Sztuczna inteligencja, nauczanie maszynowe i optymalizacja decyzji
Jesteśmy świadkami gwałtownego rozwoju obszaru sztucznej inteligencji. W związku z tym pojęcie sztucznej inteligencji (Artificial Intelligence) jest nadużywane na wiele sposobów: nowe startupy obsesyjnie wykupują domeny internetowe z końcówką „ai”, produkty analityczne zyskują nagle dopisek „AI”, często pojęcia „sztuczna inteligencja” i „nauczanie maszynowe” są stosowane zamiennie, co najczęściej wprowadza dezorientację wśród klientów i wygórowane oczekiwania co do samych produktów.
Sztuczna Inteligencja nadchodzi wielkimi krokami jednak niepotrzebny „hype” tylko jej szkodzi.
Dlatego chciałbym odejść od debaty „AI versus ML” i przytoczyć tradycyjny, ale dużo bardziej użyteczny, podział obszaru sztucznej inteligencji na trzy różne intencje, mające swoje odpowiedniki w obszarach analityki biznesowej:
- Pierwszą intencją jest opisywanie świata, co odpowiada analityce opisowej. Wykorzystuje ona dane historyczne, aby wydobyć z nich trendy, zależności, korelacje i zrozumieć przyczyny określonych zdarzeń.
- Następna intencja związana jest z analityką predyktywną, gdzie, w wielkim skrócie, wykorzystuje się dane historyczne, żeby „przewidzieć” z pewnym prawdopodobieństwem określoną wartość np. prawdopodobieństwo wystąpienia choroby u pacjenta, dokonania zakupu przez klienta, itp.
- Trzecim typem intencji odpowiadającym analityce preskryptywnej (od presciption, tj. recepty) jest przygotowanie planu działań konkretnych działań do wykonania w zależności od postawionego celu i wprowadzonych warunków brzegowych lub ograniczeń.
Każdą z opisanych intencji możemy realizować na bardzo różne sposoby, dlatego byłoby błędem przypisywać np. nauczanie maszynowe wyłącznie do jednego z tych obszarów.
Budujemy model optymalizacyjny
Trzeci i najmniej używany przez specjalistów Data Science obszar analityki preskryptywnej opiera się m.in. na algorytmie simplex i na pojęciu tzw. programowania liniowego (linear programming). W najprostszym scenariuszu budujemy model rozwiązujący problem w optymalny sposób przy odpowiednio postawionym celu i odpowiednio zdefiniowanych ograniczeniach.
Posłużę się prostym przykładem, aby lepiej można było uzmysłowić sobie, jak budujemy taki model. Wyobraźmy sobie Janka, który bierze udział w konkursie jedzenia ciastek na czas. Janek może jeść pączki lub jagodzianki. Zjedzenie jednego pączka zajmuje 2 minuty i Janek otrzymuje za każdego zjedzonego pączka 4 punkty. Zjedzenie jednej jagodzianki zajmuje 3 minuty, natomiast każda zjedzona jagodzianka to dodatkowe 5 punktów. Jakie ciastka i ile ich powinien zjeść Janek? Jak zmieni się sytuacja, jeśli nieznacznie zmieni się system punktowy? Optymalizacja decyzji pozwala na szybkie zbudowanie odpowiednich scenariuszy z konkretnym planem działań.
Gdzie możemy wykorzystać taką optymalizację? Wszędzie, gdzie mamy do realizacji konkretny cel ilościowy i ograniczone zasoby, którymi możemy odpowiednio manewrować. Planowanie rozkładu własnego dnia, wybór kariery, zaplanowanie własnej diety – to kilka przykładów na poziomie osoby. Z kolei organizacje mogę wykorzystać optymalizację decyzji do tworzenia harmonogramu pracowników, projektowania portfela inwestycyjnego, konfiguracji taśmy produkcyjnej, planowania spedycji i transportu, itp.
Wykorzystaj Watson Studio do optymalizacji
Wszystkie trzy obszary analityki mają swoje narzędzia i miejsce w aplikacji Watson Studio. Watson Studio służy do pracy z danymi i możesz go używać zupełnie za darmo po założeniu konta na chmurze IBM Cloud – https://cloud.ibm.com/registration
Najciekawsze efekty możemy uzyskać wykorzystując wszystkie trzy intencje z proponowanego powyżej podziału. Mocną stroną analityki opisowej jest zrozumienie najważniejszych trendów i charakterystyk w danych. Siłą nauczania maszynowego jest wyodrębnienie nieznanych cech danych w oparciu o powtarzalne wzorce. Z kolei moc optymalizacji decyzji polega na zaproponowaniu przez model zbioru decyzji prowadzących do optymalnego celu ilościowego przy założonych ograniczeniach. Świetnym przykładem jest opisany przez kolegę przypadek użycia w kampanii marketingowej - https://www.ibm.com/cloud/garage/dte/tutorial/ibm-decision-optimization-ibm-watson-studio-market-campaign
Jeśli chciałbyś dowiedzieć się więcej o tym, jak wykorzystujemy optymalizację decyzji w IBM – weź udział w wirtualnej konferencji Cloud and AI Forum by IBM, która rozpocznie się 17 marca o 10:00. Zapraszam do rejestracji: https://ibm.biz/Bdfsb5 i udziału w mojej sesji dedykowej programistom.
Michał Kordyzon
Data Scientist at Hybrid Cloud Build Team
IBM Polska i Kraje Bałtyckie
