Sztuczna inteligencja w procesie opracowywania nowych produktów cyfrowych i nie tylko

Rozwój nowych produktów (z ang. New Product Development) to projektowanie i wprowadzanie na rynek produktów, które mają stanowić odpowiedź na pojawiające się na rynku możliwości i potrzeby. Jest to proces związany z powtarzalnymi cyklami w których szuka się koncepcji na nowe produkty a następnie prowadzi proces tworzenia produktu i jego uruchomienia na rynek (launch).

Sztuczna inteligencja do opracowywania nowych produktów ma zastosowania w różnych sektorach biznesowych.

  • W branży motoryzacyjnej firmy rozważają wykorzystanie inteligentnych algorytmów w celu szybszej produkcji samochodów, uczynienia samochodów przyjaznymi dla środowiska i bezpieczniejszymi, przy jednoczesnym uwzględnieniu kosztów produkcji i wielkości. Oczywiście należy dodać, że dzisiejsze samochody przypominają bardziej komputer aniżeli pojazd samojezdny.
  • W branży podróżniczej firmy rozważają połączenie różnych doświadczeń, aby zapewnić doświadczenie, zabawę i relaks bez wychodzenia z domu lub wyjazdu z kraju. COVID19 bardzo skomplikował biznes turystyczny. Airbnb uruchomił produkt zwany  “doświadczeniami”, które pozwalają ludziom cieszyć się aktywnościami bez konieczności podróży do innych miejsc.

Czas jest czynnikiem wpływającym na rozwój nowych produktów i startupy o tym wiedzą

Rozwój nowego produktu jest procesem nieefektywnym ze względu na to, jak czasochłonny może być, a niektórzy zauważają, że pochłania nawet 50% czasu całego cyklu życia produkty, od powstania do wycofania z rynku..

Sztuczna inteligencja (AI) umożliwia fascynujące, cyfrowe testowanie i budowanie prototypów produktów, zanim firma poświęci czas i zasoby na fizyczne tworzenie ostatecznej postaci produktu czy usługi. Często przyszłe, skończone produkty różnią się pod względem szeregu cech od pierwotnego zamysłu. Startupy to doskonale wiedzą!

Startupy to dynamicznie działający gracze, którzy rozumieją potrzebę utrzymania reżimów kosztowych i jak najszybszego osiągania wyników w komercjalizacji. Założyciele startupów już wiedzą, że sztuczna inteligencja może pomóc im skrócić czas wprowadzania produktu na rynek, co zapewnia szybsze dopasowanie produktu do rynku (tzw. market-fit).

Świetnym przykładem jest firma Lemonade, która zaprojektowała proces roszczeń i udzielania ubezpieczeń i przekazała je w ręce uczenia maszynowego (gdybyś chciał dowiedzieć się co to jest uczenie maszynowe, zapraszam Cię do lektury tego tekstu), w ciągu roku  zarobiła pierwsze 100 milionów dolarów (najszybciej w branży nowych technologii). Sztuczna inteligencja stała kluczem do szybkiej komercjalizacji oferty. Startup Lemonade to wiedział i wygrał swoją rynkową bitwę. 

Rozwój firmy Lemonade stosującej sztuczną inteligencję w procesie udzielania ubezpieczeń i rozliczania szkód

Rysunek 1: Lemonade napędzany uczeniem maszynowym niewiarygodny wzrost przychodów

Przedsiębiorstwo wykorzystało w pełni zintegrowany proces opracowywania nowych produktów

Firma PwC  udowodniła, że ​​rozwój produktów cyfrowych z wykorzystaniem inteligentnych algorytmów, może zwiększyć wydajność o prawie 20% i skrócić czas wprowadzania produktów na rynek o 17%. 

Pozwólcie, że połączę to z ostatnim osiągnięciem Yelp (portal z rekomendacjami restauracji, mały firm usługowy itp). Firma zatrudniła sztuczną inteligencję do przeprowadzenia testów swoich interfejsów stron internetowych. Zamiast klasycznych testów A / B, Yelp przeprowadza prawie 700 testów jednocześnie w oparciu o uczenie maszynowe. Firma potrafi dzięki sztucznej inteligencji szybciej niż wcześniej (w sposób klasyczny) znaleźć przyciągające uwagę przyciski, przekonywujące teksty nagłówków czy strukturę ścieżki klienta. Wszystko to razem wzięte, skraca czas aktualizacji istniejących produktów cyfrowych Yelp o ponad 20%.

