yang baik. Apa pun yang merupakan pola atau bentuk atau objek yang baru saja Anda lalui dan "cari" adalah masalah pembelajaran mendalam yang baik.

Dan bisnis penuh dengan ini. Sama seperti pengolah kata yang menggantikan kumpulan mesin tik, AI akan segera menggantikan gerombolan pekerja kantoran yang menatap Excel — dan mengganti beberapa analis juga.

Perusahaan perlu bersiap untuk perubahan ini. Sama seperti perusahaan yang tidak mempersiapkan web dan e-commerce tertinggal dalam debu, begitu pula perusahaan yang tidak beradaptasi dengan AI dan pembelajaran mesin. Jika Anda tidak melihat banyaknya data yang Anda proses dan keputusan yang Anda buat dan bertanya, "Tidak bisakah saya melakukan yang terakhir dalam mengotomatiskan ini?" atau mencari hal-hal yang tidak Anda lakukan karena Anda tidak dapat memutuskan "secara langsung" untuk mendapatkan keuntungan — saya akan melihat penutupan perusahaan Anda di koran dalam beberapa tahun.

Untuk mempersiapkan perubahan ini, Anda memiliki lima prasyarat bahkan sebelum Anda dapat memulai transformasi bisnis. Anda memerlukan strategi untuk menyebarkan AI ke seluruh organisasi Anda yang dimulai dengan lima prasyarat ini.

Prasyarat AI No. 1: Pendidikan

Anda tidak dapat menjadikan semua orang di perusahaan Anda sebagai ilmuwan data. Selain itu, beberapa perhitungan matematika berjalan terlalu cepat bagi kita yang hanya manusia biasa untuk dipahami — algoritme spesifik yang menurut orang paling efisien minggu ini sepertinya tidak akan tepat untuk minggu depan.

Namun, beberapa hal mendasar tidak akan berubah. Setiap orang di organisasi Anda harus memahami beberapa kemampuan dasar machine learning, terutama developer:

  • Pengelompokan: Mengelompokkan berbagai hal menjadi satu.
  • Klasifikasi: Menyortir hal-hal ke dalam kelompok berlabel.
  • Prediksi dalam satu garis: Jika Anda dapat membuat grafik garis, Anda mungkin dapat memprediksi berapa nilainya.
  • Prediksi varians: Apakah itu risiko likuiditas atau getaran atau lonjakan daya, jika Anda memiliki sekumpulan nilai yang berada dalam kisaran tertentu, Anda dapat memprediksi apa varians Anda pada hari tertentu.
  • Menyortir / memesan / memprioritaskan: Saya tidak berbicara tentang hal-hal sederhana. Apakah itu untuk pencarian atau memprioritaskan panggilan mana yang akan dilakukan staf penjualan atau dukungan Anda selanjutnya, ini adalah sesuatu yang dapat ditangani dengan pembelajaran mesin.
  • Pengenalan pola: Apakah itu bentuk, suara, atau sekumpulan rentang nilai atau peristiwa, komputer dapat belajar untuk menemukannya.

Satu hal kuncinya adalah memiliki sekelompok orang di sekitar yang dapat membodohi orang-orang berdasarkan tingkat keahlian mereka. Pengembang Anda mungkin tertarik pada algoritme atau teknik tertentu, tetapi analis dan eksekutif Anda harus memahami masalah bisnis dasar dan teknik komputer. Eksekutif Anda mungkin tidak perlu mengetahui cara kerja pengelompokan, tetapi mereka perlu menyadari bahwa masalah "terlihat seperti" masalah pengelompokan.

Terakhir, Anda perlu penyegaran pendidikan reguler, setidaknya setiap tahun, karena kapabilitasnya semakin berkembang. 

Video terkait: Pembelajaran mesin dan AI diuraikan

Menerobos hype seputar pembelajaran mesin dan kecerdasan buatan, panel kami membahas definisi dan implikasi teknologi.

