Свод знаний по управлению бизнес-процессами: BPM CBOK 4.0

Глубокое обучение основано на концепции искусственных нейронных сетей. Нейронные сети функционируют подобно человеческому мозгу, где синапсы реагируют сильнее или слабее на основе обратной связи, а нейроны срабатывают при определенных условиях. С помощью моделей глубокого обучения решаются такие сложные задачи, как автономное вождение автомобиля, распознавание изображений, анализ видео и обработка языка.

Препятствия на пути использования моделей глубокого обучения:

● Большие объемы данных. Модели глубокого обучения требуют гораздо больше данных, чем модели машинного обучения. Без больших объемов данных глубокое обучение обычно работает плохо.

● Обучение и вычислительная мощность. Поскольку модели глубокого обучения требуют больших объемов данных, процесс обучения занимает много времени и требует больших вычислительных мощностей. Решить эту проблему помогают все более мощные и быстрые процессоры, память, новые графические процессоры и процессоры FPGA.

● Интерпретируемость. Модели глубокого обучения обычно поддаются интерпретации хуже, чем модели машинного обучения. Интерпретируемость глубокого обучения является одной из основных областей исследований, так что здесь возможен прогресс.

● Измерение. Как измерить эффективность модели машинного обучения? Модели, как и люди, оцениваются на предмет эффективности. Есть несколько способов измерения эффективности относительно простой регрессионной модели (метрики MAE, RMSE и R2 достаточно просты и очевидны).

8.3.2.4. Причины неудач внедрения ИИ

Большинство проектов ИИ терпят неудачу. Вот типичные причины, по которым это случается:

Сценарии использования

Первая причина неудач – выбор неподходящего сценария использования или слишком большого числа сценариев использования без достаточных возможностей и инфраструктуры. Чтобы выбрать задачи, наиболее подходящие для применения ИИ, используйте критерии, приведенные выше. Кроме того, имеет смысл выбирать сценарии использования, позволяющие постепенно наращивать возможности, знания и сложность технической реализации. К выбору подходящих сценариев использования рекомендуется привлекать следующих специалистов:

● сотрудники бизнес-подразделений, которые в курсе бизнес-проблем, контекста и ограничений, и у которых есть гипотезы, нуждающиеся в проверке;

● бизнес-аналитики, которые умеют задавать вопросы, проясняющие намерения и требования бизнеса, а также определять источники и необходимые преобразования данных;

● аналитики данных, которые умеют ставить задачи машинного обучения и глубокого обучения и строить модели, отвечающие гипотезам;

● инженеры данных и ИТ-специалисты, которые могут обеспечить доступ к данным.

Чтобы с самого начала организовать правильное управление проектом ИИ, требуется опытный кросс-функциональный руководитель, способный понять и сбалансировать эффект для бизнеса, операционные цели, ограничения и возможности потоков работ, потребности и ограничения со стороны данных, технологические факторы.

Разработка и тестирование

Вторая причина неудач заключается в неправильном построении самих моделей ИИ, а точнее в отсутствии двух условий.

● Дисциплина. Несмотря на то что наука о данных, как и другие науки, носит исследовательский характер (вы не знаете, что можно извлечь из данных, пока не поработаете с ними), подход должен быть четко определенным, дисциплинированным и нацеленным на получение результата в кратчайший срок.

● Квалифицированные специалисты. Хороший аналитик данных быстро ставит опыты, учится на своих опытах, видит разницу между перспективными и неэффективными подходами, изучает и внедряет передовые методы. Хороший специалист быстро, в параллельном режиме создает минимально жизнеспособные продукты.

Масштабирование

Третья причина неудач – недостаточный масштаб, отсутствие возможности быстро создавать и улучшать несколько моделей ИИ одновременно. Часто эта проблема сводится к тому, что аналитики данных не имеют возможности работать совместно, повторно использовать конвейеры обработки данных, рабочие процессы, модели и алгоритмы, а также воспроизводить результаты моделирования. Масштабирование также подразумевает отслеживание и быструю реакцию на обратную связь от операций (в тестовой, промежуточной или продуктивной средах). Массовая работа с ИИ требует как соответствующей инфраструктуры, так и правильного подхода к управлению моделью.

Внедрение и окупаемость

Четвертой причиной неудач является неспособность внедрить модель в операции и получить экономический эффект. Вообще говоря, разработка модели ИИ преследует одну из двух целей:

● чтобы прийти к ранее неизвестные выводам;

● чтобы автоматизировать принятие решений (как для снижения затрат, так и для повышения производительности).