6 problemi che l'intelligenza artificiale è in grado di risolvere

Oltre 85% dei progetti di scienza dei dati non riescono a superare i test e ad andare in produzione. Se tutti stanno avviando un progetto di Machine Learning/Intelligenza Artificiale, dove si sta sbagliando? 

Questo post dovrebbe aiutarvi a concentrarvi sui tipi di problemi che l'IA è in grado di risolvere. Per trarre effettivamente vantaggio dall'utilizzo dell'IA per aumentare l'automazione, è necessario disporre dei dati giusti, di un numero sufficiente di dati, di una metodologia che possa essere definita con i punti di dati e di una certa creatività nel capire come applicare o creare soluzioni per parti del flusso di lavoro del vostro team.

Esempi di risoluzione di problemi con l'IA

        
1) Classificazione (decisioni)
Decisioni binarie: Comprare o vendere; Sì o No; Iniziare o Fermare 
Categorizzazione: Approvato, negato o segnalato per ulteriore revisione; dati di etichettatura 
Sentimento: Negativo, Neutro o Positivo e anche un punteggio di polarità.
2) Estrazione (inserimento automatico dei dati)
Analizzare un documento di origine, un sito web, un PDF o un modulo
Estraete e inserite automaticamente queste informazioni nel vostro database. 
Visualizzate o accedete ai dati nei dashboard interni e rivolti ai clienti della vostra azienda.
3) Riassunto
L'obiettivo è estrarre le frasi più rilevanti da un testo più ampio. I modelli estrattivi selezionano frasi intere da includere in un riassunto, mentre i modelli astraenti selezionano parti di frasi che vengono combinate con parole e parti di altre frasi generate dal computer.
4) Raccomandazione
Dato un insieme di documenti (o articoli, contenuti, brevetti, profili di clienti, ecc.), è possibile identificare contenuti simili all'interno del database che si sta cercando.
5) Stima
 
Non è necessario ricorrere all'IA per costruire un modello di stima migliore, a meno che non si disponga di un numero di dati tale che l'apertura di Excel mandi in crash il computer perché il foglio di calcolo ha più di 100.000 righe e molte variabili. L'apprendimento automatico può ottimizzare per centinaia di dimensioni quando non si è sicuri dell'importanza di tutte le variabili. 

Si pensi alla modellazione di tutti i fattori che influenzano la salute di un individuo utilizzando una vita di dati demografici rispetto alla modellazione dei prezzi delle case in base al codice postale, al numero di camere da letto e alle dimensioni.

6) Rilevamento delle anomalie

    Pensate alla sicurezza informatica. Il vostro reparto IT ha un'idea della normale attività di tutti i dipendenti della vostra azienda e deve essere avvisato quando ci sono rischi reali per la vostra azienda. Esempio: gli hacker si infiltrano nella rete e rubano l'IP dell'azienda. 

Sebbene sia impossibile prevedere in anticipo quale sarà l'effettiva forma di attacco, è possibile implementare un modello di rilevamento delle anomalie per cercare deviazioni nel comportamento, come un picco di 10.000% negli accessi o il traffico in uscita verso un server situato all'estero.