يساعد التعلم الآلي في السحابة الشركات على الابتكار



بمشاركة AWS

في العقد الماضي ، أصبح التعلم الآلي تقنية مألوفة لتحسين كفاءة ودقة العمليات مثل التوصيات ، والتنبؤ بسلسلة التوريد ، وتطوير روبوتات المحادثة ، والبحث عن الصور والنصوص ، ووظائف خدمة العملاء الآلية ، على سبيل المثال لا الحصر. أصبح التعلم الآلي اليوم أكثر انتشارًا ، مما يؤثر على كل قطاع وصناعة في السوق ، بما في ذلك التصنيع ومنصات SaaS والرعاية الصحية والحجوزات وتوجيه دعم العملاء ومهام معالجة اللغة الطبيعية (NLP) مثل معالجة المستندات الذكية وحتى خدمات الطعام.

خذ حالة دومينوز بيتزا ، التي استخدمت أدوات التعلم الآلي التي تم إنشاؤها لتحسين الكفاءات في إنتاج البيتزا. كان لدى دومينوز مشروع يسمى Project 3/10 ، والذي يهدف إلى الحصول على بيتزا جاهزة للاستلام في غضون ثلاث دقائق من الطلب ، أو تسليمها في غضون 10 دقائق من الطلب ، كما يقول الدكتور براتين ساها ، نائب الرئيس والمدير العام للآلة خدمات التعلم لـ Amazon AI. إذا كنت ترغب في تحقيق هذه الأهداف ، يجب أن تكون قادرًا على التنبؤ بموعد وصول طلب البيتزا. يستخدمون نماذج التعلم الآلي التنبؤية لتحقيق ذلك.

يقول ساها إن الارتفاع الأخير في التعلم الآلي عبر الصناعات المتنوعة كان مدفوعًا بالتحسينات في المجالات التكنولوجية الأخرى - وليس أقلها زيادة قوة الحوسبة في مراكز البيانات السحابية.



يوضح ساها أنه على مدى السنوات القليلة الماضية ، تضاعف إجمالي الحسابات التي يمكن إلقاؤها لحل مشكلات التعلم الآلي كل أربعة أشهر تقريبًا. هذا يزيد بمقدار 5 إلى 6 مرات عن قانون مور. ونتيجة لذلك ، فإن الكثير من الوظائف التي كان يمكن أن يقوم بها البشر في يوم من الأيام - أشياء مثل اكتشاف شيء ما أو فهم الكلام - يتم تنفيذها بواسطة أجهزة الكمبيوتر ونماذج التعلم الآلي.

في AWS ، يعمل كل ما نقوم به من العميل ويكتشف كيف نقوم بتقليل نقاط الألم وكيف نسهل عليهم تعلم الآلة. في الجزء السفلي من مجموعة خدمات التعلم الآلي ، نحن نبتكر في البنية التحتية للتعلم الآلي حتى نتمكن من جعل التعلم الآلي أرخص للعملاء وجعل التعلم الآلي أسرع للعملاء. هناك لدينا اثنين من ابتكارات AWS. أحدهما هو Inferentia والآخر هو Trainium.

يقول ساها إن حالات استخدام التعلم الآلي الحالية التي تساعد الشركات على تحسين قيمة بياناتها لأداء المهام وتحسين المنتجات هي مجرد البداية.

سيصبح التعلم الآلي أكثر انتشارًا. سترى الشركات أنها قادرة على تغيير طريقة عملها بشكل جذري. سيرون أنهم يغيرون بشكل أساسي تجربة العملاء ، وسيتبنون التعلم الآلي.



إظهار الملاحظات والمراجع

البنية التحتية لتعلم الآلة في AWS

نسخة كاملة

لوريل روما : من MIT Technology Review ، أنا لوريل روما. هذا هو Business Lab ، المعرض الذي يساعد قادة الأعمال على فهم التقنيات الجديدة القادمة من المختبر إلى السوق.

موضوعنا اليوم هو التعلم الآلي في السحابة. في جميع الصناعات ، تتطلب الزيادة الهائلة في جمع البيانات طرقًا أسرع وجديدة لتحليل البيانات ، ولكن أيضًا التعلم منها لاتخاذ قرارات عمل أفضل. هذه هي الطريقة التي يساعد بها التعلم الآلي في السحابة في دفع عجلة الابتكار للمؤسسات ، من الشركات الناشئة إلى اللاعبين القدامى.

كلمتين لك: ابتكار البيانات. ضيفي هو الدكتور براتين ساها ، نائب الرئيس والمدير العام لخدمات التعلم الآلي في Amazon AI. شغل مناصب تنفيذية في NVIDIA و Intel. تم إنتاج هذه الحلقة من Business Lab بالتعاون مع AWS. مرحبا براتين.

براتين ساها : شكرا لاستضافتي ، لوريل. انه لشيء رائع أن أكون هنا.

