#130 Produktivierung von entscheidungsbasierter Künstlicher Intelligenz
Subscribe to get the latest
on Wed Mar 22 2023 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Matthew Pulsipher,
In dieser Episode interviewt Darren seinen Sohn Matthew Pulsipher über die Produktisierung von entscheidungsbezogener künstlicher Intelligenz. Matthew hat kürzlich seine Produktentwicklungspipeline modernisiert, um entscheidungsbezogene künstliche Intelligenz in seine Produktentwicklung einzubeziehen.
Keywords
#collectiongenerativeai #ai #decisionalai #aiproductization #people #process
In dieser Episode führt Darren Pulsipher, Chief Solution Architect des öffentlichen Sektors bei Intel, ein Interview mit seinem Sohn Matthew Pulsipher, einem Produktmanager, über die Produktentwicklung von Entscheidungs-KI. Matthew erklärt, dass generative KI auf allgemeinen Datensätzen basiert und gut für allgemeine Wissensfragen geeignet ist, aber Vorhersagbarkeit und Determinismus fehlen, wodurch es schwierig wird, Prozesse zu automatisieren. Entscheidungs-KI hingegen ist einfacher im Umfang, aber fokussierter im Kontext und ermöglicht datenbasierte Entscheidungen basierend auf den spezifischen Unternehmensanforderungen. Matthew teilt seine Erfahrungen bei der Integration von Entscheidungs-KI in Produkte und betont die Bedeutung des Kontexts bei KI.
Art der künstlichen Intelligenz
Es gibt verschiedene Arten von KI und jede hat eine einzigartige Fähigkeit, Organisationen dabei zu unterstützen, Prozesse zu automatisieren, Geschäftsentscheidungen zu treffen und menschliche Arbeit zu ergänzen. Entscheidungsorientierte KI wird hauptsächlich für die Entscheidungsfindung eingesetzt und basiert auf Modellen, die aus früheren Daten generiert wurden. Vorhersagende KI hingegen generiert Vorhersagewerte auf der Grundlage von benutzerdefinierten Modellen und Datensätzen. Das Training von Modellen ist entscheidend für die Bereitstellung und Implementierung von KI-Lösungen. Der Schlüssel besteht darin, ein reales Problem zu identifizieren, das betrieblich relevant und innerhalb eines vernünftigen Zeitrahmens erreichbar ist.
KI zur Prozessoptimierung
Künstliche Intelligenz (KI) kann eingesetzt werden, um Entscheidungsprozesse in Unternehmen zu optimieren. Es ist wichtig, den Umfang der Fähigkeiten der KI auf einen bestimmten Satz von Optionen zu begrenzen, um das System nicht zu überlasten und den Entscheidungsprozess effizienter zu gestalten. KI eignet sich besonders für wiederholte Prozesse, datenbasierte Entscheidungen und subjektive Bewertungen durch Menschen. Zum Beispiel kann ein Finanzinstitut KI einsetzen, um Führerscheine mithilfe extrahierter Daten zu validieren. Durch kontinuierliches Training durch Benutzerfeedback kann die Entscheidungsfähigkeit der KI verbessert werden und letztendlich die Notwendigkeit menschlicher Überprüfung vollständig ersetzen. Das Indexierungsprojekt von Ancestry.com ist ein Beispiel dafür, wie verstärkendes Lernen den Bedarf an menschlicher Beteiligung im Laufe der Zeit reduzieren kann.
Mensch in der Schleife
Beim Aufbau eines maschinellen Lern-Backends ist es unerlässlich, die Bedürfnisse des Benutzers im Auge zu behalten. Das Ziel besteht darin, den aktuellen Prozess zu optimieren und Unterstützung anzubieten, um die Arbeit effektiver zu erledigen. Um dies zu erreichen, ist es entscheidend, Benutzer in ihrer aktuellen Umgebung zu interviewen und zu beobachten, um ihr Verhalten zu verstehen, Ineffizienzen zu identifizieren und eventuelle nicht dokumentierte Schlussfolgerungen festzuhalten. Dadurch können Sie die Daten so aufbereiten, dass sie vor der Übermittlung an das Modell Schlussfolgerungen herausfiltern, was zu genaueren Ergebnissen basierend auf menschlichem Verhalten führt. Es ist wichtig, sich daran zu erinnern, dass die Schlussfolgerungen oft wichtiger sind als die Rohdaten und dass durch das Verständnis des Verhaltens und der Bedürfnisse des Benutzers ein besseres KI-Produkt entwickelt werden kann.
Ein weiterer Schlüsselfaktor bei der Bereitstellung von KI ist der menschliche Faktor. Es geht darum, den richtigen Kontext zu schaffen, um die Angst vor Arbeitsplatzverlust bei der Implementierung von Automatisierung zu vermeiden. Wie man mit potenziellen KI/menschlichen Problemen umgeht, wie zum Beispiel Stakeholder, die die für sie eingerichtete KI umgehen. Eine Lösung besteht darin, die Schnittstelle so zu gestalten, dass klar wird, wann ein Benutzer einen bestimmten Datensatz überprüft hat und bei Bedarf Überschreibungen bereitzustellen. Darüber hinaus kann das Befragen der Stakeholder nach ihren Gründen für das Umgehen des Systems dazu beitragen, das Modell zu verbessern und das Ausnutzen der API zu verhindern. Letztendlich können KI und Menschen zusammenarbeiten, um bessere Ergebnisse zu erzielen.
Künstliche Intelligenz kann sich um einfache Aufgaben kümmern, wenn sie gut geschult ist, und Menschen können im Laufe der Zeit lernen, KI besser zu nutzen. Durch den Aufbau von kooperativen Schnittstellen wird KI zum Teammitglied anstatt eines kalten Algorithmus, was natürlichere Interaktionen ermöglicht und dazu beitragen kann, dass sie besser lernt. KI wird in jedem Beruf, der mit Interessengruppen zu tun hat, die menschliche Daten verarbeiten, als unverzichtbar gelten, aufgrund der involvierten Vielfalt.