Baltic Artificial intelligence (AI), Machine Learning (ML), Deep Learning (DL) Dirbtinis intelektas Tehisintellekt Mākslīgais intelekts Masinõpe Mašininis mokymasis Gilus mokymasis Sügav õpe Dziļa mācīšanās @ RIGA COMM Baltic Business Technology Fair and Conference

Vai jūsu uzņēmums ir gatavs izmantot mašīnmācīšanos?

2018-04-19

Aldis Ērglis, “Intelligent Machines Riga”

 

Jau šobrīd ir iespējams var novērot kā mašīnmācīšanās ietekmē uzņēmējdarbību. To var redzēt Google Search, Amazon vai Netflix ieteikumos. Tas nozīmē, ka uzņēmumi ar lieliem datu apjomiem spēj mainīgus algoritmus apgādāt ar pareizajiem datiem, tādējādi iegūstot fantastiskus rezultātus lēmumu pieņemšanai vai lēmumu atbalstam.

 

Mašīnas viennozīmīgi spēs mācīties ātrāk un precīzāk nekā cilvēki. Ar mašīnām mēs nedomājam Robokopam līdzīgu mākslīgo intelektu, bet gan vienkāršus statistiskos algoritmus, kādi aprakstīti Denjela Kanemana (D. Kahneman) HBR rakstā Noise (Troksnis) – https://hbr.org/2016/10/noise. Vēl jo vairāk – lielākā daļa algoritmu un modeļu ir brīvi pieejami, vairums no tiem ir bezmaksas, piemēram, internetā pieejamas vairāk nekā 12000 R pakotnes.

 

Tādējādi tehniski visi uzņēmumi jau šobrīd varētu sākt izmantot mašīnmācīšanos, lai radītu papildu produktus un pakalpojumus, kā arī pilnveidotu jau esošos. Tāpat var ar automatizācijas palīdzību samazinātu izmaksas lēmumu pieņemšanā, bet galvenokārt lēmumu sagatavošanā lēmumu pieņēmējiem.

 

Kāpēc visi uzņēmumi to nespēj? Lai varētu realizēt mašīnmācīšanos, ir nepieciešams liels apjoms kvalitatīvu datu nepieciešamo lietu apguvei. Daži uzņēmumi mašīnmācīšanās vajadzībām jau ievāc datus no saviem darba procesiem, lietotājiem, darbiniekiem un sistēmām. Mašīnmācīšanās realizēšanai nepieciešami daudzveidīgi dati. Piemēram, lai spētu analizēt darba procesus un mācīties no tiem, ir nepieciešams ievākt datus par darba operāciju ilgumu, nevis par to datumu un laiku. Šie dati atšķiras no tiem, kas šobrīd tiek ievākti uzņēmumu resursu plānošanai, jo attiecīgajiem datiem ir cits mērķis. Tas nozīmē, ka mašīnmācīšanās ieviešanai nepieciešams pārskatīt visus datus, ko šobrīd ievācam, un sākt strādāt ar mašīnmācīšanās realizēšanai nepieciešamajiem datiem. Ievācamie dati sniegsies arī ārpus jūsu uzņēmuma robežām, proti, papildu uzņēmuma iekšējiem datiem būs nepieciešams ievākt datus par jūsu klientu no interneta, izmantojot konkurētspējīgu informācijas ievākšanu un citas pieejas.

 

Vai dati ir uzskatāmi par jauno naftu? Forbes vienā no saviem jaunākajiem rakstiem (https://www.forbes.com/sites/bernardmarr/2018/03/05/heres-why-data-is-not-the-new-oil/#1af3b1973aa9) atzīmē, ka dati nav jaunā nafta. Iespējams, ka salīdzinot abus ļoti tiešā veidā, tā nav. Taču es redzu pāris analoģijas, kas biznesa līderiem palīdzēs apzināt datu vērtību. Ņemot vērā, ka mēs izmantojam virkni izejmateriālu, lai uzturētu ekonomiku, ir nepieciešama arī nafta, ko gadu gaitā esam iemācījušies atklāt, iegūt un izmantot. Līdzīgi var domāt par datiem, proti, nav iespējams izmantot jebkāda veida datus, ir nepieciešams atklāt pareizos datus, pilnveidot to ievākšanas procesus, kontrolēt to kvalitāti, tos izplatīt un izmantot pareizajiem mērķiem. Ne visu no zemes dzīlēm iegūto naftu var izmantot, un uz datiem tas attiecas vēl lielākā mērā.

 

Es uzskatu, ka organizācijām būs jāmaina savi uzskati, ņemot vērā mašīnmācīšanās sniegtās konkurences priekšrocības. Tādējādi uzņēmumiem jāsāk domāt par to, kā mašīnmācīšanās ļaus tiem realizēt savus uzņēmējdarbības plānus, kā arī jāizstrādā mašīnmācīšanās stratēģija. Attiecīgā stratēģija norādīs, kurās darbības sfērās un procesos nepieciešams ievākt kvalitatīvus datus. Un pat tad, ja jūs neizmantojat mašīnmācīšanos, veiciet izpēti un sāciet ievākt datus, jo tas aizņems ilgu laiku. Iegaumējiet – pareizu datu ievākšana palielina jūsu konkurētspēju!

 

Apmeklējiet “RIGA COMM 2018” Machine Learning Practical Application Conference (Mašīnmācīšanās praktisko pielietojumu konferenci) 11. oktobrī, lai uzzinātu vairāk.

Sekojiet konferences jaunumiem: https://www.facebook.com/events/432218577193046/