لوريل: خارج القمة ، هل يمكنك إعطاء بعض الأمثلة عن كيفية استخدام عملاء AWS للتعلم الآلي لحل مشاكل أعمالهم؟

براتين : لنبدأ بتعريف ما نعنيه بالتعلم الآلي. التعلم الآلي هو عملية حيث يمكن للكمبيوتر والخوارزمية استخدام البيانات ، عادة البيانات التاريخية ، لفهم الأنماط ، ثم استخدام تلك المعلومات لعمل تنبؤات حول المستقبل. تستخدم الشركات التعلم الآلي للقيام بمجموعة متنوعة من الأشياء ، مثل تخصيص التوصيات ، وتحسين التنبؤ بسلسلة التوريد ، وإنشاء روبوتات الدردشة ، واستخدامها في الرعاية الصحية ، وما إلى ذلك.

على سبيل المثال ، تمكنت Autodesk من استخدام البنية التحتية للتعلم الآلي التي نمتلكها لبرامج الدردشة الآلية لتحسين قدرتها على التعامل مع الطلبات بنحو خمس مرات. كانوا قادرين على استخدام روبوتات المحادثة المحسّنة لمعالجة أكثر من 100000 سؤال من أسئلة العملاء شهريًا.

ثم هناك Nerd Wallet. Nerd Wallet هي شركة ناشئة للتمويل الشخصي لم تقم بإضفاء الطابع الشخصي على التوصيات التي قدموها للعملاء بناءً على تفضيلات العميل. إنهم يستخدمون الآن خدمات التعلم الآلي من AWS لتصميم التوصيات وفقًا لما يريد الشخص رؤيته بالفعل ، مما أدى إلى تحسين أعمالهم بشكل كبير.

ثم لدينا عملاء مثل Thomson Reuters. تعد Thomson Reuters واحدة من أكثر مزودي الإجابات موثوقية في العالم ، ولديها فرق من الخبراء. يستخدمون التعلم الآلي لاستخراج البيانات لربط المعلومات وتنظيمها لتسهيل تقديم إجابات للأسئلة عليهم.

في القطاع المالي ، شهدنا قدرًا كبيرًا من الإقبال على تطبيقات التعلم الآلي. إحدى الشركات ، على سبيل المثال ، تقدم خدمة الدفع ، تمكنت من بناء نموذج للكشف عن الاحتيال في 30 دقيقة فقط.

السبب في أنني أقدم لكم الكثير من الأمثلة هو إظهار مدى انتشار التعلم الآلي. إنها تمر عبر المناطق الجغرافية ، وتنتقل عبر قطاعات السوق ، وتستخدمها الشركات من جميع الأنواع. لدي بعض الأمثلة الأخرى التي أريد مشاركتها لإظهار كيف أن التعلم الآلي يلامس أيضًا صناعات مثل التصنيع وتوصيل الطعام وما إلى ذلك.

على سبيل المثال ، كان لدى دومينوز بيتزا مشروع يسمى Project 3/10 ، حيث أرادوا الحصول على بيتزا جاهزة للاستلام في غضون ثلاث دقائق من الطلب ، أو تسليمها في غضون 10 دقائق من الطلب. إذا كنت ترغب في تحقيق هذه الأهداف ، يجب أن تكون قادرًا على التنبؤ بموعد وصول طلب البيتزا. يستخدمون نماذج التعلم الآلي للنظر في تاريخ الطلبات. ثم يستخدمون نموذج التعلم الآلي الذي تم تدريبه على سجل الطلبات هذا. ثم تمكنوا من استخدام ذلك للتنبؤ بموعد وصول الأمر ، وكانوا قادرين على نشر هذا في العديد من المتاجر ، وكانوا قادرين على إصابة الأهداف.

أصبح التعلم الآلي منتشرًا في كيفية أداء عملائنا للأعمال. لقد بدأ اعتماده في كل صناعة تقريبًا. لدينا أكثر من مئات الآلاف من العملاء الذين يستخدمون خدمات التعلم الآلي الخاصة بنا. إحدى خدمات التعلم الآلي الخاصة بنا ، Amazon SageMaker ، كانت واحدة من أسرع الخدمات نموًا في تاريخ AWS.

لوريل : للتلخيص ، يمكن للعملاء استخدام خدمات التعلم الآلي لحل عدد من المشكلات. قد تكون بعض المشكلات عالية المستوى محرك التوصيات والبحث عن الصور والبحث النصي وخدمة العملاء ، ولكن أيضًا لتحسين جودة المنتج نفسه.

