For most organizations, the bifurcation of Artificial Intelligence has been as stark as it’s been simplistic. AI was either machine learning or rules-based approaches (the former of which outnumbered the latter), supervised or unsupervised learning, computer vision or natural language technologies.
En raison d'un certain nombre de développements au cours de la dernière année autour de Modelops, de l'IA composite et de l'IA neuro-symbolique, il y a actuellement une conscience croissante dans toute l'entreprise que l'IA - et son retour sur investissement - n'implique pas seulement chacune des dimensions prévues, mais le fait de manière optimaleLorsqu'ils opèrent en conjonction les uns avec les autres pour réduire les coûts, les difficultés et le temps dont ils ont besoin autrement.
2022 inaugurera un excédent de cas d’utilisation dans lesquels converger les approches de connexion et de raisonnement respectives de l’IA, ainsi que l’éventail de méthodologies d’apprentissage entre l’apprentissage supervisé et non supervisé, rend l’efficacité et la portée de ces technologies transformationnelles pour les besoins commerciaux quotidiens.
Selon Expert.ai CTO Marco Varone, «Il existe des situations où vous pouvez obtenir de meilleurs résultats combinant les différentes approches;Il y a des situations où vous pouvez utiliser les deux et ce n'est pas trop différent, et il y a des situations où c'est mieux avec une seule approche. "
En incorporant le spectre d'IA complet dans leurs boîtes à outils, les organisations peuvent non seulement déployer la méthode la plus appropriée pour leurs tâches informatiques cognitives, mais également exploiter des zones d'opportunité comme la propriété intellectuelle pour les modèles d'apprentissage automatique, les cas d'utilisation du cloud ou de l'Internet des choses, et explicableAI.
«L'avenir est ce que nous appelons une approche hybride ou composite où vous utilisez toutes les techniques disponibles et vous les assemblez d'une manière que l'utilisateur final ou le scientifique des données qui essaie de résoudre un problème spécifique peut prendre différentes techniques et décider d'utiliserCeux qui donnent les meilleurs résultats », a prédit Varone.
AI composite
Comme Varone l'indique, l'IA composite est basée sur l'emploi de la méthodologie AI la plus appropriée pour un cas d'utilisation spécifique.Ces options incluent des techniques d'inférence sémantique et des graphiques de connaissances aux côtés de «l'analyse de texte, de l'apprentissage supervisé, de l'apprentissage automatique traditionnel comme la modélisation prédictive, la prévision, l'article d'optimisation et les réseaux [neuronaux]», a commenté Wayne Thompson, SAS en chef des données scientifiques.L'IA neuro-symbolique, cependant, synthétise les capacités statistiques et de raisonnement de l'IA dans le même déploiement.Ces possibilités représentent une consommation de l'utilité multiforme de l'IA avec d'éminentes répercussions d'entreprise, notamment:
Vision à la machine
La dissolution des limites perçues entre les systèmes de raisonnement et les systèmes d'apprentissage, le texte et les images, et l'apprentissage supervisé et non supervisé comprend des processus contigus à la vision par ordinateur - qui devient plus omniprésente dans toute l'entreprise.De nombreuses installations médicales utilisent une vision par ordinateur pour analyser les images pour le diagnostic ou les options de traitement.Thompson a décrit un cas d'utilisation dans lequel les praticiens analysant les images de radiologie ont utilisé une taxonomie pour la reconnaissance des entités de nom sur les notes du patient, dont les intérêts des mots et l'apprentissage contrastif peuvent compléter pour des résultats améliorés.«Vous devez toujours utiliser des règles avec l'apprentissage automatique», a conseillé Thompson.
Dans d'autres cas, les organisations peuvent se prévaloir des approches d'apprentissage du transfert qui «sont également applicables au contenu d'image et de textuel», a révélé que le PDG des données Indico Tom Wilde.Ces plateformes contiennent un modèle conceptuel d'apprentissage en profondeur composé de centaines de modèles respectifs pré-formés pour les déploiements de texte ou d'image.Wilde a fait référence à une société nationale de transport de déchets utilisant cette méthode pour évaluer à distance les bennes à bennes «pour déterminer l'état du conteneur, c'est-à-dire que le couvercle était fermé, était-il à moitié ouvert, était-il en train de se débattre.Ils l'utilisent pour ajuster les voies de ramassage, la facturation et d'autres choses avec cet énorme flux d'intelligence de ces deux milliards de micros par an. »
AI explicable
AI explicable is a precursor to the responsible AI tenet assuaging a bevy of compliance and legal concerns. Merging AI’s knowledge foundation with its statistical one offers peerless explainability, whereas “with pure machine learning that is something that is very difficult to do,” Varone cautioned. Reasoning systems are based on words, which are more comprehensible to most people than numbers are. With rules, there are clear explanations between outputs and inputs. Such explainability “has two key benefits: for the end user and the developer,” specified Kyndi CEO Ryan Welsh. “When you return search results you can link back to the underlying data sources where you got the answers from so users can see this data in context. For developers, they can see which cognitive strategies are working to answer questions, so they can easily edit ones getting wrong answers to optimize them.”
