IT-industrin har ett allvarligt fall av överensstämmelse med Buzzword. Det är nu obligatoriskt för företagen att släppa i ord som “maskininlärning,” “artificiell intelligens,” eller “Djup lärning” att uppmuntra alla konversationer kring analytik.

Tyvärr kan detta göra det svårare att förstå de verkliga fördelarna som den senaste utvecklingen i analysen kan ge.

Jargon demystifierad

För att hjälpa de oinitierade, låt oss börja med att förklara några av jargongen:

Konstgjord intelligens (AI) är en förmåga. John McCarthy använde först termen 1956 för att beskriva maskiner som kan utföra uppgifter som är karakteristiska för mänsklig intelligens.

Maskininlärning (ML) är en process. Arthur Samuel myntade termen 1959 för att beskriva olika beräkningsmetoder som kan skapa AI genom att lära sig och utföra specifika uppgifter utan att uttryckligen programmeras för att göra det.

Deep Learning (DL) är en specifik ML-teknik. Många andra finns. När folk säger att de är “gör AI” eller “undersöker DL,” I huvudsak gör de maskininlärning.

Maskininlärning i sin kärna är bara ett annat verktyg i analysverktygslådan. Men låt oss inte spela ner sin betydelse. Färdig, maskinlärning utökar vår förmåga att prognostisera och fatta beslut över ett större antal användningsfall än hittills möjligt.

När det gäller att bädda in intelligens till företaget, handlar det ofta om förutsägelse och beslutsfattande. Det är allmänt erkänt att företagen måste utvecklas utöver enkel dimensionell analys såsom instrumentpaneler och utveckla en förutsägbar förmåga att uppnå allt mer värdefulla affärsresultat.

Varför maskininlärning?

Lyckligtvis ger matematiken några mycket effektiva metoder för att hjälpa till att lösa komplexa förutsägelser och beslutsproblem. Så, det är frågan om, om vi redan har effektiva metoder tillgängliga, vilken användning är maskininlärning?

NASA har lyckats förutsäga satellits beteende så bra att det fortfarande styr dem från ett avstånd på 21 miljarder kilometer, 41 år efter att de lanserats. Därför skulle du tro att lösa markbundna affärer problem skulle vara en cinch. Men detta är inte nödvändigtvis fallet.

För att göra ett förnuftigt beslut eller en korrekt förutsägelse måste man ha en modell - en förståelse av det problem som behöver åtgärdas. Medan NASA: s problem verkar absurt, är det svårt att lösa dem, eftersom århundraden av vetenskapligt lärande har gett dem nödvändiga modeller, uttryckta som matematiska ekvationer. Klassiska analytiska tekniker är otroligt effektiva när vi har en grundlig matematisk förståelse av problemet.

Maskininlärning kontra analytics

Omvänt löper vi snabbt av analytisk ånga när vi saknar denna matematiska förståelse av problemet. Vill du hitta en ekvation för att beskriva hur gravitationen beter sig? Inga problem. Behöver du hitta en ekvation för att bestämma hur en konsumentgrupp beter sig? Lycka till! Det är här maskininlärning ger värde. Det gör att mänskligheten kan hitta lösningar på problem som vi inte förstår tillräckligt bra för att använda befintliga analysmetoder.

Maskininlärningsmetoder skiljer sig åt eftersom modellerna de bygger är oundvikligen enkla, bara behöver förstå det specifika problemet vid handen. Dessa modeller är härledda direkt från observationer från relevanta datamängder som de utsätts för, och inte århundraden av vetenskapligt lärande.

Maskininlärning bör inte ses som en ersättning för klassiska analysmetoder. Det är snarare en användbar förlängning för att möjliggöra mer exakta svar på befintliga frågor eller helt nya typer av frågor som ska ställas. I en verktygslåda som består av specifika ändamål, är maskininlärning den schweiziska armékniven. Med sina multifunktioner är det inte ett verktyg som den skickliga analytiska hantverkaren omedelbart ska nå, men en som är glad att ha när alla konventionella verktyg har visat sig otillräckliga.

Paul Fermor, UK Solutions Director at Software AG

  • Vi har också markerat de bästa AI-plattformarna för företag