Tekoälyn yleiset sovellukset

Koneoppimisen ja ennakointikoneiden väliset erot

Vaikka tavoitteet ja prosessit ovat samankaltaisia, koneoppiminen ja ennakointikoneet ovat kaksi täysin erilaista käsitettä.

Koneoppimisen soveltaminen

Koneoppimisen avulla tietokoneet voivat oppia itse ilman, että niitä ohjelmoidaan erikseen.
Kun tietokoneohjelmat altistuvat uusille tiedoille, ne oppivat, kasvavat, muuttuvat ja kehittyvät itsestään.

Tietojen analysointimenetelmänä koneoppiminen automatisoi analyyttisten mallien rakentamisen. Yksinkertaisemmin sanottuna sen avulla tietokoneet voivat löytää oivaltavaa tietoa ilman, että niille on ohjelmoitu, mistä etsiä tiettyä tietoa. Tähän ML käyttää algoritmeja, jotka oppivat iteratiivisesti datasta.

Koneoppiminen on chatbottien, kielenkääntösovellusten, Netflixin ehdottamien ohjelmien ja sosiaalisen median syötteiden esitystapojen takana. Sen avulla toimivat autonomiset ajoneuvot ja koneet, jotka voivat diagnosoida sairauksia kuvien perusteella. Jopa perinteisetkin yritykset teollisuudesta vähittäiskauppaan ja pankkitoiminnasta leipomoihin käyttävät koneoppimista uuden arvon avaamiseen tai tehokkuuden lisäämiseen.

Koneellinen oppiminen alkaa datasta - numeroista, valokuvista tai tekstistä, kuvista ihmisistä tai jopa leipomotuotteista, korjaustietueista, antureiden aikasarjatiedoista tai myyntiraporteista. Tieto kerätään ja valmistellaan käytettäväksi harjoitusdatana eli tietona, johon koneoppimisen malli koulutetaan. Mitä enemmän dataa, sitä parempi ohjelma. Tämän jälkeen ohjelmoijat valitsevat käytettävän koneoppimismallin, toimittavat tiedot ja antavat tietokonemallin harjoitella itseään löytääkseen kuvioita tai tehdäkseen ennusteita. Ajan mittaan ihmisohjelmoija voi myös virittää mallia, esimerkiksi muuttaa sen parametreja, ja auttaa sitä saamaan entistä tarkempia tuloksia.

Esimerkkejä koneoppimisen ongelmista ovat:

"Onko tämä syöpä?",
"Ketkä näistä ihmisistä ovat hyviä ystäviä keskenään?",
"Pitääkö tämä henkilö tästä elokuvasta?"

Tällaiset kysymykset ovat erinomaisia kohteita koneoppimiselle, ja itse asiassa koneoppimista on sovellettu tällaisiin ongelmiin suurella menestyksellä.

Yksinkertaisesti sanottuna koneoppimisjärjestelmät tuottavat huippuluokan ennusteita, jotka mahdollistavat päätöksenteon reaaliajassa ilman tai vain vähäisellä inhimillisellä toiminnalla.

Ennustavien koneiden (predictive machines) soveltaminen

Kyky ennustaa tulevia tapahtumia ja suuntauksia on ratkaisevan tärkeää kaikilla toimialoilla.
Ennustava analytiikka esiintyy useammin kuin luulisi - viikoittaisesta sääennusteesta algoritmipohjaisiin lääketieteellisiin edistysaskeliin. Tässä on katsaus ennakoivaan analytiikkaan, jotta pääset alkuun tietoon perustuvan strategian laatimisessa ja päätöksenteossa.

Ennustava analytiikka on tietojen käyttöä tulevien suuntausten ja tapahtumien ennustamiseen. Se käyttää historiatietoja mahdollisten skenaarioiden ennustamiseen, mikä voi auttaa strategisten päätösten tekemisessä.

Ennusteet voivat koskea lähitulevaisuutta

esimerkiksi koneen toimintahäiriön ennustaminen myöhemmin samana päivänä - tai kaukaisempaa tulevaisuutta, kuten yrityksesi kassavirtojen ennustaminen tulevalle vuodelle.

Ennustava analyysi voidaan tehdä manuaalisesti tai koneoppimisalgoritmien avulla. Kummassakin tapauksessa historiatietoja käytetään tulevaisuutta koskevien oletusten tekemiseen.