Wynik badań firmy PwC nad zastosowaniem sztucznej inteligencji w budowie i uruchamianiu nowych produktów

Rysunek 2: PwC twierdzi, że firmy będą szybciej wprowadzać produkty na rynek dzięki technologiom Machine Learning i Deep Learning

Szybki i inteligentny rozwój nowych produktów wymaga zintegrowanego ekosystemu partnerów, który koncentruje się na współtworzeniu wartości. Innymi słowy, świetne produkty powstają z partnerami, a nie w ciemni i zaciszu jednej firmy. Cyfrowi mistrzowie rozumieją, jak budować partnerstwa, które pomagają zapewnić klientom fantastyczne doświadczenia z produktów i usług. 

W swoim portfelu projektów mam taki w którym dzięki współtworzeniu produktów z partnerami zewnętrznymi (startupy, agencje kreatywne, ekosystem naukowców) zmniejszyliśmy budżet wprowadzenia nowego produktu o 60%. Część procesu, jak na przykład silniki rekomendacyjne, zostały opracowane dzięki sztucznej inteligencji, która w sposób błyskawiczny “nauczyła się” preferencji klienta.

Algorytmy sztucznej inteligencji stają się inteligentne tylko wtedy, gdy są zasilane wysokiej jakości danymi lub danymi dobrze opisanymi i skatalogowanymi. Zwykle stos danych, którego właścicielem jest dana firma, ma wady (dane są niekompletne, z błędami językowymi czy niespójne).

Partnerstwa strategiczne mają kluczowe znaczenie dla poprawy jakości danych, co wpływa na dokładność prognoz. Amazon współpracował z wieloma klinikami w USA, aby wyszkolić swojego asystenta głosowego – Alexę w zrozumieniu dźwięków wytwarzanych podczas kichania czy kaszlu. Prędkość uczenia się w taki sposób jest nieporównywalnie większa, aniżeli ręczne wprowadzanie plików do bazy danych. Sztuczna inteligencja odgrywała kluczową rolę w projektowaniu algorytmów, które dzisiaj Alexa wykorzystuje stojąć na stole w kuchni i odpowiadając na nasze pytanie “Hej Alexa, jaka dzisiaj będzie pogoda?”. 

Raport PwC stwierdza, że ​​zespoły ds. rozwoju nowych produktów, które zintegrowały narzędzia oparte na sztucznej inteligencji do cyfryzacji procesów, osiągają wyższe korzyści skali, produktywności i szybkości w procesie projektowania i rozwoju produktu.

Sztuczna inteligencja jako magiczna kula w rozwoju nowych produktów

W badaniu  opublikowanym w  Journal of the American Medical Informatics Association (JAMIA) Open , naukowcy wyszkolili modele sztucznej inteligencji do przewidywania usuwania produktów żywnościowych na podstawie recenzji na Amazon. Skuteczność osiągnięta to 74%. Innymi słowy, przewidziano na podstawie wcześniej pozyskanych recenzji, że dany produkt zostanie ściągnięty z elektronicznej półki Amazon w związku z np. Niebezpieczeństwem użycia (łatwo sobie wyobrazić jakiś chiński produkt, który nie uzyskał odpowiednich certyfikatów a znalazł się w sprzedaży na Amazon). Przewidywanie cechowało się 74% skutecznością. 

Oprogramowanie oparte na sztucznej inteligencji wykorzystało następnie recenzje Amazon, aby rozpoznać tysiące potencjalnie niebezpiecznych produktów spożywczych, które nie zostały jeszcze odkryte.

Sztuczna inteligencja może przewidzieć, czy dany produkt będzie niebezpieczny, nieprzydatny, wadliwy lub nie spełni oczekiwań popytu. Gdyby menedżerowie firm pozyskali wystarczającą ilość i jakość danych i zastosowały sztuczną inteligencję, firmy te mogłyby zobaczyć przyszłość swoich produktów, bez produkowania czy tworzenia tych produktów. Następnie, patrząc wstecz, sztuczna inteligencja daje im szansę na odpowiednie skorygowanie procesu rozwoju nowego produktu na etapie koncepcji.

Jak zbudować opartą na sztucznej inteligencji, perspektywiczną szklaną kulę?

Ważne jest, aby gromadzić dane i dbać o ich jakość. Najczęściej firmy gromadzą dane z mediów społecznościowych, strony internetowych, wyszukiwarek i stosują algorytmy, takie jak przetwarzanie języka naturalnego (NLP), klasyfikacja obrazu, rozpoznawanie obrazów i różne techniki głębokiego uczenia, aby uzyskać jeszcze lepszy wgląd w preferencje i zachowania klientów. Takie działania pomagają firmom w korzystaniu nie tylko z tego, co i jak klienci używają dziś, ale także jakich funkcjonalności klienci mogą potrzebować w przyszłości. 

