Kitobdan iqtiboslar Внедрение искусственного интеллекта в бизнес-практику: Преимущества и сложностиmuallif Томас Дэвенпорт
Технологии решают — и создают — проблемы. Постыдный секрет технологического мира заключается в том, что каждое решение рождает проблему. Стоит исправить А, как из строя выходит B. Стоит разработать C (что просто прекрасно), как оказывается, что вместе с ним появилось и D, от которого нужно как можно скорее избавиться. Умные машины решат многие проблемы общества (см. выше), но при этом также создадут множество новых проблем, с которыми придется работать людям. И эта работа будет монетизирована. Работа никогда не стоит на месте.
3 kishiga yoqdi
В сфере искусственного интеллекта преуспеют предприятия и организации, которые будут постоянно инвестировать в ИИ, не станут обращать внимания на ажиотаж вокруг него, сумеют приспособить ИИ для решения конкретных бизнес-задач и будут ориентироваться на долгосрочную перспективу.
Благодаря ИИ продукты и процессы станут несколько лучше и проще в использовании. Решения будут более обоснованны. Мы продолжим прогрессировать в сфере данных и аналитики и, возможно, даже несколько ускорим замечательные темпы этого прогресса, наблюдавшиеся в последние пару десятилетий.
Однако искусственный интеллект не изменит работу организаций (или жизнь людей) так быстро, как многие полагают. Он станет одной из многих технологий, подчиняющихся закону Амары (который носит имя ученого и футуролога Роя Амары):
Мы склонны переоценивать влияние технологий в краткосрочной перспективе и недооценивать их влияние в долгосрочной перспективе9.
В краткосрочной перспективе ИИ поспособствует эволюционным изменениям, а в долгосрочной перспективе его влияние, скорее всего, окажется революционным.
В настоящей книге я утверждаю, что ИИ — это преимущественно аналитическая технология и для большинства организаций, работающих с ИИ, она представляет собой прямое продолжение того, что они делают с аналитикой и данными.
закону Амары (который носит имя ученого и футуролога Роя Амары):
Мы склонны переоценивать влияние технологий в краткосрочной перспективе и недооценивать их влияние в долгосрочной перспективе9.
автоматизировать структурированные и повторяющиеся процессы
Применение в бизнес-процессах
Как я отметил выше, эти подходы могут использоваться в широком спектре бизнес-ситуаций. Вот несколько типичных примеров из разных отраслей:
использование внешних данных для оптимизации ценообразования (как в XOJET);
определение лучшего типа цифровой рекламы для конкретного клиента и площадки;
создание детализированных моделей предрасположенности для клиентов и продуктов;
разработка подробных рекомендаций по лечению в сфере точной медицины;
выявление потенциальных случаев мошенничества в банковском секторе и страховой отрасли;
выявление потенциальных случаев отмывания денег и оповещение следователей;
обнаружение клиентов, находящихся на грани разрыва отношений с компанией;
прогнозирование угроз кибербезопасности до их возникновения;
определение, кто из сотрудников обладает необходимыми навыками для работы на проектах конкретного типа;
выявление инсайдеров, способных совершить мошенничество или поставить под угрозу безопасность компании;
прогнозирование появления энергоресурсов, достойных оценки.
В простейшем случае это подразумевает использование автоматизированных версий базового регрессионного анализа. Более сложные формы машинного обучения используют такие статистические алгоритмы, как случайный лес, градиентный бустинг, дерево решений и т.д. Все это — вариации и комбинации таких базовых методов статистического моделирования, как регрессионный анализ.