Prasyarat AI No. 2: Komponenisasi

Beberapa alat terbaru seputar komponenisasi adalah "buku catatan" untuk data scientist; banyak alat lain tumbuh dari ini. Ini adalah alat yang hebat untuk ilmuwan data dan kolaboratornya.

Masalahnya adalah mereka mendorong praktik buruk dalam hal produksi. Antarmuka ke algoritme klasifikasi terlihat kurang lebih sama dengan semua algoritme lainnya. Implementasi algoritma klasifikasi tertentu tidak berubah dengan masalah bisnis.

Sama seperti banyak perusahaan yang harus mencari cara untuk membuat satu representasi pelanggan (daripada yang benar-benar berbeda di setiap sistem untuk setiap masalah bisnis), Anda perlu melakukan hal yang sama untuk algoritme. Ini tidak berarti Anda perlu menghasilkan satu algoritme pengelompokan yang benar, tetapi Anda menyusun apa yang berbeda.

Prasyarat AI No. 3: Sistemisasi

Terlepas dari semua kehebohan, sebagian besar sistem masih terlihat sama. Ada beberapa proses untuk memasukkan data ke dalam algoritme, beberapa proses untuk mengeksekusi algoritme, dan tempat untuk memuntahkan hasilnya. Jika Anda merancang semua hal ini secara berulang-ulang untuk setiap algoritme, Anda membuang-buang waktu dan uang — dan menciptakan masalah yang lebih besar untuk diri Anda sendiri. Sama seperti SOA yang mengubah berapa banyak perusahaan yang menerapkan perangkat lunak aplikasi, teknik serupa dibutuhkan dalam cara penerapan AI.

Anda tidak memerlukan banyak kluster Spark kustom yang berkeliaran dengan "notebook" kustom di mana-mana dan proses ETL yang dibuat secara kustom. Anda memang membutuhkan sistem AI yang dapat melakukan pekerjaan berat apa pun masalah bisnisnya.

Prasyarat AI No. 4: Komponenisasi AI / UI

Dalam dunia JavaScript / web UI dengan layanan RESTful di bagian belakang, banyak UI Anda seharusnya dapat mencampur dalam komponen AI. Baik itu pemberi rekomendasi berdasarkan perilaku pengguna atau asisten virtual penuh, perusahaan Anda harus membangun pustaka UI yang menyertakan fungsionalitas AI agar mudah disematkan dalam aplikasi bisnis Anda.

Prasyarat AI No. 5: Instrumentasi

Semua ini tidak berfungsi tanpa data. Mari kita tidak kembali membuat dump data yang besar dan gemuk di mana kita baru saja mengumpulkan banyak sampah di HDFS dan berharap itu memiliki nilai suatu hari nanti, seperti yang disarankan beberapa vendor untuk Anda lakukan. Sebaliknya, mari kita lihat hal-hal apa yang harus diinstrumentasi.

Jika Anda berada di bidang manufaktur, ada titik awal yang sederhana: Siapa pun yang mengeluarkan pengukur manual membuang-buang waktu Anda. Namun, bahkan dalam penjualan dan pemasaran Anda memiliki email dan telepon seluler — data dapat dikumpulkan secara otomatis dari semua ini yang jelas berguna. Daripada mengomel pada penjual untuk menyelesaikan entri data mereka, mengapa tidak membiarkan sistem melakukannya sendiri?

Mulai strategi AI Anda

Singkatnya, lima prasyarat utama adalah:

  • Sebarkan pengetahuan AI ke seluruh organisasi Anda.
  • Setiap orang harus memahami hal-hal dasar sehari-hari yang dapat dilakukan mesin sendiri.
  • Bangun sistem dan komponen untuk AI Anda.
  • Bangun campuran AI / UI untuk menambahkan AI dengan mudah ke aplikasi bisnis Anda.
  • Instrumen sistem Anda untuk mengumpulkan data yang Anda butuhkan untuk memberi makan algoritme untuk membuat keputusan untuk Anda.

Jika Anda menggabungkan prasyarat ini, sisanya akan mengikuti saat Anda beralih dari Era Informasi ke Era Wawasan.