Transformer l'apprentissage en machine de l'idée à la pratique: un cadre

Quand j'ai appris à nager pour la première fois, j'étais obligé de faire face à mes peurs et de plonger dans l'eau. Même si c’était effrayant, c’est un moyen très efficace d’apprendre. Les coups de dos sont maintenant l’une des choses que j’aime le plus à la natation. Une sagesse ancestrale des Bateke ratifie cette façon d'apprendre:

Vous apprenez à abattre les arbres en les abattant

De nos jours, je vois des organisations submergées par de machine learning . ] (Et d’autres technologies de la nouvelle génération) principalement en raison d’un contenu omniprésent faisant allusion aux conditions préalables requises en matière de compétences, d’infrastructure, de données, etc., dans la mesure où la valeur de ML pour les entreprises semble incertaine. Leur expérience me rappelle ma peur initiale lors de cette première leçon de natation, mais une recommandation se démarque des autres:

Arrêtez de regarder ML du bord. Sautez dans la piscine et pratiquez.

En tant que praticien expérimenté en maîtrise du blanchiment, je voudrais partager mes réflexions et un cadre permettant aux entreprises de commencer à réduire le blanchiment de capitaux afin de mettre en pratique et d'obtenir de précieux résultats. Mais avant d’intervenir, j’aimerais définir le contexte avec un exemple de moment d’apprentissage précieux.

Découverte

Alors que l’automne s’installe à Chicago, j’ai commencé à courir régulièrement en soirée. À une de ces occasions, j’ai pris cette photo de la skyline de Chicago avant de prendre une pause pour baver du contenu en ligne.

Je suis tombé sur un article Medium détaillant un package intitulé ImageAI , développé par Moses Olafenwa . Cette bibliothèque Python est conçue pour permettre aux développeurs de créer des systèmes dotés de capacités autonomes d’apprentissage en profondeur et de vision par ordinateur, à l’aide de lignes simples et de quelques lignes de code. Mon intérêt étant piqué, je cliquai sur «sauvegarder» pour relire l'article plus tard et je rentrai chez moi au crépuscule.

Consommation

J'ai décidé d'essayer cette méthode moi-même. J'ai configuré les dépendances, telles que Tensorflow, OpenCV et Keras, et j'ai commencé à réduire le code afin de s'exercer à utiliser la photo de ma course du soir. Lorsque je cliquais sur «Exécuter», la sortie se déroulait et je découvrais des boîtes de délimitation précises détectant des objets (une personne, une bicyclette et un bateau).

Idéation

Cette activité consistant à réduire le package prêt à l’emploi pour la pratique a déclenché des scénarios pourrait être utile pour les fabricants de machines industrielles et de composants avec lesquels je travaille. Cela leur permettrait d'optimiser ou d'étendre leurs processus métier pour faire face aux nouveaux défis et opportunités. Voici quelques-uns de ces cas:

• Tâches aléatoires de sélection de bacs : Au lieu de programmes manuels, les robots pourraient apprendre à détecter des objets devant être récupérés par apprentissage en profondeur. Voici un exemple montrant comment Fanuc, le plus grand fabricant de robots industriels au monde, utilise l’apprentissage par renforcement en profondeur pour automatiser des tâches telles que la corbeille à papier.

• Gestion automatisée des stocks: Le comptage manuel des stocks est un processus fastidieux et coûteux, encombré d'erreurs de comptage. L'apprentissage en profondeur améliore le jeu ici. J'ai testé ImageAI sur une autre image de mes courses qui mettait en vedette beaucoup de gens. Voici ce que j'ai observé:

Remplacez les personnes par des objets et vous disposez d'une application de comptage d'inventaire. De nombreux articles, tels que celui-ci, traitent des applications de test de la vision par ordinateur dans ce domaine.

• Contrôle visuel du contrôle de la qualité: Les contrôles visuels axés sur l'apprentissage en profondeur se révèlent très utiles. plus précis que les inspections humaines dans les cas où les inspections de produits ne conviennent pas à l'œil nu. Par exemple, la fabrication de puces ou d'ensembles complexes construits à l'aide de la fabrication additive ou de l'impression 3D convient parfaitement aux applications de vision par ordinateur. Landing.ai, une entreprise créée par le grand Andrew NG, a mis au point un cadre nécessitant un très petit ensemble de données de formation pour pouvoir démarrer.

