#130 Produttivizzare l'IA Decisionale
Subscribe to get the latest
on 2023-03-23 00:00:00 +0000
with Darren W Pulsipher, Matthew Pulsipher,
In questo episodio, Darren intervista suo figlio Matthew Pulsipher riguardo alla produttivazione dell'IA decisionale. Matthew ha di recente modernizzato e inserito nell'iter di sviluppo del prodotto l'IA decisionale.
Keywords
#decisionalai #generativeai #machinelearning #datamanagement #people
In questo episodio, Darren Pulsipher, Chief Solution Architect del Settore Pubblico presso Intel, intervista suo figlio Matthew Pulsipher, un Product Manager, sulla produttività dell’Intelligenza Decisionale AI. Matthew spiega che l’Intelligenza generativa AI è costruita su dataset generali ed è buona per domande di conoscenza generale, ma manca di prevedibilità e determinismo, rendendo difficile l’automazione dei processi. L’Intelligenza Decisionale AI, d’altra parte, è più semplice nella sua portata ma più focalizzata nel contesto, consentendo di prendere decisioni basate sui dati in base alle specifiche esigenze aziendali. Matthew condivide la sua esperienza nell’integrazione dell’Intelligenza Decisionale AI nei prodotti e sottolinea l’importanza del contesto nell’Intelligenza Artificiale.
Tipo di intelligenza artificiale
Ci sono diversi tipi di intelligenza artificiale, e ognuno ha una capacità unica di aiutare le organizzazioni ad automatizzare processi, prendere decisioni aziendali e potenziare il lavoro umano. L’intelligenza artificiale decisionale viene utilizzata principalmente per prendere decisioni ed è basata su modelli generati da dati precedenti. Al contrario, l’intelligenza artificiale predittiva genera valori previsti basati su modelli personalizzati e set di dati. Allenare i modelli è fondamentale per l’implementazione e l’utilizzo di soluzioni di intelligenza artificiale. La chiave è identificare un problema reale che sia rilevante dal punto di vista operativo e realizzabile entro un periodo di tempo ragionevole.
Per ottimizzare i processi.
L’intelligenza artificiale (AI) può essere utilizzata per ottimizzare i processi decisionali nelle aziende. È importante limitare le capacità dell’AI a un insieme specifico di opzioni, in modo da non sovraccaricare il sistema e rendere il processo decisionale più efficiente. L’AI è particolarmente adatta per i processi che vengono ripetuti, coinvolgono decisioni basate sui dati e richiedono valutazioni soggettive umane. Ad esempio, un istituto finanziario può utilizzare l’AI per convalidare le patenti di guida utilizzando i dati estratti. Un addestramento continuo attraverso il feedback degli utenti all’AI può migliorare le sue capacità decisionali e alla fine sostituire del tutto la necessità di revisioni umane. Il progetto di indicizzazione di Ancestry.com è un esempio di come l’apprendimento rinforzato possa ridurre la necessità di coinvolgimento umano nel tempo.
Umano nella catena (di lavorazione)
Quando si sviluppa un backend di apprendimento automatico, è essenziale tenere presente le esigenze dell’utente. L’obiettivo è ottimizzare il loro processo attuale e fornire un aiuto che li aiuti a svolgere il loro lavoro in modo più efficace. Per raggiungere questo obiettivo, è fondamentale intervistare e osservare gli utenti nel loro ambiente di lavoro attuale al fine di comprendere il loro comportamento, identificare inefficienze e documentare eventuali inferenze che potrebbero non essere state documentate. In questo modo, è possibile selezionare i dati per estrarre le inferenze prima di inviarli al modello, ottenendo risultati più accurati basati sulla replicazione del comportamento umano. È importante ricordare che spesso le inferenze sono più importanti dei dati grezzi e, comprendendo il comportamento e le esigenze dell’utente, si può progettare un prodotto di intelligenza artificiale migliore.
Un altro fattore chiave nell’implementazione dell’IA è il fattore umano. Si tratta di stabilire il contesto corretto durante l’implementazione dell’automazione per evitare la paura della perdita del lavoro. Come affrontare potenziali problemi tra IA e persone, come gli stakeholder che eludono l’IA messa in atto per loro. Una soluzione consiste nel progettare l’interfaccia in modo da rendere chiaro quando un utente ha esaminato un punto dati specifico e fornire sostituzioni quando necessario. Inoltre, chiedere agli stakeholder le ragioni per evitare il sistema può aiutare a migliorare il modello e prevenire l’abuso dell’API. Alla fine, l’IA e gli esseri umani possono lavorare insieme per ottenere risultati migliori.
L’IA può occuparsi dei compiti semplici se è ben addestrata, e gli esseri umani possono imparare a sfruttare meglio l’IA nel tempo. Costruire interfacce collaborative che rendano l’IA un membro del team anziché un algoritmo freddo, consentendo interazioni più naturali che possono aiutarla a imparare meglio. L’IA diventerà essenziale in qualsiasi lavoro che si occupi di interlocutori che elaborano dati umani a causa della variabilità coinvolta.