Usuń sztuczną inteligencją przeszkody w procesie opracowywania nowego produktu

Eliminacja przeszkód utrudniających wprowadzanie nowych produktów zaczyna się od wykorzystania sztucznej inteligencji do poprawy dokładności prognoz popytu. Firma Honeywell wykorzystuje sztuczną inteligencję do obniżania kosztów energii i ujemnych wahań cen poprzez śledzenie i analizowanie elastyczności cenowej produktów i wrażliwości cenowej.

Honeywell integruje sztuczną inteligencję i algorytmy uczenia maszynowego w zaopatrzeniu, pozyskiwaniu zasobów i zarządzaniu kosztami, uzyskując stabilne zwroty w całym procesie rozwoju nowego produktu. (Źródło:  Honeywell Connected Plant: Analytics and Beyond.

Zintegrowany proces budowy połączonego ekosystemu biznesowego w którym sztuczna inteligencja odgrywa kluczową rolę

Rysunek 3: Schemat połączonych instalacji Honeywell i struktura biznesowa danych

Firmy chcą poznać jak będzie wyglądała przyszłość, ponieważ mogą następnie skorzystać z inżynierii wstecznej, aby dostosować funkcje pomocnicze dzisiaj. Zarządzanie pieniędzmi, zarządzanie ryzykiem, zaopatrzenie i zakupy generują ogromne koszty w każdej firmie.

Firma Honeywell może usunąć niepewność poprzez przeprojektowanie zaopatrzenia w procesie rozwoju produktu. Wyobraźmy sobie, że elektrownia wiatrowa chce dostarczyć określoną ilość energii w ciągu 15 lat po cenie X. Honeywell przewidzi poprawność tych założeń, dzięki sztucznej inteligencji, która dokona prognozy, a następnie zaprojektuje metodą inżynierii wstecznej, z jakich komponentów (silniki, turbiny, miejsca i lokalizacja wiatraków, połączenie do rozwiązań chmurowych itp.) farma powinna być zbudowana aby uzyskać poziom produkcji i ceny.

Innym doskonałym przykładem prowadzenia rozwoju nowych produktów z wykorzystaniem sztucznej inteligencji jest firma  Analytical Flavour Systems

Kto jest Twoim największym problemem w biznesie? To twój konkurent. AFS wykorzystuje rozległe badania preferencji i generuje macierz preferencji klientów z obszaru żywności i napojów. Sztuczna inteligencja od AFS pomaga zrozumieć, co napędza rynek, czyli umieść na mapie popularne smaki potraw i napojów, które ludzie uwielbiają. 

Później silniki napędzane sztuczną inteligencją projektują smaki, które nie są oferowane przez konkurencję, ale jest prawie pewne, że ludzie będą cieszyć się tymi smakami jeśli pojawią się one w produktach. Firma opracowała platformę opartą na sztucznej inteligencji, która wspomaga proces opracowywania nowego produktu i może przewidywać preferencje. System potrafi również odczytać ofertę konkurencji i poprzez porównanie zaoferować taką paletę smaków w oferowanej żywności, której nie posiada konkurencja, a która to paleta spotka się z popytem rynkowym.

Sztuczna inteligencja w rozwoju nowych produktów jest kręgosłupem, a nie dodatkiem

Raport PWC wyjaśnia, że ​​dojrzałe cyfrowo firmy kompleksowo wykorzystują analitykę danych opartą na sztucznej inteligencji. Firmy te stosują różne aplikacje sztucznej inteligencji w różnych funkcjach biznesowych. Jest to więc rozproszone zastosowanie a nie punktowe, wymagana jest więc współpraca między departamentami. 

Firmy, skutecznie wykorzystujące sztuczna inteligencją w projektowaniu, budowaniu i uruchamianiu nowych produktów, nieustannie pracują nad usuwaniem wąskich gardeł, przekształcaniu zadań ręcznych w zautomatyzowane i dbają o to, aby ​​decyzje oparte na danych stawały się rzeczywistością. 

Firmy, które wykorzystują sztuczną inteligencję w opracowywaniu nowego produktu, koncentrują swoją uwagę nie tylko na algorytmach, programowaniu i inżynierii danych, ale także na dobrych jakościowo zasobach danych, które czynią ten proces możliwym i wydajnym. 

