Εμπρός για την Ευφυή Επιχείρηση

Δημοσιεύτηκε από τον Juergen MUELLER στο SAP Business Trends στις 11 Μαΐου 2016 6:42:10 μ.μ.     

Ένα ιστορικό γεγονός εκτυλίχθηκε το Μάρτιο του 2016. Η νίκη του προγράμματος AlphaGo κατά του επαγγελματία παίκτη Lee SEDOL στο DeepMind Challenge της Google απέδειξε πόσο μπροστά έχει πάει η τεχνητή νοημοσύνη (AI): «Οι απλοί κανόνες και οι περίτεχνες δυνατότητες του Go το έχουν κάνει ένα από τα πιο περιζήτητα ορόσημα στον τομέα της έρευνας AI ", γράφει ο Sam Byford του The Verge. Η ιδέα της αυτόνομης μάθησης των υπολογιστών υπάρχει εδώ και δεκαετίες. Λοιπόν, τι έχει αλλάξει;

Γιατί η μηχανική μάθηση έχει κερδίσει τόσο πολύ έδαφος τα τελευταία χρόνια;

Γιατί η μηχανική μάθηση είναι εφικτή τώρα

Η αυξημένη υπολογιστική ισχύς κατέστησε, επιτέλους, εφικτή τη μηχανική μάθηση. Καθοδηγούμενη από τα παιχνίδια, οι γραφικές μονάδες επεξεργασίας (GPUs) βελτίωσαν πρόσφατα την απόδοση σε επίπεδο παράλληλων υπολογισμών απλών λειτουργιών, οι οποίες χρησιμοποιούνται πολύ συχνά από αλγόριθμους βαθιάς μάθησης. Μαζί με την ευρεία υιοθέτηση της πολύπυρηνης αρχιτεκτονικής, καθώς και των βάσεων δεδομένων στη μνήμη, αυτό άνοιξε το δρόμο για εξαιρετικά αποδοτικές υλοποιήσεις των αλγορίθμων μηχανικής μάθησης.

Ένας άλλος λόγος για τον οποίο η μηχανική μάθηση είναι εφικτή είναι τα Μεγάλα Δεδομένα (Big Data). Τεράστια σύνολα δεδομένων που παρέχονται από διάφορες πηγές (π.χ. κείμενο, εικόνες, γεωχωρικών δεδομένων) είναι η βάση για μηχανές κατάρτισης, επιτρέποντάς τους να μάθουν.

Machine Learning Process.png

Διαδικασία Μηχανικής Μάθησης

Πάρτε το Facebook ως παράδειγμα. Η ικανότητα να επισημαίνει μεμονωμένα πρόσωπα στις φωτογραφίες (με τα ονόματα) οδήγησε στην μεγαλύτερη βάση δεδομένων προσώπων στον κόσμο. Το Facebook μπορεί να διδάξει και εκπαιδεύσει μηχανές για να μάθουν από την άποψη της οπτικής αναγνώρισης. Όσα περισσότερα τα δεδομένα παίρνει μια μηχανή, τόσο καλύτερα είναι σε θέση να αναγνωρίζει πρόσωπα.

Επιπλέον, η βασική έρευνα στην μηχανική μάθηση έχει οδηγήσει σε πιο εξελιγμένους αλγορίθμους μάθησης και καλύτερη κατανόηση των βασικών αρχών της ίδιας της μάθησης. Θεμελιώδεις αλγόριθμοι, όπως τεχνητά νευρωνικά δίκτυα, μιμούνται τον ανθρώπινο εγκέφαλο. Κάποιος μπορεί να φανταστεί ένα νευρωνικό δίκτυο σαν μονάδες που μοιάζουν με τις συνάψεις του εγκεφάλου. Τα δίκτυα αυτά μπορούν να μάθουν πολύπλοκες, μη γραμμικές δομές στα δεδομένα εισόδου και να επιτρέψουν στις μηχανές να αποκτήσουν ικανότητες, όπως όραση, ανάγνωση, γραφή, ακρόαση και ομιλία. Αυτό γίνεται με την εφαρμογή εποπτευόμενων τεχνικών μάθησης στη συνεχιζόμενη φάση κατάρτισης του μηχανήματος.

