Automatyczne uczenie zwiększa możliwości aplikacji biznesowych

 

Zainteresowanie to odzwierciedla gwałtowny wzrost liczby eksperymentów i inwestycji w kategorię technologiczną nazywaną sztuczną inteligencją, do której należy także automatyczne uczenie. Uwagę społeczeństwa przykuwa najbardziej sztuczna inteligencja w postaci autonomicznych samochodów, komputerów do gier czy asystentów osobistych w smartfonach. Jednak algorytmy automatycznego uczenia, które są teraz włączane w niezliczone aplikacje biznesowe, pomagają też w obniżaniu kosztów, zwiększaniu produktywności, wykrywaniu oszustw, generowaniu lepszych rekomendacji, optymalizacji procesów biznesowych, określaniu nastrojów klientów, a nawet znajdowaniu problemów w systemach informatycznych.

Połączenie tożsamości

Oracle włącza techniki sztucznej inteligencji w swoje aplikacje od lat, a cała strategia w tym zakresie szybko się rozwija. Niedawno firma przejęła na przykład pewien start-up, aby dodać narzędzia automatycznego uczenia do swojej oferty udostępniania danych jako usługi. Ułatwi to specjalistom ds. marketingu personalizację i analizowanie danych przez połączenie tożsamości konsumentów z ich różnych urządzeń stacjonarnych i mobilnych.

Metody identyfikacji są różne w każdym urządzeniu i każdym kanale — mówi Omar Tawakol, dyrektor jednostki zajmującej się rozwojem platformy Oracle Data Cloud. Rozwiązanie tego problemu może pomóc specjalistom ds. marketingu w prowadzeniu znacznie efektywniejszego dialogu z konsumentami i zaoszczędzeniu miliardów dolarów na reklamie.

Funkcja rekrutacji na platformie Oracle Human Capital Management Cloud korzysta z algorytmów automatycznego uczenia, aby wesprzeć dział kadr w przeglądaniu nadesłanych podań. Dawniej oprogramowanie kadrowe „po prostu analizowało składnię dokumentów w poszukiwaniu słów kluczowych” — mówi Mark Bennett, dyrektor ds. strategii dotyczącej produktów „work-life” i usprawniających współpracę w firmie Oracle. Jak dodaje, zastosowanie modeli automatycznego uczenia „pozwala lepiej klasyfikować kandydatów, zwłaszcza w kontekście określonego typu problemu biznesowego lub konkretnej umiejętności. Dopasowania opierają się na całościowej semantyce podania”.

Automatyczne uczenie w aplikacjach biznesowych

Wzrost zainteresowania zastosowaniem automatycznego uczenia w aplikacjach biznesowych można wyjaśnić, zwracając uwagę na kilka dobrze znanych trendów. Fundamentem jest tu ciągły wzrost mocy obliczeniowej i pojemności pamięci masowej, nie bez znaczenia było też pojawienie się procesorów graficznych — układów obliczeniowych stworzonych z myślą o grach wideo i optymalnie współgrających z modelami automatycznego uczenia. Wraz ze wzrostem mocy obliczeniowej i wielkości pamięci masowej ilość danych gromadzonych przez przedsiębiorstwa poszybowała w górę. To właśnie z tych danych korzystają algorytmy automatycznego uczenia. Służą im one do wyszukiwania wzorców i wykrywania trendów. Im więcej danych mają do dyspozycji algorytmy, tym bardziej przekonujące i wnikliwe są wyniki ich działania.

Jak mówi Amit Ganesh, wiceprezes jednostki zajmującej się rozwojem rozwiązania Oracle Enterprise Manager, firma Oracle stosuje techniki automatycznego uczenia w „każdym aspekcie” platformy Oracle Management Cloud. Jako przykład można tu wymienić usługę, która korzysta z automatycznego uczenia do gromadzenia danych i identyfikowania wzorców w danych dzienników generowanych w czasie rzeczywistym. W ten sposób wykrywa odchylenia i pozwala administratorom szybko rozwiązywać problemy. Inna usługa służąca do monitorowania wydajności aplikacji, nieprzerwanie uczy się zachowań każdego komponentu aplikacji, np. zapytań do serwera WWW. Wykrywa anomalie w czasie rzeczywistym, co ogranicza konieczność ręcznego zarządzania alertami generowanymi przy przekroczeniu zdefiniowanych progów dla setek strumieni wskaźników.

Algorytmy te nie zapewniają jedynie odpowiedzi na pytania operatora, lecz potrafią nieprzerwanie uczyć się zachowań danej aplikacji i z wyprzedzeniem dostarczać użyteczne informacje w przypadku pojawienia się odchylenia od normy — mówi Amit Ganesh.

Modele automatycznego uczenia można oferować jako usługi przetwarzania w chmurze, za pomocą których firmy mogą zaspokajać własne konkretne potrzeby biznesowe lub technologiczne. To koncepcja stanowiąca podstawę funkcji do analizowania Internetu Rzeczy, wchodzących w skład usługi Oracle Internet of Things Cloud Service.