68% firm zaawansowanych technologicznie, w których PwC przeprowadziło ankiety, wdraża i integruje sztuczną inteligencję w rozwoju produktów, aby zoptymalizować proces kompleksowo. 80% kosztów produkcji produktu jest determinowanych podczas procesu projektowania i prototypowania produktu. Jeśli menedżerowie firmy mają taką świadomość, będą zmierzali do tego, aby na etapie koncepcyjnym wykonać możliwie najwięcej symulacji z wykorzystaniem sztucznej inteligencji. W efekcie pozwoli im to ograniczyć przyszłe koszty.

Ponadto 91% firm, które wykorzystują sztuczną inteligencję w procesie zarządzania produktami, nie chce wprowadzać na rynek produktów, których nikt nie chce. To jest główny powód używania inteligentnych modeli w uruchamianiu nowych produktów.

Sztuczna inteligencja pomaga weryfikować popyt na produkty i usługi. Wiedzą o tym doskonale założyciele startupów. Często oferują subskrypcje produktu w modelach przedsprzedaży, zanim aplikacja mobilna czy inny cyfrowy produkt istnieje. Informacje zwrotne, kliknięcia i mapy popularności pomagają zrozumieć, czego chcą klienci. Wszystko to zasila algorytmy sztucznej inteligencji, która następnie pomaga przewidzieć kształt produktu. 

Jeśli Twoja firma chce wykorzystać sztuczną inteligencję w procesie rozwoju nowego produktu, musisz rozważyć zaprojektowanie całej funkcji zarządzania produktem i uczynienie ze sztucznej inteligencji koła zamachowego i nadzorcy całego procesu. W przeciwnym razie “twoja” sztuczna inteligencja będzie dodatkiem, a nie kręgosłupem zagadnienia, co nie pozwoli na uzyskanie przewag produktowych, kosztowych i organizacyjnych.

Wyniki badań McKinsey definiujące zastosowanie sztucznej inteligencji w rozwoju produktu

Rysunek 4: Wyniki badań McKinsey definiujące zastosowanie sztucznej inteligencji w rozwoju produktu

Inteligencja AI jako podstawa zarządzania produktami

Uber to fantastyczny przykład instalacji sztucznej inteligencji, a konkretnie uczenia maszynowego, w DNA firmy. Firma stworzyła coś, co nazywa się Michelangelo. 

Michelangelo umożliwia zespołom wewnętrznym bezproblemowe tworzenie, wdrażanie i obsługę uczenia maszynowego na skalę wszystkich produktów UBERa. Platforma, która w rzeczywistości jest produktem sama w sobie, została zaprojektowana tak, aby obejmowała cały proces uczenia maszynowego: począwszy od pozyskiwania danych, oceny danych, szkolenia modeli, oceny wyników, aż po monitorowanie prognoz. 

Michelangelo od około roku obsługuje produkcyjne przypadki użycia w firmie Uber i stał się de facto systemem uczenia maszynowego dla naszych inżynierów i naukowców zajmujących się danymi, z dziesiątkami zespołów tworzących i wdrażających modele. W rzeczywistości jest wdrażany w kilku centrach danych Uber, wykorzystuje specjalistyczny sprzęt i dostarcza prognozy dla najbardziej obciążonych usług online w firmie. – Jeremy Hermann, szef platformy uczenia maszynowego w firmie Uber

Jeśli chcesz otrzymywać przyszłe posty na maila, zapraszam do newslettera

.

Obecność sztucznej inteligencji w procesie rozwoju produktu UBER

UberEATS ma wiele modeli sztucznej inteligencji działających na Michelangelo, obejmujących prognozy czasu dostawy żywności, rankingi wyszukiwania i rankingi restauracji, i wiele innych. Sztuczna inteligencja napędza różne części produktów cyfrowych Uber Eats. Modele czasu dostawy przewidują, ile czasu potrzeba na przygotowanie posiłku. Model przewiduje również, ile czasu potrzeba na dostarczenie określonego posiłku.

Sztuczna inteligencja oblicza to wszystko przed przyjęciem zamówienia. Tworzy siatki niezliczonych scenariuszy, a następnie zamówienie wpada w jeden z nich i toczy się po wcześniej zaprojektowanej trajektorii. 

Kiedy użytkownik produktu UberEATS składa zamówienie, jest ono wysyłane do konkretnej restauracji w celu przetworzenia. Następnie restauracja musi przeczytać i zrozumieć prośbę. Pomaga tu sztuczna inteligencja, rozkładając zamówienia i wprowadzając je do systemów informatycznych restauracji. 