أحب مثال دومينوز بيتزا. يفهم الجميع كيف يمكن أن يعمل مشروع بيتزا. ولكن إذا كان الهدف هو تغيير البيتزا في أسرع وقت ممكن ، لزيادة رضا العملاء ، يجب أن يكون Domino's في مكان لجمع البيانات ، وأن يكون قادرًا على تحليل تلك البيانات التاريخية حول وقت وصول الطلبات ، ومدى سرعة تغييرها. الطلبات ، عدد المرات التي طلب فيها الناس ما طلبوه ، وما إلى ذلك. هذا ما استند إليه نموذج التنبؤ ، أليس كذلك؟

براتين : نعم. لقد طرحت سؤالاً حول كيفية تفكيرنا في خدمات التعلم الآلي. إذا نظرت إلى مكدس التعلم الآلي في AWS ، فإننا نفكر فيه على أنه خدمة من ثلاث طبقات. الطبقة السفلية هي البنية التحتية للتعلم الآلي.

ما أعنيه بهذا هو أنه عندما يكون لديك نموذج ، فأنت تقوم بتدريب النموذج على التنبؤ بشيء ما. ثم التنبؤات حيث تفعل هذا الشيء الذي يسمى الاستدلال. في الطبقة السفلية ، نقدم البنية التحتية الأكثر تحسينًا ، حتى يتمكن العملاء من بناء أنظمة التعلم الآلي الخاصة بهم.

ثم هناك طبقة فوق ذلك ، حيث يأتي العملاء ويقولون لنا ، 'أتعلم ماذا؟ أريد فقط أن أركز على التعلم الآلي. لا أريد إنشاء بنية تحتية للتعلم الآلي. ' هنا يأتي دور Amazon SageMaker.

كيف تختبر تحملك للألم

ثم هناك طبقة فوق ذلك ، وهو ما نسميه خدمات الذكاء الاصطناعي ، حيث لدينا نماذج مدربة مسبقًا يمكن استخدامها في العديد من حالات الاستخدام.

لذلك ، ننظر إلى التعلم الآلي على أنه ثلاث طبقات. يستخدم العملاء المختلفون الخدمات في طبقات مختلفة ، بناءً على ما يريدون ، بناءً على نوع الخبرة في علم البيانات التي يمتلكونها ، وبناءً على نوع الاستثمارات التي يريدون القيام بها.

يعود الجزء الآخر من وجهة نظرنا إلى ما ذكرته في البداية ، وهو البيانات والابتكار. يدور التعلم الآلي في الأساس حول اكتساب رؤى من البيانات ، واستخدام تلك الأفكار لعمل تنبؤات حول المستقبل. ثم تستخدم تلك التوقعات لاشتقاق قيمة الأعمال.

في حالة دومينوز بيتزا ، هناك بيانات حول أنماط الطلبات التاريخية التي يمكن استخدامها للتنبؤ بأنماط الطلبات المستقبلية. تعمل قيمة العمل هناك على تحسين خدمة العملاء من خلال تجهيز الطلبات في الوقت المناسب. مثال آخر هو Freddy's Frozen Custard ، الذي استخدم التعلم الآلي لتخصيص القوائم. نتيجة لذلك ، تمكنوا من الحصول على زيادة مضاعفة في المبيعات. لذلك ، يتعلق الأمر حقًا بالحصول على البيانات ، ثم استخدام التعلم الآلي لاكتساب رؤى من تلك البيانات. بمجرد حصولك على رؤى من تلك البيانات ، فإنك تستخدم تلك الأفكار لتحقيق نتائج أعمال أفضل. يعود هذا إلى ما ذكرته في البداية: تبدأ بالبيانات ثم تستخدم التعلم الآلي للابتكار فوقها.

لوريل : ما هي بعض التحديات التي تواجهها المؤسسات عندما تبدأ رحلات التعلم الآلي؟

براتين : أول شيء هو جمع البيانات والتأكد من أنها منظمة بشكل جيد - بيانات نظيفة - لا تحتوي على الكثير من الحالات الشاذة. بعد ذلك ، نظرًا لأن نماذج التعلم الآلي تتحسن عادةً إذا كان بإمكانك تدريبها باستخدام المزيد والمزيد من البيانات ، فأنت بحاجة إلى الاستمرار في جمع كميات هائلة من البيانات. غالبًا ما نرى العملاء ينشئون بحيرات بيانات في السحابة ، مثل Amazon S3 ، على سبيل المثال. لذا ، فإن الخطوة الأولى هي ترتيب البيانات الخاصة بك ومن ثم إنشاء بحيرات البيانات في السحابة التي يمكنك استخدامها لتغذية ابتكاراتك القائمة على البيانات.

الخطوة التالية هي الحصول على البنية التحتية المناسبة. هذا هو المكان الذي يقول فيه بعض العملاء ، 'انظر ، أريد فقط إنشاء البنية التحتية بالكامل بنفسي' ، لكن الغالبية العظمى من العملاء يقولون ، 'انظر ، أريد فقط أن أكون قادرًا على استخدام خدمة مُدارة لأنني لا أريد ذلك يجب أن تستثمر في بناء البنية التحتية وصيانة البنية التحتية ، وما إلى ذلك.

