AI-technologieën die er nu toe doen: mensen, processen en potentieel verbeteren

Geleverd door SAS

Jim Goodnight is mede-oprichter en CEO van SAS.

Van massasurveillance tot gedachtenleesmachines, elke nieuwe dag lijkt een andere alarmerende voorspelling te brengen over het potentieel van kunstmatige intelligentie om de wereld te veranderen.

Maar we besteden te weinig aandacht aan de praktische AI-toepassingen die dagelijks in gebruik zijn. Deze real-world applicaties zijn niet griezelig of futuristisch. Sommigen van hen zou je zelfs alledaags kunnen noemen. Maar ze bieden praktische waarde voor bedrijven en consumenten, en ze leiden ons niet naar een naderend onheil.

AI heeft het potentieel om onze wereld te veranderen. Maar het zal dat niet doen door middel van bewuste robots of computers die de controle van mensen wegnemen. De AI-toepassingen die we zien, zullen de menselijke activiteit vaker vergroten dan vervangen.

Terwijl we getuige blijven van toegenomen rekenkracht en een meer verbonden wereld, zullen praktische AI-technologieën zoals natuurlijke taalverwerking , computer visie , En in het bijzonder machine learning zal toenemen en nog nuttiger worden. Dit zijn de praktische toepassingen van AI die ons leven zullen verbeteren.

Gegevenswetenschappers beoordelen warmtekaarten met computervisie die worden gebruikt bij het identificeren van dierensporen voor instandhoudingsinspanningen. Met dank aan SAS

Natuurlijke taalverwerking . Vandaag heb je toegang tot AI in je zak. Ik kan mijn mobiele telefoon vragen wat de temperatuur buiten is of hoe laat de supermarkt langs de weg voor vandaag sluit. Mijn telefoon begrijpt mijn vraag, heeft online toegang tot het antwoord en beantwoordt mijn vraag in mijn taal.

Het vermogen om taal te interpreteren en te verwerken is een snelgroeiend gebruik voor AI. Buiten persoonlijk gebruik op onze telefoons kan het genereren van natuurlijke taal context bieden voor de resultaten die u in een rapport ziet, de output van een machine learning-model uitleggen of vragen of u verdere analyses wilt. Deze verbale uitleg kan complexe analyses voor meer mensen toegankelijk maken, zelfs als ze geen diepgaande achtergrond in analyse hebben.

Natuurlijke taalverwerking ondersteunt ook chatbots die online informatie aan klanten verstrekken. Als je gaat naar sas.com en ervoor kiest om te chatten, gebruiken we onze eigen technologie om met klanten in contact te komen. We hebben nog steeds live, menselijke chatvertegenwoordigers. Maar voor veel van de verzoeken die mensen hebben, kan een computer geautomatiseerde antwoorden geven. Dat maakt onze chatmedewerkers vrij om zich te concentreren op complexere vragen.

Computer visie. Een andere manier om AI te demonstreren is door middel van computervisie. Deze methode blijft nieuwe en innovatieve use-cases vinden.

Artsen gebruiken computervisie om tumoren op medische beelden te meten en te classificeren. Natuurbeschermers gebruiken computervisie om foto's van voetafdrukken van dieren te analyseren om bedreigde diersoorten te monitoren zonder invasieve tags.

Natuurlijk is computervisie ook cruciaal voor zelfrijdende voertuigen, waaronder auto's, vrachtwagens en bedrijfsvoertuigen die in fabrieken en magazijnen worden gebruikt. Verschillende bedrijven zijn baanbrekende voertuigen die computervisie en sensoren gebruiken om de wereld om hen heen te zien. De technologie geeft de voertuigen 360 graden uitzicht, met lasers die objecten tot honderden meters afstand detecteren.

Computervisie drijft ook de toekomst van de detailhandel aan, van kassaloos afrekenen tot visuele aanbevelingen tot het voorspellen van de vraag.