Η Ενισχυτική Μάθηση (RL) επεκτείνει την εποπτευόμενη μάθηση με τη δημιουργία υποδειγμάτων (μοντέλων) δράσεων και την ανατροφοδότηση (δηλαδή την ανταμοιβή ή τιμωρία) μεταξύ του αλγορίθμου μάθησης και του περιβάλλοντος για την επέκταση του φάσματος αυτών των ικανοτήτων σε πολύπλοκες εργασίες, όπως η οδήγηση αυτοκινήτου ή το παιχνίδι Go. Βάσει των αλγορίθμων μηχανικής μάθησης, οι μηχανές θα μπορούν να εκπαιδευθούν για να ερμηνεύσουν εξαιρετικά εξελιγμένες καταστάσεις στο μέλλον.

Τέλος, η μηχανική μάθηση γίνεται κύριο ρεύμα, επειδή είναι ευκολότερο να εφαρμοστεί. Αυτό οφείλεται στον τεράστιο αριθμό των δωρεάν, υψηλής ποιότητας, πακέτων λογισμικού ανοικτού κώδικα που κάνουν τη μηχανική μάθηση προσιτή σε μεγάλο ακροατήριο επιστημόνων δεδομένων και προγραμματιστές. Το ίδιο ισχύει και για την ανοικτή πρόσβαση σε online πόρους ανοικτής πρόσβασης, όπως είναι τα μαζικά ανοιχτά online μαθήματα (MOOCS), τα βιβλία και τα blogs για μηχανική μάθηση.

Μηχανική Μάθηση στο Επιχειρησιακό Λογισμικό

Οι υπολογιστές Go ή η αναγνώριση προσώπου στα μέσα κοινωνικής δικτύωσης είναι προάγγελοι μιας θεμελιώδους αλλαγής ταχυτήτων στο λογισμικό των καταναλωτών και των επιχειρήσεων. Η Tractica προβλέπει: "Η αγορά για τα συστήματα τεχνητής νοημοσύνης σε επιχειρηματικές εφαρμογές θα αυξηθεί από 202.500.000 $ το 2015 σε 11.100.000.000 $ μέχρι το 2024, διογκούμενη με μικτό ετήσιο ρυθμό αύξησης 56,1%". Σύντομα η μηχανική μάθηση θ' αποτελεί αναπόσπαστο μέρος των επιχειρησιακών λύσεων - κάνοντας τις μηχανές ψηφιακούς μας συνεργάτες.

Οι μηχανές μπορούν ήδη να "δούν", που σημαίνει ότι αναγνωρίζουν αντικείμενα, όπως προϊόντα σε εικόνες και βίντεο. Φανταστείτε τί σημαίνει αυτό για τις φαρμακευτικές εταιρείες. Θα πρέπει να διασφαλιστεί ότι ορισμένες χημικές ουσίες δεν αποθηκεύονται πάρα πολύ κοντά μεταξύ τους για να αποφευχθεί χημική αντίδραση. Με τη βοήθεια μιας εφαρμογής κινητού (app), οι εργάτες της αποθήκης τραβούν φωτογραφίες με τα έξυπνα κινητά τους (smartphones) και, με βάση τις δυνατότητες αναγνώρισης εικόνας ενός μηχανήματος, αποκτούν άμεση ανατροφοδότηση από το ολοκληρωμένο σύστημα λειτουργίας της επιχείρησης (ERP) για το αν το στοιχείο αποθηκεύεται σωστά ή όχι.