التالي هو اختيار دراسة الجدوى. إذا لم تكن قد انتهيت من التعلم الآلي من قبل ، فأنت تريد أن تبدأ بدراسة حالة تجارية تؤدي إلى نتيجة تجارية جيدة. غالبًا ما يمكن أن يحدث مع التعلم الآلي هو أن ترى أنه رائع ، قم ببعض العروض التوضيحية الرائعة حقًا ، ولكن لا تترجم هذه العروض إلى نتائج أعمال ، لذلك تبدأ التجارب ولا تحصل حقًا على الدعم الذي تحتاجه.

أخيرًا ، أنت بحاجة إلى الالتزام لأن التعلم الآلي عملية تكرارية للغاية. أنت تقوم بتدريب نموذج. قد لا يمنحك النموذج الأول الذي تدربه النتائج التي تريدها. هناك عملية تجريب وتكرار يجب أن تمر بها ، وقد يستغرق الأمر بضعة أشهر للحصول على النتائج. لذا ، فإن تكوين فريق ومنحهم الدعم الذي يحتاجون إليه هو الجزء الأخير.

إذا اضطررت إلى وضع هذا من حيث سلسلة من الخطوات ، فمن المهم أن يكون لدي بيانات وثقافة بيانات. من المهم في معظم الحالات أن يختار العملاء استخدام خدمة مُدارة لإنشاء نماذجهم وتدريبها في السحابة ، وذلك ببساطة لأنك تحصل على مساحة تخزين أسهل كثيرًا وتحصل على عملية حساب أسهل كثيرًا. والثالث هو اختيار حالة استخدام سيكون لها قيمة تجارية ، بحيث تعرف شركتك أن هذا شيء تريد نشره على نطاق واسع. وبعد ذلك ، أخيرًا ، تحلى بالصبر وكن على استعداد للتجربة والتكرار ، لأنه غالبًا ما يستغرق الأمر بعض الوقت للحصول على البيانات التي تحتاجها لتدريب النماذج جيدًا والحصول فعليًا على القيمة التجارية.

لوريل : صحيح ، لأنه ليس شيئًا يحدث بين عشية وضحاها.

براتين : لا يحدث بين عشية وضحاها.

لوريل : كيف تستعد الشركات للاستفادة من البيانات؟ لأنه ، كما قلت ، هذه عملية من أربع خطوات ، ولكن لا يزال يتعين عليك التحلي بالصبر في النهاية لتكون متكررة وتجريبية. على سبيل المثال ، هل لديك أفكار حول كيفية تفكير الشركات في بياناتها بطرق تجعلها أكثر استعدادًا لرؤية النجاح ، ربما من خلال تجربتها الأولى ، ثم ربما تكون أكثر ميلًا إلى المغامرة أثناء تجربة مجموعات البيانات الأخرى أو طرق أخرى من الاقتراب من البيانات؟

براتين : نعم. تبدأ الشركات عادةً بحالة استخدام حيث يكون لديها تاريخ في امتلاك بيانات جيدة. ما أعنيه بتاريخ امتلاك بيانات جيدة هو أن لديهم سجلًا للمعاملات التي تم إجراؤها ، وأن معظم السجلات دقيقة. على سبيل المثال ، ليس لديك الكثير من معاملات السجلات الفارغة.

عادة ، رأينا أن مستوى نضج البيانات يختلف بين أجزاء مختلفة من الشركة. تبدأ بجزء من شركة تكون فيه ثقافة البيانات أكثر انتشارًا. تبدأ من هناك بحيث يكون لديك سجل للمعاملات التاريخية التي قمت بتخزينها. تريد حقًا الحصول على بيانات كثيفة إلى حد ما لاستخدامها في تدريب نماذجك.

لوريل : لماذا هو الوقت المناسب الآن للشركات لبدء التفكير في نشر التعلم الآلي في السحابة؟

براتين : أعتقد أن هناك مجموعة من العوامل تحدث الآن. الأول هو أن التعلم الآلي على مدى السنوات الخمس الماضية قد انطلق بالفعل. وذلك لأن كمية الحوسبة المتاحة تتزايد بمعدل سريع جدًا. إذا عدت إلى ثورة تكنولوجيا المعلومات ، فإن ثورة تكنولوجيا المعلومات كانت مدفوعة بقانون مور. بموجب قانون مور ، تضاعف الحساب كل 18 شهرًا.

على مدى السنوات القليلة الماضية ، تضاعف إجمالي الحساب كل أربعة أشهر تقريبًا. هذا أكثر بخمس مرات من قانون مور. إن مقدار التقدم الذي شهدناه في السنوات الأربع إلى الخمس الماضية كان مذهلاً حقًا. ونتيجة لذلك ، فإن الكثير من الوظائف التي كان يمكن أن يقوم بها البشر في يوم من الأيام - مثل اكتشاف شيء ما أو فهم الكلام - يتم تنفيذها بواسطة أجهزة الكمبيوتر ونماذج التعلم الآلي. نتيجة لذلك ، يتم إطلاق العنان للكثير من القدرات. هذا هو ما أدى إلى هذه الزيادة الهائلة في قابلية تطبيق التعلم الآلي - يمكنك استخدامه للتخصيص ، ويمكنك استخدامه في الرعاية الصحية والتمويل ، ويمكنك استخدامه في مهام مثل التنبؤ بالتخبط ، واكتشاف الاحتيال ، وما إلى ذلك.