Quel est le cadre pour amener l'IA / ML à une pratique axée sur la valeur?

L'apprentissage automatique / l'IA a atteint un niveau tel que les entreprises explorent réellement des processus susceptibles d'être augmentés ou transformés par le biais de ML. Cependant, toutes les organisations ne possèdent pas les compétences en matière de blanchiment d'argent et d'intelligence artificielle des grands fournisseurs de technologies et sont donc débordées. Que devraient faire ces organisations?

1. Avant tout, comprenez la chaîne de valeur de l’apprentissage automatique et votre rôle

Connaissez votre position dans la chaîne de valeur de la ML / IA. Il existe des fabricants de puces (Nvidia, Graph core), des fabricants d’algorithmes (Baidu, Google) des fournisseurs de plateformes et d’infrastructures (AWS, GCP, SCP, Azure) fournisseurs de solutions d'entreprise (SAP, MS) fournisseurs de solutions sectorielles et entreprises clientes (GSK, GE, Wal-Mart, etc.) . Comme vous pouvez l’imaginer, votre rôle dépend de votre position dans la chaîne de valeur; par conséquent, vous devez aborder les opportunités ML / AI différemment. Par exemple, un employé de Google, qui est à la fois producteur et consommateur d'IA, pourrait soit créer de nouveaux algorithmes, soit tester les algorithmes existants pour une nouvelle application, mais un employé d'une autre société se concentrerait davantage sur la consommation axée sur la valeur en: utiliser ce que les acteurs en amont fournissent.

En tant qu'employé, déterminez votre rôle dans la chaîne de valeur de ML et fixez vos objectifs en conséquence.

2. Découvrir, consommer, valoriser

Étant donné le temps pressant pour mettre de nouvelles idées sur le marché, il n’ya guère de sens de se laisser prendre dans les boucles sans fin de l’apprentissage de ces technologies complexes. Ayasdi, une société de plate-forme d'IA, pointe sur l'énorme opportunité de consommer les packages et approches d'IA existants. Il faut maintenant consommer les packages existants sur Github, les API ML proposées par des sociétés telles que MS, Google, SAP et AWS, et tester des scénarios pouvant apporter des avantages significatifs.

Tout l'intérêt de Amazon à Deep Lens et Google Cloud AutoML permettent aux développeurs de trouver des applications quasi infinies d’analyses vidéo, image et texte basées sur un apprentissage en profondeur. La chaîne de découverte, consommation, idéation que nous avons vue avec le scénario de détection d’objet ci-dessus pourrait très bien s’appliquer à votre entreprise, ce qui réduirait à son tour la pratique du BC. Ce pourrait être potentiellement la description de travail de facto des équipes chargées de tâches de ML et AI dans de telles entreprises.

3. Pensez en termes d'échelle et d'ordre de changement

Dans son livre « Enlightenment Now », Steven Pinker mentionne l'échelle et l'ordre de changement comme un critère important pour toute décision politique déterminante. Les critères pour les applications des scénarios ML et AI ne devraient pas être différents.

Au lieu de créer à partir de zéro sans échelle ni valeur en tête, vous devez rechercher pour la taille et la valeur.

Après avoir découvert-consommé-idéal phase, les scénarios présélectionnés pourraient être testés en termes de temps et d’argent dépensés par formation ou tâche d’inférence par rapport à la valeur générée pour le client final. En termes économiques simples, il est nécessaire de maximiser à la fois la chaîne logistique et le surplus du consommateur.

J'ai rencontré des entreprises qui font justement cela – elles ont des scénarios en tête, elles découvrent des packages / papers / APIs / Github pour des applications, ils s’appliquent dans leur contexte et cherchent des moyens d’améliorer la performance puis de s’inspirer davantage de scénarios.

En d’autres termes, ils franchissent le pas.

Cliquez ici pour en savoir plus sur la chaîne de valeur de l'IA .

<! – Commentaires ->