7 passos per l'aprenentatge automàtic: Com preparar-se per a un futur automatitzat

Imatge: Sdecoret / Shutterstock

L’economia cada cop més digital requereix que els membres del consell i els directius tinguin una bona comprensió del panorama digital que canvia ràpidament. La intel·ligència artificial (AI) és, sens dubte, un important grup d'interès. Les empreses que vulguin preparar-se per a un futur automatitzat haurien de conèixer a fons la IA. Tot i això, AI és un terme paraigües que abasta diverses disciplines, cadascuna de les quals afecta l’empresa d’una manera lleugerament diferent.

Si mirem la intel·ligència artificial, es pot dividir en tres àrees diferents:

  1. Robòtica que tracta el món físic i pot interactuar directament amb les persones. Amb la robòtica podem millorar el nostre treball de diferents maneres. Incloent l’exosquelet de Ford o els robots ajudants de Boston Dynamics.
  2. Sistemes cognitius que tracten el món humà. Els chatbots són un bon exemple de sistema cognitiu com a part de la IA. Els chatbots són un exemple molt clar de com les persones i les màquines treballen junts per assolir un objectiu. Un xat de xat és una interfície de comunicació que permet que persones i organitzacions tinguin converses.
  3. Aprenentatge automàtic que tracta el món de la informació. Les màquines utilitzen dades per a l’aprenentatge i l’aprenentatge automàtic té com a objectiu obtenir sentit d’aquestes dades. L’aprenentatge automàtic utilitza mètodes estadístics perquè les màquines puguin millorar amb les màquines. Un conjunt de l'aprenentatge automàtic és l'aprenentatge profund, que permet xarxes neuronals multicapa.

La intel·ligència artificial consisteix en la integració perfecta de robòtica, sistemes cognitius i aprenentatge automàtic.

Figura 1: Intel·ligència artificial - adaptada de Goel i Davies, 2019

7 passos per l’aprenentatge automàtic

Aprofundim en una d’aquestes àrees: l’aprenentatge automàtic. L’objectiu de l’aprenentatge automàtic és obtenir sentit a partir de les dades. Per tant, les dades són la clau per desbloquejar l'aprenentatge de màquines. Hi ha set passos per l'aprenentatge automàtic i cada pas tracta de dades:

Figura 2: 7 passos per l’aprenentatge automàtic

1. Adquisició de dades

Es necessiten moltes dades de formació per a l'aprenentatge automàtic (ja sigui etiquetat, que significa un aprenentatge supervisat o no marcat, cosa que significa un aprenentatge no supervisat). L’adquisició o verificació de dades és també el primer pas del meu nou model D2 + A2.

2. Elaboració de dades

Les dades brutes soles no són gaire útils. Les dades s’han de preparar, normalitzar, duplicar i s’han d’eliminar els errors i les distorsions. La visualització de les dades es pot utilitzar per buscar patrons i outliers per determinar si s’han recollit les dades correctes o si falten dades.

3. Seleccioneu un model

El tercer pas és triar el model adequat. Hi ha molts models que es poden utilitzar amb diversos propòsits. Quan escolliu el model, heu d’assegurar-vos que el model compleixi l’objectiu empresarial. També heu de saber quina preparació requereix el model, la precisió que té i la mida del model. Un model més complex no sempre és un model millor. Els algorismes d’aprenentatge automàtic més utilitzats inclouen regressió lineal, regressió logística, arbres de decisió, mitjanes K, anàlisi de components principals (PCA), màquines vectorials de suport (SVM), bayes ingènes, xarxes forestals aleatòries i neuronals.

4. Formació

La formació del vostre model constitueix la major part de l’aprenentatge automàtic. L’objectiu és utilitzar les vostres dades de formació i millorar gradualment les prediccions del model. Cada cicle d’actualització de pes i precàrrega és un pas d’entrenament. L’aprenentatge automàtic supervisat crea el model mitjançant dades de mostra etiquetades, mentre que l’aprenentatge automàtic no assistit intenta treure conclusions a partir de dades no etiquetades (sense fer referència a resultats coneguts ni etiquetats).

5. Avaluació

Després de la formació, el model avalua el model. Per a verificar-ne el rendiment, es requereix que es verifiqui l'aprenentatge de màquines amb un registre de control no utilitzat. Pot ser que sigui representatiu del funcionament del model al món real, però no ha de ser així. Com més gran sigui el nombre de variables en el món real, més grans haurien de ser les dades d’entrenament i proves.

6. Ajust de paràmetres

Després d’avaluar el vostre model, haureu de provar els paràmetres establerts originalment per millorar la IA. L’augment del nombre de cicles formatius pot comportar resultats més precisos. Tanmateix, haureu de determinar quan un model és prou bo, en cas contrari, optimitzarà el model. És un procés experimental.

7. Predicció

Després de completar la recollida de dades, la preparació de dades, la selecció del model, la formació i l’avaluació del model, així com l’optimització de paràmetres, és hora de respondre a preguntes mitjançant prediccions. Aquests poden ser tot tipus de prediccions, des del reconeixement d’imatges a la semàntica fins a les analítiques predictius.

Pensaments finals

L’aprenentatge automàtic permet al programari predir els resultats amb més precisió. Millorarà molts, si no tots els processos empresarials, en els propers anys. L’aprenentatge automàtic esdevé així una part integral de l’organització automatitzada del demà. Gràcies al maquinari cada cop més ràpid, es poden veure models més potents amb millors previsions.

Malauradament, gràcies als científics de dades esbiaixades i les dades, el repte dels models esbiaixats mai no queda gaire lluny. Per tal que les empreses puguin beneficiar-se veritablement de l'AI, haurien de garantir que els seus models i dades estiguin lliures de prejudicis, estiguin ben formats i avaluats i estiguin alineats adequadament. Només llavors les empreses poden beneficiar-se realment de l’aprenentatge automàtic.

Si he aconseguit cridar l’atenció sobre aquest punt, deixo un comentari que descrigui com t’afectava aquesta història o subscriviu-me al meu butlletí setmanal per obtenir més contingut d’aquest contingut:

Dr. Mark van Rijmenam és el fundador de Datafloq i un altaveu reconegut mundialment per a big data, blockchain i AI. És un estrateg i autor de tres llibres de gestió: Think Bigger, Blockchain i The Organization of Tomorrow. Podeu trobar una vista prèvia gratuïta del meu darrer llibre aquí. Connecta’m amb mi a LinkedIn o saluda a Twitter i esmenta aquesta història.

Si voleu parlar amb mi sobre consultoria o conferències, podeu contactar-me a https://vanrijmenam.nl