Machinaal leren . Nieuwe toepassingen van AI en voorspellende analyses hebben het potentieel om bijna elk facet van elke organisatie te veranderen. Neem anti-witwastechnologie (AML). Honderden organisaties over de hele wereld gebruiken AML om problematische of illegale financiële transacties over de hele wereld te identificeren. Door AI en machine learning toe te voegen aan bestaande AML-technologie, hebben we het aantal valse positieven met 50% tot 70% verminderd. Dat betekent minder transacties voor handmatige interventie, waardoor het personeel zich meer kan concentreren op zaken die echt schadelijk zijn voor het bedrijf en zijn klanten.

Veel van mijn favoriete AI-gebruikscasussen hebben hetzelfde element om mensen productiever te maken. AI en machine learning kunnen belangrijk werk dat al over de hele wereld wordt gedaan, verbeteren en uitbreiden. Ze nemen wat al werkt en maken het beter.

Veel mensen vragen welke machine learning-modellen voor welke problemen moeten worden gebruikt. Laten we vier typen machine learning-modellen bekijken en enkele scenario's beschrijven waarin ze vaak worden gebruikt.

1. Neurale netwerken. In de financiële wereld helpen neurale netwerken onderzoekers fraude op te sporen en te stoppen door trends in miljoenen transacties aan het licht te brengen. ERGO, een Duitse verzekeringsmaatschappij, gebruikt voorspellende analyses van SAS om onterechte claims op te sporen. Klanten gebruiken ook neurale netwerken in hun gebouwen om het stroomverbruik te optimaliseren en mechanische storingen te voorspellen.
2. Beslissingsbomen. Door het gebruik van beslisbomen hebben we het snelgroeiende Wake County, North Carolina, geholpen om taxaties van onroerendgoedbelasting eerlijker en nauwkeuriger te maken. We werken samen met veel belastingdiensten om belastingfraude op te sporen en burgers te vinden die hun inkomen te laag hebben opgegeven.
3. Regressie methoden. Regressiemethoden zijn een beproefde statistische praktijk en vinden nieuw leven in het AI-tijdperk. We kunnen deze technologie gebruiken om de doelmarkten beter te begrijpen. Voor overheidsinstanties kunnen regressiemethoden helpen bij het identificeren van fraude en verspilling in bestaande programma's. Voor banken en financiële dienstverleners kan het leiden tot betere risicobeoordelingen en de basis leggen voor een adaptief, nauwkeuriger antiwitwasprogramma.
4. Voorspelling. Met prognoses kunnen grote overheidsprogramma's rekening houden met veranderingen in de bevolking en begrijpen hoe deze verschuivingen de overheidsdiensten beïnvloeden. In de sector van de elektriciteitsopwekking houden bedrijven het elektriciteitsnet voortdurend in de gaten en onderzoeken ze weergegevens om er zeker van te zijn dat de stroom er is wanneer je het nodig hebt. Eni, een Italiaans energiebedrijf, gebruikt SAS voorspellende analyses om geologische brongegevens te controleren, op te schonen en voor te bereiden. Dit helpt Eni bij het automatiseren en verfijnen van zijn olie-exploratieproces.

Veel factoren zijn de drijvende kracht achter de hype en interesse in AI: internet, de digitalisering van analoge gegevens, het toegenomen gebruik van afbeeldingen en video om te communiceren, het internet der dingen en ons vermogen om deze gegevens vast te leggen en op te slaan met cloudtechnologieën.

Na meer dan 40 jaar analysesoftware te hebben ontwikkeld en geïmplementeerd, heb ik een optimistische kijk op technologie en het vermogen ervan om ons menselijk potentieel te vergroten en te vergroten.

Hoewel AI bepaalde banen en industrieën zal verstoren en veranderen, hebben wij als mensen de nieuwsgierigheid en passie om deze krachtige technologieën te sturen om te bereiken wat ooit onmogelijk was. Creativiteit, probleemoplossing en het vermogen om samen te werken met diverse teams zullen nog belangrijker worden naarmate we de toekomst tegemoet gaan met AI. Samen met technologie zal de mens ons leven en de wereld om ons heen blijven verbeteren.

zich verstoppen