Μηχανές μπορούν επίσης να "διαβάσουν" και "καταλάβουν" κείμενο. Στον τομέα των ανθρώπινων πόρων, για παράδειγμα, οι εταιρείες δαπανούν μέχρι και 60% του χρόνου τους για προεπιλογή των υποψηφίων τους για μια συγκεκριμένη εργασία. Η μηχανική μάθηση μπορεί να υποστηρίξει προσλήψεις με αυτόματη αντιστοίχιση βιογραφικών για τον εντοπισμό του καλύτερου υποψηφίου για μια θέση εργασίας ή της καλύτερης δουλειάς για έναν πολλά υποσχόμενο υποψήφιο. Αυτό δίνει τη δυνατότητα στους υπεύθυνους επιλογής προσωπικού να περνούν περισσότερο χρόνο για συνεντεύξεις υποψηφίων και όχι στο κοσκίνισμα με το χέρι μέσα από χιλιάδες βιογραφικά.

Οι μηχανές μπορούν να "γράψουν". Μπορούν να αναλύσουν δομημένες και αδόμητες συναφείς πληροφορίες και να δημιουργήσουν αυτόματα αναφορές. Πάρτε τον ασφαλιστικό τομέα. Αντί οι πράκτορες να διαλέγουν κάθε αξίωση, οι μηχανές μπορεί να πάρουν μια προκαταρκτική απόφαση σε απλές υποθέσεις ασφάλισης και να προετοιμάσουν μια απαντητική επιστολή. Αυτό επιτρέπει στις ασφαλιστικές εταιρείες να επεξεργαστούν τις αξιώσεις πιο γρήγορα και να αυξήσουν την παραγωγικότητα.

Τέλος, οι μηχανές μπορούν να "ακούνε" και να "μιλάνε". Συστήματα μπορεί να αναλύσουν την ανθρώπινη φωνή σε περίπου 40 διαστάσεις, ας πούμε, ρυθμό, ένταση, μονοτονία κλπ. Αυτό είναι το κλειδί για την εξυπηρέτηση των πελατών. Φανταστείτε μια κλήση πελάτη, στην οποία ένας πελάτης μιλάει σε έναν αυτόματο συζητητή (chat bot) και, σταδιακά, εκνευρίζεται. Με τη συλλογή δεδομένων φωνής σε διαφορετικά περιβάλλοντα, η μηχανή μπορεί να βελτιώσει τη γνωστική ικανότητα της να ελέγχει τον τόνο της συνομιλίας και, το πιο σημαντικό, να δρομολογεί τις περιπτώσεις αυτές σε ένα πράκτορα κέντρου κλήσεων για να λύσει ένα πιο σύνθετο πρόβλημα.

Αυτά είναι μόνο μερικά παραδείγματα για το πώς μπορεί η μηχανική μάθηση να φέρει νοημοσύνη σε επιχειρησιακά περιβάλλοντα. Σαφώς, η μηχανική μάθηση έχει τεράστιες δυνατότητες.

 

(Πηγή: Περιοδικό SAP Business Trends - τεύχος 11 Μαΐου 2016)

Powered by Bullraider.com
Η Ευρώπη θέλει να μειώσει τις διεθνείς εξαρτήσεις ...
11 Μαϊ 2021 13:19 - Παναγιώτης Φουντόπουλος

Η Ευρώπη θέλει να μειώσει τις διεθνείς εξαρτήσεις σε θέματα τεχνολογίας Αυξημένη εξάρτηση από διεθνείς παίκτες έχει η Ευρώπη σε μια σειρά κρίσιμων τεχνολογικών κλάδων, όπως οι ημιαγωγοί και το cloud. Με αυτό το δεδομένο, η Ευρωπαϊκή Ένωση αναλαμβάνει δράση, ώστε να αποκτήσει αυτονομία σε κομβικές ψηφιακές τεχνολογίες και να μειώσει τις εξαρτήσεις της από ανταγωνιστικές αγορές, όπως αυτές των ΗΠΑ και της Κίνα [ ... ]

Διαβάστε όλο το άρθρο
     

 

 

 

© 2013-2014 futurehome.gr - All Rights Reserved.