أحد الأسباب التي تجعل الوقت الحالي هو الوقت المناسب لبدء التعلم الآلي في السحابة هو الحجم الهائل من التقدم في السنوات القليلة الماضية والذي أطلق العنان لهذه القدرات الجديدة التي لم تكن ممكنة في السابق.

السبب الثاني هو أن الكثير من خدمات التعلم الآلي التي يتم إنشاؤها في السحابة تجعل التعلم الآلي متاحًا لعدد أكبر من الأشخاص. حتى لو نظرت إلى ما قبل أربع إلى خمس سنوات ، فإن التعلم الآلي كان شيئًا لا يستطيع فعله سوى الممارسين الخبراء للغاية ولم يكن بمقدور سوى عدد قليل من الشركات القيام به لأن لديهم ممارسين خبراء. اليوم ، لدينا أكثر من مائة ألف عميل يستخدمون خدمات التعلم الآلي الخاصة بنا. يخبرك هذا أن التعلم الآلي قد تم دمقرطة إلى حد كبير ، بحيث يمكن للعديد من الشركات البدء في استخدام التعلم الآلي وتحويل أعمالها.

ثم يأتي السبب الثالث ، وهو أن لديك إمكانات مذهلة أصبحت ممكنة الآن ، ولديك أدوات قائمة على السحابة تعمل على إضفاء الطابع الديمقراطي على هذه القدرات. أسهل طريقة للوصول إلى هذه الأدوات وهذه الإمكانات هي من خلال السحابة لأنها ، أولاً ، توفر أساس الحساب والبيانات. يدور التعلم الآلي ، في جوهره ، حول إلقاء الكثير من الحوسبة على البيانات. في السحابة ، يمكنك الوصول إلى أحدث الحوسبة. أنت تدفع كما تذهب ، ولا يتعين عليك القيام باستثمارات ضخمة مقدمًا لإنشاء مزارع حوسبة. يمكنك أيضًا الحصول على كل مساحة التخزين والأمان والخصوصية والتشفير ، وما إلى ذلك - كل تلك البنية الأساسية الأساسية اللازمة لبدء التعلم الآلي.

لوريل : إذن يا براتين ، كيف تبتكر AWS لمساعدة المؤسسات في التعلم الآلي والتدريب النموذجي والاستدلال؟

براتين : في AWS ، يعمل كل ما نقوم به من العميل ويكتشف كيف نقوم بتقليل نقاط الألم وكيف نسهل عليهم القيام بالتعلم الآلي. في الجزء السفلي من مجموعة خدمات التعلم الآلي ، نحن نبتكر في البنية التحتية للتعلم الآلي حتى نتمكن من جعل التعلم الآلي أرخص للعملاء وجعل التعلم الآلي أسرع للعملاء. هناك لدينا اثنين من ابتكارات AWS. أحدهما هو Inferentia والآخر هو Trainium. هذه هي الشرائح المخصصة التي صممناها في AWS والتي تم إنشاؤها لغرض الاستدلال ، وهي عملية صنع تنبؤات التعلم الآلي ، وللتدريب. يوفر Inferentia اليوم أقل تكلفة من مثيلات الاستدلال في السحابة. وسيوفر Trainium ، عندما يصبح متاحًا في وقت لاحق من هذا العام ، أقوى الأمثلة التدريبية وأكثرها فعالية من حيث التكلفة في السحابة.

لدينا عدد من العملاء الذين يستخدمون Inferentia اليوم. يستخدم Autodesk Inferentia لاستضافة نماذج chatbot الخاصة بهم ، وكانوا قادرين على تحسين التكلفة ووقت الاستجابة بحوالي خمس مرات. لدى Airbnb أكثر من أربعة ملايين مضيف يرحبون بأكثر من 900 مليون ضيف في كل بلد تقريبًا. شهدت Airbnb تحسنًا مرتين في الإنتاجية باستخدام مثيلات Inferentia ، مما يعني أنها كانت قادرة على تقديم ما يقرب من ضعف عدد طلبات دعم العملاء مما كانت ستتمكن من القيام به. تقوم شركة أخرى تسمى Sprinklr بتطوير منصة تجربة عملاء SaaS ، ولديهم منصة إدارة تجربة عملاء موحدة مدفوعة بالذكاء الاصطناعي. كانوا قادرين على نشر نماذج معالجة اللغة الطبيعية في Inferentia ، وشهدوا تحسينات كبيرة في الأداء أيضًا.