Ennusteiden avulla voit tehdä parempia päätöksiä ja laatia tietoon perustuvia strategioita. Seuraavassa on muutamia esimerkkejä ennakoivasta analytiikasta toiminnassa, jotta voit inspiroitua.

1. Rahoitus: Rahoitus: Tulevan kassavirran ennustaminen

Jokaisen yrityksen on pidettävä ja seurattava säännöllisesti kirjanpitoa, ja ennakoivalla analytiikalla voi olla suuri merkitys organisaatiosi tulevan tilan ennustamisessa. Käyttämällä aiempien tilinpäätösten historiatietoja sekä laajemmalta toimialalta saat ennustettua myyntiä, tuloja ja menoja, jotta voit luoda kuvan tulevaisuudesta ja tehdä päätöksiä.

2. Viihde ja vieraanvaraisuus: Henkilöstötarpeiden määrittäminen

Viihde- ja ravintola-alalla asiakkaiden tulo- ja lähtövirrat riippuvat useista eri tekijöistä, jotka kaikki vaikuttavat siihen, kuinka paljon henkilökuntaa tapahtumapaikka tai hotelli tarvitsee tiettynä ajankohtana. Liian suuri henkilöstö maksaa, ja liian pieni henkilöstö voi johtaa huonoon asiakaskokemukseen, ylikuormitettuihin työntekijöihin ja kalliisiin virheisiin.

Kun halutaan ennustaa hotellin sisäänkirjautumisten määrää tiettynä päivänä, useita tekijöitä huomioon ottava moninkertainen regressiomalli voi auttaa välttämään ylimiehitystä parhaalla mahdollisella tavalla.

.

3. Terveydenhuolto: Allergisten reaktioiden varhainen havaitseminen

Toinen esimerkki algoritmien käytöstä nopeaan, ennakoivaan analytiikkaan ennaltaehkäisyssä on terveydenhuoltoalalta. Harvardin yliopiston Wyss-instituutti kehitti yhteistyössä KeepSmilin4Abbie-säätiön kanssa puettavan teknologian, joka ennustaa anafylaktisen allergisen reaktion (koko elimistön hengenvaarallinenyliherkkyysreaktio) ja antaa automaattisesti hengenpelastavaa adrenaliinia. AbbieSense-niminen anturi havaitsee anafylaksian varhaiset fysiologiset merkit, jotka ennustavat tulevaa reaktiota, ja se tekee sen paljon nopeammin kuin ihminen. Kun reaktio ennustetaan, käynnistyy algoritminen reaktio. Algoritmi voi ennustaa reaktion vakavuuden, varoittaa henkilöä ja hoitajia ja antaa tarvittaessa automaattisesti adrenaliinia. Teknologian kyky ennustaa reaktio nopeammin kuin manuaalinen havaitseminen voi pelastaa ihmishenkiä.

Koneoppimisen ja ennakoivan analytiikan ero ja niiden päällekkäisyydet

Satunnaiskäyttäjät sekoittavat ennakoivan analytiikan usein koneoppimiseen, koska se on yksi yleisimmistä koneoppimisen yrityssovelluksista. Vaikka koneoppiminen on erinomainen tapa muodostaa ennusteita datasta, se on paljon enemmän kuin ennakoiva analytiikka.

Koneoppiminen	Ennustava mallintaminen
Monimutkaisten ongelmien ratkaisemiseksi se käyttää erilaisia ML-malleja	Tulevien tulosten ennustamiseen se käyttää aiempia tietoja.
Niillä on taipumus sopeutua ja oppia kokemuksista.	Niillä ei ole taipumusta mukautua tietoihin.
Ei tarvitse erikseen ohjelmoida.	Tietojen käsittelemiseksi ne on ohjelmoitava järjestelmään manuaalisesti.
Niiden mallit ovat riittävän älykkäitä sopeutumaan ja päivittämään tietyn ongelman ratkaisemiseksi.	Niillä ei ole älykkäitä malleja, jotka voivat tehdä päätöksiä itse.
Lähestymistapa perustuu tietoihin	Lähestymistapa perustuu käyttötapauksiin.
Se ei vaadi valtavaa määrää historiatietoja tehtävän käsittelyyn.	Se vaatii suuren määrän historiatietoja tietyn tehtävän käsittelyyn eli tulevien tulosten ennustamiseen.
Ongelman ratkaiseminen edellyttää ongelman yksityiskohtaista kuvausta.	Ongelman ratkaiseminen ei vaadi ongelman yksityiskohtaista kuvausta.

