1. 主页 > 人工智能 >

在大流行中优先考虑人工智能和机器学习

    人工智能(AI)和机器学习(ML)为公司提供了人类无法做到的一件事-可扩展性。随着时间的流逝,人类限制了企业的扩展能力;在给定的效率下,它们只能工作许多小时。另一方面,AI和ML可以全天候工作,仅专注于给定的项目。当组织在COVID-19的影响以及远程员工的未来中导航时,可伸缩性和效率可能是组织成功恢复的关键。
 
    实施挑战
 
    AI和ML的优势并非没有挑战。然而,最大的挑战是缺乏适当实施的技能和时间。7月,德勤在一项调查中发现,有69%的受访者表示,AI实施的技能差距从中级到主要级到极端级不等。同时,许多公司都忽略了在企业中成功培训,测试,部署和维护AI和ML所需的构建流程和基础架构所需的投资。
 
    此类挑战通常导致公司降低AI和ML项目的优先级,尤其是在不确定的时期。在整个COVID-19大流行中,这种情况越来越明显。但是,尽管一些组织撤回了他们的努力,但当前的全球状态要求对AI和ML的更大需求来支持关键业务流程。鉴于越来越多的远程劳动力,考虑重返工作场所以及在全球范围内孤岛工作的今天,今天尤其如此。
 
    尽管具有挑战性,但正确实施AI和ML并非不可能。在这个受COVID影响的不断发展的业务环境中,四个步骤是有效实施强大的AI和ML系统的关键,尽管存在不确定性和有限的资源,该系统仍有助于简化关键业务流程。
 
    确定要解决的问题
 
    一些公司错误地将AI和ML项目视为解决所有问题的“灵丹妙药”。这通常会导致过高的期望,不专心的方法以及不令人满意的结果。相反,公司应识别那些将对实施AI和ML解决方案产生最大影响的特定问题,并高度专注于解决这些问题。
 
    选择您的数据
 
    创建强大的AI和ML算法的第二步是选择算法将在其上训练的源数据。有两个主要选项:根据您自己的数据进行训练或针对较大规模的数据集进行训练。根据经验,对自己的数据进行算法训练会使您处于不利地位。通过大规模训练数据集,成功的可能性会增加,因为您的数据更具代表性且变化多端。通过转移学习等高级概念,公司可以使用基于较大数据集的半训练模型,然后使用自己的业务专有内容来训练“最后一英里”。
 
    收拾屋子
 
    数据管理的备用规则在这里适用-垃圾回收,垃圾回收。最终,机器学习模型的质量和准确性取决于其代表性。带有正确数据的AI和ML可以简化操作并增加公司DX和云迁移过程的收益。
 
    在启动AI或ML项目时,最关键的步骤是清理算法将要训练的数据,尤其是在使用自己的数据或模型时。
 
    为培训腾出空间
 
    AI和ML都是关于概率的。当您问一个问题(例如“这是猫吗?”)时,您收到的结果是该算法说:“在我接受过训练的三个铲斗中,此图像是猫的可能性为0.91,该图像为狗的可能性为.72,而该图像为鸟的可能性为.32。”
 
    这就是为什么对各种数据进行培训如此重要的原因。如果您的训练数据仅包含猫,狗和鸟的图像,并且您要求算法分析鳄鱼的图像,则该算法将仅根据其接受过训练的水桶(猫,狗和鸟)做出响应。
 
    如果您已经正确选择并清理了数据,那么培训应该是很容易的最后一步,但这也是回到前两个步骤并根据培训进一步完善的机会。
 
    训练AI和ML算法的前端可能会很耗时,但是遵循这四个步骤可以使获得重要成果变得更加容易。在各个行业中,AI和ML可以快速显示ROI。例如,在保险业中,AI和ML可以帮助保险公司快速搜索合同,因此员工不必在全球范围内筛选合同和资源库来回答简单的问题。这意味着COVID-19严重影响了行业的时间效率。
 
    更好的是,与具有您行业经验的SaaS提供商合作可以使此过程变得更加容易且成本更低。SaaS平台使公司可以充分利用所有基础架构,安全性和经过预先培训的模型,以减少总体工作量并缩短实现价值的时间。许多平台允许用户使用唯一的客户数据来升级预定义的模型,从而减少了模型创建所需的培训工作。然后,公司可以专注于与其生态系统和工作流程的集成,而不是自己创建模型。
 
    图片更大
 
    总体而言,企业可以通过关注AI和ML的全局来减轻COVID的影响。尽管存在不确定性,但实施AI和ML项目仍可提高业务生产率。在我们继续进行恢复的过程中,我们需要AI和ML之类的工具来专注于更大范围的任务关键型任务。

本文由网上采集发布,不代表我们立场,转载联系作者并注明出处:http://www.34iot.com//a/peixun/256.html

联系我们

在线咨询:点击这里给我发消息

微信号:weixin888

工作日:9:30-18:30,节假日休息