حتى داخليًا ، كان فريق Alexa لدينا قادرًا على نقل استنتاجاتهم من وحدات معالجة الرسومات إلى الأنظمة المستندة إلى Inferentia ، وشهدوا تحسنًا بنسبة تزيد عن 50٪ في التكلفة بسبب هذه الأنظمة المستندة إلى Inferentia. لذلك ، لدينا ذلك في أدنى طبقة من البنية التحتية. علاوة على ذلك ، لدينا الخدمات المدارة ، حيث نبتكر حتى يصبح العملاء أكثر إنتاجية. هذا هو المكان الذي لدينا SageMaker Studio ، وهو أول IDE في العالم ، والذي يقدم أدوات مثل مصحح الأخطاء وملفات التعريف وإمكانية الشرح ، ومجموعة من الأدوات الأخرى - مثل أداة إعداد البيانات المرئية - التي تجعل العملاء أكثر إنتاجية. في الجزء العلوي ، لدينا خدمات الذكاء الاصطناعي حيث نقدم نماذج مدربة مسبقًا لحالات الاستخدام مثل البحث ومعالجة المستندات - Kendra للبحث و Textract لمعالجة المستندات والتعرف على الصور والفيديو - حيث نبتكر لتسهيل الأمر على العملاء لمعالجة حالات الاستخدام هذه فور إخراجها من الصندوق.

لوريل : إذن ، هناك بعض الفوائد بالتأكيد لخدمات التعلم الآلي في السحابة - مثل خدمة العملاء المحسّنة والجودة المحسّنة والأرباح المتزايدة ، ولكن ما هي مؤشرات الأداء الرئيسية المهمة لنجاح مشاريع التعلم الآلي ، و لماذا هذه المؤشرات الخاصة مهمة جدا؟

براتين : نحن نعمل مرة أخرى من العميل ، ونعود من نقاط الألم بناءً على ما يخبرنا به العملاء ، ونبتكر نيابة عن العملاء لنرى كيف يمكننا الابتكار لتسهيل قيامهم بالتعلم الآلي. جزء واحد من التعلم الآلي ، كما ذكرت ، هو التنبؤات. غالبًا ما تكون التكلفة الكبيرة في التعلم الآلي من حيث البنية التحتية في الاستدلال. هذا هو السبب في أننا توصلنا إلى Inferentia ، والتي تعد اليوم أكثر حالات التعلم الآلي فعالية من حيث التكلفة في السحابة. لذلك ، نحن نبتكر على مستوى الأجهزة.

كما أعلنا عن Tranium. ستكون هذه أقوى أمثلة التدريب وأكثرها فعالية من حيث التكلفة في السحابة. لذلك ، نحن نبتكر أولاً في طبقة البنية التحتية حتى نتمكن من تزويد العملاء بأكثر الحوسبة فعالية من حيث التكلفة.

بعد ذلك ، كنا نبحث في النقاط الصعبة لما يتطلبه بناء خدمة تعلم الآلة. أنت بحاجة إلى خدمات جمع البيانات ، وتحتاج إلى طريقة لإعداد بنية أساسية موزعة ، وتحتاج إلى طريقة لإعداد نظام استدلال وتكون قادرًا على توسيع نطاقه تلقائيًا ، وما إلى ذلك. لقد فكرنا كثيرًا في كيفية بناء هذه البنية التحتية والابتكار حول العملاء.

ثم كنا نبحث في بعض حالات الاستخدام. لذلك ، بالنسبة للكثير من حالات الاستخدام هذه ، سواء كانت البحث ، أو التعرف على الكائنات واكتشافها ، أو المعالجة الذكية للمستندات ، لدينا خدمات يمكن للعملاء استخدامها بشكل مباشر. ونواصل الابتكار نيابة عنهم. أنا متأكد من أننا سنأتي بالعديد من الميزات هذا العام والعام المقبل لنرى كيف يمكننا تسهيل استخدام عملائنا للتعلم الآلي.

لوريل : ما مؤشرات الأداء الرئيسية المهمة لنجاح مشاريع التعلم الآلي؟ لقد تحدثنا قليلاً عن الطريقة التي تحب بها تحسين خدمة العملاء والجودة ، وبالطبع زيادة الأرباح ، ولكن تعيين KPI لنموذج التعلم الآلي ، هذا شيء مختلف قليلاً. ولماذا هم مهمون جدا؟

براتين : لتعيين مؤشرات الأداء الرئيسية ، تحتاج إلى العودة من حالة الاستخدام الخاصة بك. لذلك ، لنفترض أنك تريد استخدام التعلم الآلي لتقليل الاحتيال. مؤشر الأداء الرئيسي الخاص بك هو ، ما هو الانخفاض في اكتشاف الاحتيال؟ أو لنفترض أنك تريد استخدامه لتقليل التوتر. أنت تدير عملاً ، يأتي عملاؤك ، لكن عددًا معينًا منهم ينفجر. تريد بعد ذلك أن تبدأ ، كيف يمكنني تقليل تضخيم العملاء بنسبة بعض في المئة؟ لذلك ، تبدأ بمؤشر الأداء الرئيسي ذي المستوى الأعلى ، وهو نتيجة أعمال تريد تحقيقها ، وكيفية الحصول على تحسين في نتائج الأعمال هذه.