Głównym zadaniem usługi jest udostępnienie platformy do analizowania IoT, łączącej dane z urządzeń i sprzętu, a także z innych repozytoriów danych lub aplikacji biznesowych — mówi Bhagat Nainani, wiceprezes ds. inżynierii w firmie Oracle.

Jak dodaje, wyspecjalizowane algorytmy analityczne analizują zintegrowane dane i generują użyteczne analizy, dostarczane do kolejnych aplikacji.

Wpływ i wartość

Dział Stephena Greena był szczególnie aktywny w ostatnich kilku latach, gdy pracował z przejętymi przez Oracle firmami, takimi jak przedsiębiorstwo Endeca, które stworzyło podstawy narzędzia do wizualizacji w usłudze Oracle Big Data Discovery, i firma Collective Intellect, której technologia monitorowania mediów społecznościowych jest dziś częścią platformy Oracle Marketing Cloud.

Gdy w 2012 r. firma Oracle przejęła przedsiębiorstwo Collective Intellect, Stephen Green uświadomił sobie, że jest to dla jego działu szansa na odegranie istotnej roli. Stworzony przez firmę Collective Intellect system analizy nastrojów, który badał bloki tekstu i zestawiał ze sobą wskaźniki pozytywne i negatywne, można było rozszerzyć i udoskonalić przy użyciu bardziej zaawansowanych technik automatycznego uczenia. Dział Stephena Greena zaproponował technikę automatycznego uczenia nazywaną klasyfikacją. Jak dodaje ekspert, za jej pomocą inżynierowie przeszkolili system analizujący media społecznościowe tak, „aby potrafił decydować, czy dany wpis jest pozytywny, negatywny, czy neutralny”. Technika ta pozwoliła zwiększyć wydajność systemu, a przy tym rozbudować jego słownictwo, ponieważ zespół przeszkolił system nie tylko pod kątem języka angielskiego, lecz także hiszpańskiego i chińskiego. Potem inżynierowie poszli jeszcze dalej — obecnie system rozumie nawet 10 lub 11 języków.

Zdrowy sceptycyzm

Mimo szybkich postępów Stephen Green zaleca zachowanie zdrowej dawki sceptycyzmu co do szczególnie szumnie opisywanych możliwości przypisywanych sztucznej inteligencji, takich jak samoloty pasażerskie bez pilota.

Poświęciłem pracy nad tymi systemami sporą część życia — mówi. Oczekiwania stawiane tego typu większym systemom wraz z upływem czasu trzeba formułować powściągliwie.

Nie ma jednak wątpliwości, że techniki sztucznej inteligencji, takie jak automatyczne uczenie, wywrą duży wpływ na architektury informatyczne przedsiębiorstw. Firma badawcza International Data Corporation szacuje, że za zaledwie dwa lata około połowa wszystkich opracowywanych aplikacji będzie obejmować sztuczną inteligencję.

Wynika to z faktu, że efekty korzystania ze sztucznej inteligencji i modeli automatycznego uczenia — takie jak większa efektywność, zoptymalizowane procesy i nowe elementy pomagające uzyskać przewagę nad konkurencją — są jak najbardziej realne i wymierne. Nie trzeba nam zresztą wierzyć na słowo — wystarczy zapytać Siri.

 

Sztuczna inteligencja. Zdolność maszyn do wykonania określonego zadania bez wcześniejszego zaprogramowania ich konkretnie z myślą o tym zadaniu. Sztuczna inteligencja jest obecnie ściśle związana z robotyką i umiejętnością wykonywania przez maszyny zadań „ludzkich”, takich jak rozpoznawanie obrazów i przetwarzanie języka naturalnego.

 

Automatyczne uczenie. Algorytm lub zestaw algorytmów, który umożliwia komputerowi wykrywanie wzorców w zbiorze danych i ich interpretowanie w użyteczny sposób.

 

Uczenie nadzorowane. Model automatycznego uczenia, skoncentrowany na interpretacji zbiorów danych w ramach konkretnych parametrów. Przykładem może tu być filtr spamu.

 

Uczenie nienadzorowane. Model automatycznego uczenia, który obejmuje podczas interpretacji cały zestaw danych. Technika ta jest używana w drążeniu danych.

 

Głębokie uczenie. Zestaw algorytmów automatycznego uczenia w architekturze warstwowej, takiej jak sieć neuronowa, który umożliwia interpretację na wysokim poziomie abstrakcji podczas pracy na dużych zbiorach danych.

 

Sieć neuronowa. Architektura programowa, która potrafi obsługiwać wiele źródeł danych i stosuje warstwy węzłów odwzorowujących neurony na wzór działania systemu nerwowego.

 

Analiza predykcyjna. Model automatycznego uczenia, który interpretuje wzorce w zbiorach danych w celu przewidywania przyszłych wyników. Uwaga: nie wszystkie systemy analizy predykcyjnej stosują automatyczne uczenie lub techniki oparte na sztucznej inteligencji.

 

Autor: John Soat jest doświadczonym autorem w dziale Oracle Content Central. Wcześniej był niezależnym autorem i producentem multimediów, specjalizującym się w zagadnieniach ze styku biznesu i technologii.

Źródło: www.oracle.com