Kouluta koneoppimisjärjestelmä helposti

Kokeile koneoppimisjärjestelmää helposti ja leikkimielisesti verkossa - max. 10 minuuttia.

Avaa tämä linkki selaimessasi: htps://machinelearningforkids.co.uk/#!/welcome - ja seuraa yksinkertaisia ja lyhyitä ohjeita. Tuloksena ymmärrät, miten koneoppimisjärjestelmää voidaan koulututtaa helposti.

Hyödyllisiä videoita ja linkkejä

https://machinelearningforkids.co.uk/#!/welcome
Mikä on ML, esittely 7 minuutissa: https://www.youtube.com/watch?v=ukzFI9rgwfU
Opi käyttämään ML by Google https://ai.google/education/
Lisätietoja ML:stä: https://elitedatascience.com/machine-learning-interview-questions-answers

Viitteet

● https://www.europarl.europa.eu/news/en/headlines/society/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used

● Prediction machines AI, https://www.predictionmachines.ai/ and https://store.hbr.org/product/prediction-machines-the-simple-economics-of-artificial-intelligence/10195?sku=10195-HBK-ENG

● https://medium.datadriveninvestor.com/prediction-machines-a-summary-278d3fdf94f1

● Machine Learning (ML) vs. Artificial Intelligence (AI) - Crucial Differences, https://towardsai.net/p/machine-learning/differences-between-ai-and-machine-learning-1255b182fc6

● How No-Code Platforms Can Bring AI to Small and Midsize Businesses by Jonathon Reilly, 2021, https://hbr.org/2021/11/how-no-code-platforms-can-bring-ai-to-small-and-midsize-businesses

● Adding real value https://static1.squarespace.com/static/59d6456137c581acfcef3422/t/5cadd76015fcc0f9e6594106/1554896736783/IM_Joshua+Gans+and+authors.pdf

● Machine Learning, MIT. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained

● Deep learning https://searchenterpriseai.techtarget.com/definition/deep-learning-deep-neural-network

https://online.hbs.edu/blog/post/predictive-analytics

Itsearvostelut

Katso video - Google Talk aiheesta Prediction Machines and Economics of Ai https://www.youtube.com/watch?v=ByvPp5xGL1I ja vastaa seuraaviin kysymyksiin:

Mikä on tekoälyn todellinen tehtävä? Miten tekoäly edistää sitä, että se tekee tietämisestä tulevaisuudessa tulevaa halvempaa ja varmempaa? Miten johtajat jakavat tehtävät ennustamisen ja arvioinnin osatekijöihin, jotta ennustaminen olisi halvempaa?

Harjoituksia

Harjoitustehtävä: Monivalinta

Katso PERFORM AI -animaatiot (Sonarski, Arutec, CAPE AI) ja merkitse esitettyjen tietojen perusteella, mitkä näistä yrityksistä käyttävät ennustuskoneita?

✓ Sonarski

✓ Arutec

✓ Cape AI

✓ Ei ole

Yhdessäkään edellisistä esimerkeistä ei pyritä määrittämään arvoa tai tulevaa tilannetta lopullisena tuloksena; niissä ei esimerkiksi yritetä määrittää, millainen sää on tietyssä paikassa ja tiettynä päivänä, mikä on yrityksen osakkeen arvo tai mikä on potilaan sairauden kehittyminen. Nämä esimerkit olisivat tapauksia, joissa ennakoivaa konetta sovelletaan ennakoivaan analyysiin.

Kaikissa tekoälyratkaisuissa tehdään väliennusteita, esimerkiksi Arutec yrittää ennustaa, että tietty piirros tarkoittaa venttiilin olemassaoloa hydrauliikkalaitteiston suunnittelussa, mutta ei siksi, että tekoälyprosessissa käytetään ennustamista, ratkaisua voidaan luokitella ennakoivaksi koneeksi. Kun algoritmin oppimisprosessi seuraa tätä väliennustusta, kyseessä on koneoppimisratkaisu.