لنأخذ مثال التنبؤ بالتخبط. في نهاية اليوم ، ما يحدث هو أن لديك نموذجًا للتعلم الآلي يستخدم البيانات ومقدار التدريب الذي كان عليه لعمل تنبؤات معينة حول العميل الذي سيتخبط. يتلخص ذلك ، إذن ، في دقة النموذج. إذا كان النموذج يقول أن 100 شخص سوف يتخبطون ، فكم عددهم في الواقع؟ لذلك ، يصبح هذا سؤالاً يتعلق بالدقة. ثم تريد أيضًا إلقاء نظرة على مدى اكتشاف نموذج التعلم الآلي لجميع الحالات.

إذن ، هناك جانبان من جوانب الجودة تبحث عنه. الأول ، من بين الأشياء التي تنبأ بها النموذج ، كم حدث منها بالفعل؟ لنفترض أن هذا النموذج تنبأ بأن هؤلاء العملاء المائة سوف يتراجعون. كم منهم يخوض فعلا؟ ودعنا نقول فقط أن 95 منهم في الواقع يمضغون. لذلك ، لديك دقة 95٪ هناك. الجانب الآخر هو ، لنفترض أنك تدير هذا العمل ولديك 1000 عميل. ودعونا نقول أنه في سنة معينة ، 200 منهم خرجوا. كم من هؤلاء الـ 200 توقع النموذج أن يتخبط بالفعل؟ وهذا ما يسمى الاستدعاء ، وهو ، بالنظر إلى المجموعة الإجمالية ، ما مدى قدرة نموذج التعلم الآلي على التنبؤ؟ لذلك ، بشكل أساسي ، تبدأ من مقياس الأعمال هذا ، وهو ما هي النتيجة التي أريد الحصول عليها ، وبعد ذلك يمكنك تحويل هذا إلى مقاييس دقة النموذج من حيث الدقة ، وهي مدى دقة النموذج في التنبؤ بأشياء معينة ، ثم نتذكر ، وهو مدى شمولية أو شمولية النموذج في اكتشاف جميع المواقف.

لذلك ، على مستوى عالٍ ، هذه هي الأشياء التي تبحث عنها. وبعد ذلك ستنتقل إلى مقاييس المستوى الأدنى. تعمل النماذج في حالات معينة على أجزاء معينة من الحوسبة: ما هي تكلفة البنية التحتية وكيف يمكنني تقليل هذه التكاليف؟ يتم استخدام هذه الخدمات ، على سبيل المثال ، للتعامل مع الزيادات المفاجئة في الارتفاع خلال برايم داي أو الجمعة السوداء ، وما إلى ذلك. إذن ، بعد ذلك تصل إلى تلك المقاييس ذات المستوى الأدنى ، وهي ، هل أنا قادر على التعامل مع الزيادات في حركة المرور؟ إنها حقًا مجموعة هرمية من مؤشرات الأداء الرئيسية. ابدأ بمقياس الأعمال ، وانزل إلى مقاييس النموذج ، ثم انزل إلى مقاييس البنية التحتية.

لوريل : عندما تفكر في التعلم الآلي في السحابة في السنوات الثلاث إلى الخمس المقبلة ، ماذا ترى؟ بم تفكر؟ ما الذي يمكن أن تفعله الشركات الآن للاستعداد لما سيأتي؟

براتين : أعتقد أن ما سيحدث هو أن التعلم الآلي سيصبح أكثر انتشارًا. لأن ما سيحدث هو أن العملاء سيرون أنهم قادرون على تغيير طريقة القيام بالأعمال التجارية بشكل جذري. سترى الشركات أنها تعمل بشكل أساسي على تغيير تجربة العملاء ، وسوف تتبنى التعلم الآلي. لقد رأينا ذلك أيضًا في Amazon - لدينا تاريخ طويل من الاستثمار في التعلم الآلي. لقد قمنا بذلك منذ أكثر من 20 عامًا ، وقمنا بتغيير الطريقة التي نخدم بها العملاء من خلال amazon.com أو Alexa أو Amazon Go ، Prime. والآن مع AWS ، حيث أخذنا هذه المعرفة التي اكتسبناها على مدار العقدين الماضيين من نشر التعلم الآلي على نطاق واسع وإتاحته لعملائنا الآن. لذلك ، أعتقد أننا سنشهد استيعابًا أسرع للتعلم الآلي.

