6 Probleme, die KI gut lösen kann

    Über 85% der Data-Science-Projekte schaffen es nicht, über das Testen hinaus in die Produktion zu gehen. Wenn jeder ein Projekt für maschinelles Lernen und künstliche Intelligenz startet, was läuft dann schief? 

Dieser Beitrag soll Ihnen helfen, sich auf die Arten von Problemen zu konzentrieren, die mit KI gut gelöst werden können. Um tatsächlich von der Nutzung von KI zur Steigerung der Automatisierung zu profitieren, müssen Sie über die richtigen Daten verfügen, genügend Daten haben, eine Methodik haben, die mit Datenpunkten definiert werden kann, und kreativ sein, wenn es darum geht, wie Sie Lösungen für Teile des Arbeitsablaufs Ihres Teams anwenden oder entwickeln können.

Beispiele für Problemlösungen mit AI

        
1) Einstufung (Entscheidungen)
      
    
Binäre Entscheidungen: Kaufen oder Verkaufen; Ja oder Nein; Start oder Stop 
Einstufung: Genehmigt, abgelehnt oder zur weiteren Überprüfung gekennzeichnet; Kennzeichnungsdaten 
Stimmung: Negativ, neutral oder positiv und sogar eine Polaritätsbewertung
        
        
2) Extraktion (automatische Dateneingabe)
       
    
Analysieren eines Quelldokuments, einer Website, einer PDF-Datei oder eines Formulars
Extrahieren Sie diese Informationen und geben Sie sie automatisch und sauber in Ihre Datenbank ein. 
Anzeigen oder Abrufen von Daten in den internen und kundenorientierten Dashboards Ihres Unternehmens
     
        
3) Zusammenfassungen
       
    
Ziel ist es, die relevantesten Sätze aus einem größeren Textstück zu extrahieren. Extraktive Modelle wählen ganze Sätze aus, die in eine Zusammenfassung aufgenommen werden, und abstraktive Modelle wählen Teile von Sätzen aus, die mit computergenerierten Wörtern und Teilen anderer Sätze kombiniert werden.
      
        
4) Empfehlung
       
    
Bei einer Reihe von Dokumenten (oder Artikeln, Inhalten, Patenten, Kundenprofilen usw.) identifizieren Sie ähnliche Inhalte in der Datenbank, die Sie durchsuchen.
      
        
5) Schätzung
      
    
Möglicherweise benötigen Sie keine künstliche Intelligenz, um ein besseres Schätzmodell zu erstellen, es sei denn, Sie haben so viele Daten, dass das Öffnen von Excel Ihren Computer zum Absturz bringt, weil Ihre Kalkulationstabelle mehr als 100.000 Zeilen und viele Variablen enthält. Maschinelles Lernen kann für Hunderte von Dimensionen optimieren, wenn Sie nicht sicher sind, wie wichtig alle Variablen sind. 

Denken Sie an die Modellierung aller Faktoren, die sich auf die Gesundheit einer Person auswirken, unter Verwendung von Bevölkerungsdaten über die gesamte Lebensdauer hinweg, im Gegensatz zur Modellierung von Hauspreisen auf der Grundlage von Postleitzahl, # der Schlafzimmer und Größe.

6) Erkennung von Anomalien

    
Denken Sie an Cyber-Sicherheit. Ihre IT-Abteilung hat ein Gespür für die normalen Aktivitäten aller Mitarbeiter Ihres Unternehmens und muss alarmiert werden, wenn tatsächliche Risiken für Ihr Unternehmen bestehen. Beispiel: Hacker dringen in Ihr Netzwerk ein und stehlen die IP Ihres Unternehmens. 

Auch wenn es unmöglich ist, im Voraus zu wissen, wie die tatsächliche Form des Angriffs aussehen wird, kann ein Modell zur Erkennung von Anomalien eingesetzt werden, um nach Verhaltensabweichungen zu suchen, z. B. nach einer 10.000%-Spitze bei den Anmeldungen oder nach ausgehendem Datenverkehr, der an einen Server im Ausland geht.