Struktura platformy Michelangelo z określonymi narzędziami opartymi na danych zaangażowanymi w procesy

Rysunek 5: Struktura platformy Michelangelo z określonymi narzędziami opartymi na danych zaangażowanymi w procesy(źródło: Uber )

UberEats gromadzi wiele danych w ramach jednego procesu realizacji zamówienia. Te dane są gromadzone, czyszczone i przechowywane. Następnie są one używane do ponownego uczenia modeli i stymulowania neuronów głębokiego uczenia się. Istnieje jednak więcej wyzwań związanych z używaniem sztucznej inteligencji. 

Gdy posiłek jest bliski przygotowania, wysyłany jest kurier UberEats, który odbiera posiłek. Następnie dostawca musi dotrzeć na miejsce, znaleźć miejsce parkingowe, odebrać posiłek, a następnie pojechać do klienta. 

Sztuczna inteligencja pomaga dostawcy w całym procesie. Pomaga ominąć ruch uliczny, wybrać miejsce parkingowe, znaleźć drzwi klienta i płynnie wrócić do następnego miejsca odbioru. To jest projektowanie usługi w którym rolę wiodącą ma sztuczna inteligencja. 

Ponownie kurier musi skorzystać z systemu nawigacji, aby dostać się na miejsce, znaleźć parking i podejść do drzwi klienta, aby zakończyć wysyłkę. 

Uber wykorzystuje wszystko co opisałem powyżej, aby projektować nowe produkty. Jeśli w Nowym Jorku pracownik UBER wpadnie na pomysł, aby zaprojektować dedykowany produkt / usługę mającą na celu dowożenie ludzi na szczepienia przeciwko COVID19, Michelangelo pomożemy zasymulować cały proces stworzenia takiej usługi, bez konieczności pisania dużej ilości kodu programistycznego, tworzenia prototypów produktu itp.

Kilka słów na koniec

Sztuczna inteligencja już się wydarzyła i wciąż się wydarza w nowych zastosowaniach. Sztuczna inteligencja zaczęła pożerać świat oprogramowania w szybkim tempie. Rozwój nowego produktu już solidnie opiera się o wykorzystanie sztucznej inteligencji, a firmy, które to rozumieją, mogą wnieść większą wartość w krótszym czasie przy niższych kosztach. 

Firmy, które nie przyjmą tej technologii, wkrótce zostaną pozostawione w tyle przez konkurencję. Te ostatnie będą musiały się zmierzyć z większymi kosztami i niższą skutecznością operacyjną. 

Wykorzystaj uczenie maszynowe w Twojej firmie

Czy uczenie maszynowe ma już jakieś konkretne zastosowania, które warto rozważyć przy komponowaniu strategii biznesowej, czy nadal mówimy o przyszłości i czymś, co przyjdzie do nas za kilka lat?

Sztuczna inteligencja tu i tam – wszechobecny żargon. Uczenie maszynowe, roboty i automatyzacja pojawiają się na każdym kroku.

W tym poście chciałbym wykonać przelot nad algorytmami uczenia maszynowego, szybko je wyjaśnić, a następnie przedstawić kilka przykładów zastosowań uczenia maszynowego.

Przyjrzyjmy się najpierw modelom uczenia maszynowego

Zastosowania uczenia maszynowego i typy algorytmów

Modele ML można podzielić na cztery kategorie:

  • Nadzorowana nauka,
  • uczenie się bez nadzoru,
  • mix powyższych.

Na czym polega różnica pomiędzy powyższymi typami?

Biznesmeni uwielbiają proste rzeczy, ponieważ nie mają czasu na studiowanie szczegółów. Dla zapracowanych ludzi główna różnica polega na tym, kto szkoli algorytm. Nadzór wymaga przełożonego, co oznacza, że ​​inżynierowie i programiści muszą nauczyć algorytm procesować dane. W przeciwnym razie algorytm utknie i nie będzie żadnych wyników. Algorytm bez nadzoru, uczy się sam, ale jakie da efekty? Tego nie wie nikt. Mix, to taki trochę kundel, mieszanka dwóch powyższych.

Nadzorowane


Nadzorowane typy modeli nie przyniosą rezultatów bez wcześniejszego nazwania np. marki samochodu, lub wskazania algorytmowi, że ta dama ma długie włosy. Algorytm jest głupi bez przełożonego i nie może się sam uczyć. Aby wyszkolić tego drania, potrzebujesz grupy ludzi, którzy będą oznaczać dane.