بعد ذلك ، سنرى الكثير من حالات الاستخدام الواسعة مثل المعالجة الذكية للمستندات ، والكثير من المعالجة الورقية ، ستصبح مؤتمتة لأن نموذج التعلم الآلي قادر الآن على مسح تلك المستندات واستنتاج المعلومات منها — استنتاج المعلومات الدلالية ، وليس فقط بناء الجملة. إذا كنت تفكر في العمليات الورقية ، سواء كانت معالجة القروض ومعالجة الرهن العقاري ، فسيتم أتمتة الكثير منها. بعد ذلك ، نرى أيضًا أن الشركات أصبحت أكثر كفاءة من حيث التخصيص مثل التنبؤ والتنبؤ بسلسلة التوريد والتنبؤ بالطلب وما إلى ذلك.

نحن نشهد قدرًا كبيرًا من الإقبال على التعلم الآلي في مجال الصحة. لدينا عملاء ، GE على سبيل المثال ، تستخدم خدمة التعلم الآلي للأشعة. يستخدمون التعلم الآلي لمسح صور الأشعة لتحديد أي منها أكثر خطورة ، وبالتالي ، تريد الحصول على المرضى في وقت مبكر. نحن نرى أيضًا إمكانات وفرصة لاستخدام التعلم الآلي في علم الجينوم للطب الدقيق. لذلك ، أعتقد أن الكثير من الابتكار سيحدث مع التعلم الآلي في مجال الرعاية الصحية.

سنرى الكثير من التعلم الآلي في التصنيع. ستصبح الكثير من عمليات التصنيع أكثر كفاءة ، وستصبح مؤتمتة ، وتصبح أكثر أمانًا بسبب التعلم الآلي.

لذلك ، أرى أنه في السنوات الخمس إلى العشر القادمة ، اختر أي مجال - مثل الرياضة ، NFL ، NASCAR ، Bundesliga ، كلهم ​​يستخدمون خدمات التعلم الآلي الخاصة بنا. تستخدم NFL Amazon SageMaker لمنح معجبيها تجربة غامرة أكثر من خلال إحصاءات الجيل التالي. يستخدم Bundesliga خدمات التعلم الآلي الخاصة بنا لعمل مجموعة من التنبؤات وتقديم تجربة أكثر شمولاً. نفس الشيء مع ناسكار. لدى ناسكار الكثير من تاريخ البيانات من أجناسهم ، وهم يستخدمون ذلك لتدريب النماذج لتقديم تجربة أكثر غامرة لمشاهديهم لأنهم يستطيعون التنبؤ بسهولة أكبر بما سيحدث. لذا ، الرياضة ، والترفيه ، والخدمات المالية ، والرعاية الصحية ، والتصنيع - أعتقد أننا سنشهد المزيد من الإقبال على التعلم الآلي وجعل العالم مكانًا أكثر ذكاءً وصحة وأمانًا.

حفظ محيطاتنا شرعي الآن

لوريل : يا لها من محادثة رائعة. شكرًا جزيلاً لك يا براتين على انضمامك إلينا في Business Lab.

براتين : شكرا لك. أشكركم على استضافتي. كان من الرائع التحدث إليك.

لوريل كان هذا هو الدكتور براتين ساها ، نائب الرئيس والمدير العام لخدمات التعلم الآلي في Amazon AI ، والذي تحدثت معه من كامبريدج ، ماساتشوستس ، موطن MIT و MIT Technology Review المطل على نهر تشارلز. هذا كل شيء في هذه الحلقة من قانون الأعمال. أنا مضيفتك يا لوريل روما. أنا مدير Insights ، قسم النشر المخصص في MIT Technology Review. تأسسنا عام 1899 في معهد ماساتشوستس للتكنولوجيا. ويمكنك أيضًا أن تجدنا في مطبوعات على الويب وفي الأحداث كل عام حول العالم. لمزيد من المعلومات عنا وعن العرض ، يرجى مراجعة موقعنا على technologyreview.com. هذا العرض متاح أينما تحصل على البودكاست الخاص بك. إذا استمتعت بهذه الحلقة ، نأمل أن تستغرق دقيقة لتقييمنا ومراجعتنا. Business Lab هو إنتاج من MIT Technology Review. تم إنتاج هذه الحلقة بواسطة Collective Next. شكرا على الإنصات.

يخفي

التقنيات الفعلية

فئة

غير مصنف

تكنولوجيا

التكنولوجيا الحيوية

سياسة التكنولوجيا

تغير المناخ

البشر والتكنولوجيا

وادي السيليكون

الحوسبة

مجلة Mit News

الذكاء الاصطناعي

الفراغ

المدن الذكية

بلوكشين

قصة مميزة

الملف الشخصي للخريجين

اتصال الخريجين

ميزة أخبار معهد ماساتشوستس للتكنولوجيا

1865

وجهة نظري

77 Mass Ave

قابل المؤلف

ملامح في الكرم

شوهد في الحرم الجامعي

خطابات الخريجين

أخبار

انتخابات 2020

فهرس With

تحت القبه

خرطوم الحريق

قصص لانهائية

مشروع تكنولوجيا الوباء

من الرئيس

غلاف القصه

معرض الصور

موصى به