Il existe plusieurs outils de gestion de modèles pour faciliter l'IA explicable pour les systèmes d'apprentissage.Les meilleurs «leur donnent un ensemble complet de mesures autour des performances d'un modèle et exposent ce qui a été réellement utilisé lorsque ce modèle a été généré», a fait remarquer Wilde.Il existe même des mesures pour expliquer la progression des modèles au fil du temps pour la visibilité dans «l'architecture sous-jacente, le cadre et la vie du modèle, alors que vous créez de nouvelles versions de ce modèle, elle le maintient», a résumé Wilde.
Modélie
Accounting for the performance of models in real-time in relation to bias, compliance, and data governance is one of the hallmarks of Modélie (which also acknowledges the necessity of rules, knowledge graphs, and inference techniques for AI). This capability is epitomized by remote deployments via the cloud for Internet of Things and edge computing applications. Model management mechanisms can be inserted into cloud deployments of AI in these settings to not only involve models operating there, but also impact their results.
"Nous pouvons remettre ces prédictions et valeurs réelles dans [un] gestionnaire de modèles et voir comment ce modèle fonctionne en temps réel", a déclaré Thompson.De plus, les organisations peuvent également ajuster la façon dont ces modèles fonctionnent pour se conformer aux normes de gouvernance, de conformité et de cas d'utilisation spécifiques, comme le suivi de l'activité des patients dans l'Internet des choses médicales.Les entreprises peuvent «mettre à jour les liens du modèle à la volée, c'est-à-dire les paramètres associés au modèle», a expliqué Thompson."Donc, tout peut être fait au bord."
Propriété du modèle
La tendance la plus émergente liée à l'IA et à l'apprentissage automatique pour affecter les entreprises prudentes au cours de l'année à venir est probablement la propriété du modèle ou la propriété intellectuelle pour l'élaboration de modèles d'apprentissage automatique.S'ils sont correctement mis en œuvre, les organisations peuvent potentiellement monétiser cette capacité.Sinon, ils seront victimes de la réalité selon laquelle, en termes de vendeurs, "toute personne faisant de l'apprentissage automatique essaie de collecter vos données pour se donner un avantage", a averti Welsh.Seul, ce fait semble inoffensif.Ses conséquences, cependant, pourraient nuire à l'avantage concurrentiel des organisations, car presque tous les fournisseurs d'apprentissage automatique ont une «incitation à s'entraîner sur vos données propriétaires uniques et que personne d'autre ne peut s'entraîner, puis transférer leur apprentissage de vos données à vos concurrents car cela faitIls ressemblent à un logiciel plutôt qu'à des entreprises de services », a expliqué Welsh.
Les vendeurs d'apprentissage automatique ne sont pas seulement des données propriétaires des organisations sur lesquelles former les modèles des premiers, mais aussi l'expertise en matière de ce dernier sous la forme d'étiquettes qui affinent ces modèles tout en définissant certains poids et paramètres.Selon Wilde, «vous devriez construire une propriété intellectuelle avec votre apprentissage automatique.Lorsque vous travaillez avec un fournisseur, vous devez vous soucier de qui possède la propriété intellectuelle autour de cela.Ce sont mes données de formation, mon expertise consiste à fournir des exemples pour les étiqueter;Je devrais le posséder.
Cercle complet
Un bref regard sur l'histoire de l'IA en tant que discipline scientifique illustre qu'il est longtemps utilisé à la fois le raisonnement et l'apprentissage, les connaissances et les statistiques.Aujourd'hui, les cas d'utilisation ci-dessus permettent à l'entreprise de suivre le pas en rejoignant ces approches et autres distinctions prétendues (analyse d'image à côté du texte, par exemple) pour une compétence holistique qui n'est pas possible autrement."Vous devez être en mesure de fusionner différentes techniques pour tirer le meilleur parti de chacun et les combiner également dans un pipeline riche", a conclu Varone.
A propos de l'auteur
Jelani Harper est un consultant éditorial desservant le marché des technologies de l'information.Il est spécialisé dans les applications axées sur les données axées sur les technologies sémantiques, la gouvernance des données et l'analyse.
Inscrivez-vous à la newsletter gratuite à InsidebigData.
Rejoignez-nous sur Twitter: @ insidebigdata1 - https://twitter.com/insidebigdata1