Z punktu widzenia strategii i modelu biznesowego, musisz zatrudnić i współpracować z kimś, kto zapewnia takie klikające ręce. Twoje koszty zatrudnienia wzrosną, ponieważ będziesz musiał opłacić te ręce, aby opisały dla Ciebie dane.

Nagroda? Dostaniesz to, czego chcesz. Jeśli Twoi ludzie otagują wszystkie zdjęcia przedstawiające nagość, będziesz mógł powiedzieć: „Hej, ta sieć społecznościowa jest przyjazna dla wszystkich, ponieważ wiemy, jak usunąć wszystkie nieodpowiednie treści”.

Nagość wymazana przez algorytm uczenia maszynowego

Jedną z najczęstszych zastosowań tego rodzaju uczenia maszynowego jest filtr spamu Google. Inżynierowie nauczyli algorytmy rozpoznawać spam, dzięki czemu algorytm jest wstanie złapać 99.9% treści, których nie chcesz widzieć w swojej skrzynce pocztowej. Od teraz możesz cieszyć się mniejszą ilością spamu w Twojej skrzynce odbiorczej Gmaila. 

Apple Pencil również korzysta z algorytmów!

Innym przykładem jest Twój iPad i Apple Pencil. Tak! Gdy złapiesz cyfrowy ołówek i zaczniesz pisać odręcznie, algorytmy mogą szybko rozpoznać litery, następnie słowa i zdania. Ktoś lub coś oznacza całą grupę wyrazów i przenosi je do urządzenia. Aplikacje takie jak GoodNotes lub Notability używają nadzorowanych modeli uczenia maszynowego. Wykorzystanie uczenia maszynowego w takich przypadkach jest korzystne dla użytkowników końcowych, ponieważ wyniki można uzyskać szybko, a przez większość czasu są one zadowalające. W bazie danych Apple “siedzi” miliony a może i miliardy wzorców pisma odręcznego. Ty piszesz na iPad a sztuczna inteligencja trudzi się tym, aby rozpoznać w jakim języku piszesz i co napisałeś przed chwilą.

UBER i zamaskowany kierowca

Jakiś czas temu Uber ogłosił,  że aplikacja UberApp będzie miała komponent AI, który rozpoznaje, czy kierowca ma maskę (chodzi o ochronę przed COVID) na twarzy, czy też nie. Kierowca musi skierować twarz w stronę aparatu smartfona; aplikacja robi selfie i rozpoznaje, że maska ​​jest obecna lub nie ma jej na twarzy kierowcy. Wcześniej nakarmiona baza danych, zasila algorytmy we wzorce, które pozwalają z prędkością światła ocenić czy kierowca jest zamaskowany.

Zastosowania uczenia maszynowego w Waymo

Waymo to firma technologiczna należąca do firmy macierzystej Google, Alphabet. Autonomiczne pojazdy od Waymo zgromadziły ogromną ilość danych w Phoenix w Kalifornii i Waszyngtonie. 

Co zebrały te auta? Cóż, zestaw robi wrażenie:

  • Zsynchronizowane dane z pięciu lidarów i pięciu kamer przednich i bocznych umieszczonych na autach
  • Kalibracja i pozy czujnika w różnych sytuacjach drogowych
  • Etykiety obiektów (pojazdy, piesi, rowerzyści i oznakowanie) z trójwymiarowymi polami
  • Etykiety obiektów z obwiedniami 2D dla danych kamery w 100 segmentach (źródło: InfoQ)

Dane są tak dobrze przygotowane, że można je wykorzystać do nadzorowanego uczenia maszynowego modeli. 

Samojezdne samochody Waymo spędziły dwa lata na ulicach Arizony w USA, zawsze mając kierowcę w samochodzie. Tylko w Arizonie wykonano 10 000 podróży w dwa miesiące. W ten sposób zbudowano bazy danych z obiektami doskonale opisanymi do dalszego trenowania algorytmów. Ponieważ ten sam obiekt np. sarna na drodze, został sfotografowany z wielu różnych kamer i obmierzony z wielu różnych czujników, dane są wysokiej wartości i jakości.

Bez nadzoru


Możesz wraz ze swoim zespołem stwierdzić, że chcecie skorzystać z nienadzorowanych modeli uczenia maszynowego. W porządku, ale przygotuj się na zderzenie się z nieznanym. Algorytmy nadzorowane dadzą pożądane rezultaty, a bez nadzoru zabiorą Cię w przyszłość, nie mówiąc Ci, co osiągniesz.

Szaleństwo? Już widzę miny inwestorów, którzy słyszą od twórcy firmy: „Cześć, mój startup pracuje nad zastosowaniami uczenia maszynowego w monitorowaniu warunków zdrowotnych, ale nie wiemy, jakie będą rezultaty”

Zakładam, że inwestorzy mają pokerowe twarze i nie parskną śmiechem!

W każdym razie algorytmy uczące się bez nadzoru zjadają nieoznaczone dane i przetrawiają je, mając nadzieję na uzyskanie ekscytujących wyników.

Wyobraź sobie, że masz zestaw rzadkich kart piłkarskich z wizerunkami zawodników, które chcesz sprzedać w serwisie eBay. Nie wiesz jaką cenę zaproponować. Mógłbyś skorzystać z algorytmów nadzorowanych, ale nie chcesz gdyż nie masz danych, albo nie chcesz mieć oczywistych wyników. Interesuje Cię odkrycie nowego wzorca, czegoś nieznanego.

Model bez nadzoru spróbuje znaleźć dla Ciebie wartość parametru cenowego. Model przetworzy dane, spróbuje znaleźć najbliższą cenę i zarekomenduje. Skąd możesz mieć pewność, że cena jest rozsądna i dostaniesz to, czego chcesz? Musisz nakarmić bestię dużą ilością danych. Miliardami rekordów.

Jakie są konsekwencje?

Potrzebujesz dużo pamięci do przetwarzania danych, dużej mocy obliczeniowej i czasu – 6 miesięcy lub dwa lata. To zależy od tego, jaki jest twój cel.

Pomyśl teraz o Tesli, ile danych potrzebuje firma o zachowaniach konsumenta za kółkiem, aby zoptymalizować wydajność baterii.

Setki tysięcy Tesli wysyłają dane do chmury, a dane zasilają modele uczenia maszynowego. Algorytmy pokazują wzorce a faceci z zespołów Elona Muska sugerują konfigurację baterii, którą ustawia komputer pokładowy Tesli. Ty po prostu prowadzisz samochód i odbierasz kawę ze Starbucksa. W tym czasie Twoja Tesla ciągle wysyła dane do modeli nienadzorowanych, które pracują nad poprawą wydajności baterii.

Amazon i uczenie maszynowe

Weźmy Amazon i jego zdolność przewidywania, co ci się spodoba w przyszłości. Firma Bezosa wysyła próbki produktów (kosmetyki, ubrania, produkty zdrowotne) do klientów, ponieważ modele uczenia maszynowego mogą przewidzieć, co prawdopodobnie uznasz za ekscytujące. Algorytmy uczenia maszynowego Amazon połykają, przetrawiają i dostarczają dużo danych.  Im więcej “jedzą”, tym bardziej sprawne się stają. Amazonowi opłaca się więc wysyłać Tobie darmowe próbki produktów gdyż a) istnieje wysokie prawdopodobieństwo, że zakupisz pełną wersję produkty b) nawet jak nie zakupisz to obdarujesz algorytmy Amazona ciekawym pakietem danych. Ten z pewnością przyda się firmie do zwiększenia wartości zakupów, których w firmie dokonasz.

Siły sprzedaży

Salesforce (pochodzący z Krzemowej Doliny dostawca narzędzi dla sprzedawców) jest właścicielem miliardów rekordów danychi o pracy przedstawicieli handlowych, więc firma stworzyła asystenta dla handlowców o dumnym imieniu Einstein.Zbierając mnóstwo danych, Einstein sugeruje sprzedawcom jak lepiej rozwijać kontakty (o której godzinie najlepiej zadzwonić, co warto poruszyć w rozmowie, kiedy ponowić kontakt z klientem) i szkoli chaty, aby lepiej obsługiwały klientów w sposób automatyczny. 

Algorytmy stają się inteligentniejsze i dzięki temu lepiej sugerują klientowi, który futerał na smartfona wybrać, który model okularów przeciwsłonecznych lepiej pasuje do jego twarzy czy które wino będzie dobre do średnio wysmażonego stęka.

Spójrz na to zdjęcie:

Algorytm sugeruje jak lepiej napisać zdanie. Po lewej stronie wersja autora, po prawej stronie sugestia algorytmu. Wszystko w czasie rzeczywistym, podczas pisania.

Częściowo nadzorowany

Powiedziałbym, że trochę tego i tamtego, trochę nadzoru i trochę jego braku. Jeśli masz jakieś dane, ale nie masz ich dużo (miliardy rekordów), a jednocześnie możesz całkiem dobrze oznaczyć dane (wskazać, ze kot to kot a pies to pies). Na przykład jestem wynajmującym nieruchomości i posiadam kilka tysięcy rejestrów osób mieszkających w powiecie. Wiem, kto mieszka w promieniu 20 kilometrów, aby móc dokładniej reklamować, ale brakuje mi np. wieku lokatorów. Mogę więc poprosić algorytm, aby napisał mi tekst reklamowy. Tekst będzie niedoskonały, ale i tak zyskam, gdyż a) algorytm zrobi to automatycznie (niskie koszty) b) wyprodukuje mi kilkanaście wariantów. W efekcie i tak podniosę konwersję w stosunku do tego gdybym zatrudnił tradycyjną agencję reklamową.

Oto jak to działa:

a) Modele uczenia maszynowego używają ograniczonego zestawu oznaczonych przykładowych danych do przeprowadzenia operacji.

b) Częściowo wytrenowany model nie może dać pełnych wyników, ale może częściowo odgadywać wzorce. Na przykład mogę zrozumieć trend wieku badanych w moich danych, ale nie mogę określić płci ani pochodzenia etnicznego badanych.

c) Na koniec łączę oznaczone i nieoznakowane zestawy danych i startuję algorytmy. Mój model jest modelem mieszanym, a więc częściowo nadzorowanym.

Zdjęcia Google

Popularna usługa codziennie otrzymuje prezent od miliardy ludzi. Zbiór danych. Przesyłamy zdjęcia bez opisania co na nich jest. Google początkowo nie wie, czy to but czy banan. Google oznaczył już banany i buty, więc może łatwo przeszukać naszą bazę danych i znaleźć banany w naszym stosie zdjęć. Za każdym razem, gdy Google prosi Cię o oznaczenie twarzy swojego teścia, uczy się Twoich prywatnych etykiet. Co więcej, wszystkie częściowo sfotografowane banany lub części butów, które trudno znaleźć, ostatecznie zostaną oznaczone przez algorytmy Google. W efekcie Google oznaczy wszystko dzięki nam i sobie. Łącząc algorytmy nadzorowane i nienadzorowane.

W tym przypadku aplikacje uczenia maszynowego pozwalają firmom na wykorzystanie niedoskonałych zestawów danych i ulepszanie zestawu danych i algorytmu w dłuższej perspektywie. 

Modele ML firmy Behavox mogą słuchać rozmów pracowników

Behavox to fascynująca firma. Początkowo technologia mogła słuchać rozmów pracowników dużych instytucji finansowych, aby wytropić kolejne oszustwo. Pracownicy dogadywali się z klientami, którzy za “małe wynagrodzenie” płacili za wskazanie akcji w które warto zainwestować. Delikatnie przekraczano granicę porady i wkraczano w obszar pośrednictwa.

Pomyśl, jak trudno jest zrozumieć e-maile, rozmowy telefoniczne, jeśli jesteś algorytmem. Żadnej struktury. To „szukanie wzorców” jest wybitnie trudne. Nie możesz oznaczyć wszystkich danych, a niektóre, które możesz oznaczyć są trudne do “złowienia”. Założę się, że firma wykorzystuje nienadzorowane algorytmy uczenia maszynowego. Algorytm wykonuje etykietowanie, aby zapewnić realny model analityczny tekstu lub mowy ze spójną transkrypcją opartą na małej próbce.

Podsumowanie

Mam nadzieję, że udało mi się pomóc Tobie zrozumieć jakie są różnice pomiędzy nadzorowanymi, nienadzorowanymi i częściowo nadzorowanymi modelami uczenia maszynowego. Co możesz zrobić dalej, aby pójść w stronę zastosowania sztucznej inteligencji:

A) Zadaj sobie pytanie czy posiadane przez Twoją firmę dane są dobrze oznaczone. Wówczas możesz spróbować jakie osiągniesz efekty z wykorzystania algorytmów nadzorowanych

B) Jaką masz strategię biznesową? Jeśli działasz na rynku konsumenta, z pewnością posiadasz miliardy rekordów danych. Nienadzorowane algorytmu mogą w nich znaleźć nowe, atrakcyjne wzorce z których możesz wyjść do zaprojektowania nowej usługi lub produktu.

C) Czy jesteś zainteresowany eksperymentowaniem i inwestujesz w R&D? Warto zobaczyć jaką część budżetu przeznaczasz na badania i rozwój, może się okazać, że Twoi klienci chętnie wezmą udział w eksperymencie. Podobnie jak Google możesz ich poprosić o ich dane z którymi zbudujesz inteligentne algorytmy.

Zapisz się do newslettera jeśli masz ochotę i otrzymuj teksty na maila.

.