Hvordan AI kan bruges til at spare hunde, dyrke mere mad og nedskære omkostninger til sundhedsvæsenet



<div _ngcontent-c15 = "" innerhtml = "

Getty

Tænk på de definerende teknologier i det sidste årti. Sociale medier værktøjer som Facebook og Twitter revolutionerede kommunikation, skyteknologier forstyrrede lagring og mobile teknologier som Airbnb og Uber ændrer, hvordan vi lever og pendler.

Det virker intuitivt, at disse teknologiske værktøjer har specifikke, veldefinerede formål. Der er dog en teknologi, der er utroligt alsidig med stadig voksende grænser for dens anvendelser. Denne teknologi er kunstig intelligens (AI), et værktøj, der kombinerer statistik og computing for at skabe funktioner, der gør alt fra identificering af trends og forudsigelse af fremtiden til automatisering af opgaver og meget mere.

Før AI havde alle teknologier en ting til fælles: De ville gøre nøjagtigt, som du bad dem. Ansøgninger blev bygget til at være deterministiske. Hvis en bruger skulle indtaste nogle input, ville de få en forventet output.

Nu med AI er vi i stand til at oprette programmer, der udsender det uventede, der er sandsynlige i stedet for deterministisk. AI har til hensigt at afsløre det ukendte og lære af data meget som et menneske ville.

Et af de banebrydende eksempler på AI var IBM's Deep Blue, da denne computer i 1997 besejrede en stormester i et skakspil. (Fuld offentliggørelse: IBM er en af ​​mine virksomheds partnere.) Havde trækene været forventet, kunne computeren aldrig have vundet.

I dag har AI ekspanderet langt ud over forskningens råder og i milliarder af menneskers hænder. Selv hvis du ikke er klar over det, indtager mange af de tjenester, du bruger dine data, lærer af dem og bruger dem til at forbedre deres funktioner. For eksempel, YouTube bruger dybe neurale netværk, en form for AI, at anbefale videoer til over 2 milliarder brugere. Google Search-tjenester en endnu større brugerbase med AI-drevet søgeresultater.

Men det handler ikke kun om at få flere klik og anbefale indhold online. AI kan anvendes overalt, hvor der er et input-output-problem og vejledende data, som modellen kan trænes på.

En af mine ventures samler AI-problemstillinger fra branchen til at skaffe løsningsopgaver til en pulje af dataforskere. Nogle af disse problemstillinger indeholder redning af dyrs liv, øget landbrugsudbytte og fremskyndelse af behandling af sundhedsvæsenets krav.

For eksempel ved vi, at visse husdyr er mere tilbøjelige til at blive adoptert på visse steder end andre, og at disse dyr kan flyttes for potentielt at redde dem fra aflivning. & Nbsp; Det er dog kun de tendenser, vi er opmærksomme på, og AI kan bruges til at afdække skjulte tendenser omkring dyreoptagelsesmønstre.

Mere specifikt kan AI-modeller såsom naturlig sprogbehandling bruges til at analysere tekstbeskrivelsen af ​​et dyr i et husly, og indviklede neurale netværk kan bruges til at analysere billeder af dyrene og hjælpe med at bestemme sandsynligheden for, at dyr dræbes eller adopteres i forskellige krisecentre.

Denne teknologi, neurale netværk, er et alsidigt underfelt af AI, der kan anvendes selv til satellitbilleder. F.eks. Skifter landbrug til præcisionslandbrug, hvilket gør det muligt for landmænd at reducere deres miljøpåvirkning. Det allerførste trin i præcisionsopdræt & nbsp; er at identificere felter fra satellitbilleder, som kan gøres ved at tilføje forskellige billeder gennem neurale netværk, hvilket vil udsende sandsynligheden for forskellige eksisterende konturgrænser.

Det lyder muligvis forvirrende, men igen, AI er en probabilistisk teknologi, så det fortæller dig ikke, at noget helt sikkert er tilfældet, det udsender ganske enkelt statistiske sandsynligheder. F.eks. Kan AI anvendes til at øge den operationelle effektivitet inden for områder som sundhedsvæsen, hvor oprindeligt afviste krav er kilden til milliarder dollars af administrationsomkostninger. Her kan AI bruges til at fremskynde processen med at indgive krav og markere dem i henhold til sandsynligheden for at blive afvist.

Det er klart, at AI er et utroligt nyttigt værktøj, men at fleksibiliteten i dets anvendelser også kan øge forvirringen og i sidste ende frygt omkring AI. Delvis på grund af den hurtige vækst af AI, er der generelt en masse misforståelser omkring, hvad AI kan og ikke kan gøre.

Den første fase af AI-rejsen har derfor intet at gøre med AI. Før du påbegynder et AI-konstruktionsprojekt, skal du formulere en problemopgørelse om, at de nuværende algoritmer er egnede til at løse, og derefter finde vejledende data for problemet. Selvom vi ofte hører om eksplosionen af ​​"big data", er virkeligheden, at det er vigtigere at have data, der er relevante for det aktuelle problem, end bare at have en stor mængde data.

Imidlertid ved dybt at forstå problemet, har du en bedre chance for at finde relevante data og opbygge kreative løsninger med AI.

">

Tænk på de definerende teknologier i det sidste årti. Sociale medier værktøjer som Facebook og Twitter revolutionerede kommunikation, skyteknologier forstyrrede lagring og mobile teknologier som Airbnb og Uber ændrer, hvordan vi lever og pendler.

Det virker intuitivt, at disse teknologiske værktøjer har specifikke, veldefinerede formål. Der er dog en teknologi, der er utroligt alsidig med stadig voksende grænser for dens anvendelser. Denne teknologi er kunstig intelligens (AI), et værktøj, der kombinerer statistik og computing for at skabe funktioner, der gør alt fra identificering af trends og forudsigelse af fremtiden til automatisering af opgaver og meget mere.

Før AI havde alle teknologier en ting til fælles: De ville gøre nøjagtigt, som du bad dem. Ansøgninger blev bygget til at være deterministiske. Hvis en bruger skulle indtaste nogle input, ville de få en forventet output.

Nu med AI er vi i stand til at oprette programmer, der udsender det uventede, der er sandsynlige i stedet for deterministisk. AI har til hensigt at afsløre det ukendte og lære af data meget som et menneske ville.

Et af de banebrydende eksempler på AI var IBM's Deep Blue, da denne computer i 1997 besejrede en stormester i et skakspil. (Fuld offentliggørelse: IBM er en af ​​mine virksomheds partnere.) Havde trækene været forventet, kunne computeren aldrig have vundet.

I dag har AI ekspanderet langt ud over forskningens råder og i milliarder af menneskers hænder. Selv hvis du ikke er klar over det, indtager mange af de tjenester, du bruger dine data, lærer af dem og bruger dem til at forbedre deres funktioner. For eksempel bruger YouTube dybe neurale netværk, en form for AI, til at anbefale videoer til over 2 milliarder brugere. Google-søgning yder en endnu større brugerbase med AI-drevne søgeresultater.

Men det handler ikke kun om at få flere klik og anbefale indhold online. AI kan anvendes overalt, hvor der er et input-output-problem og vejledende data, som modellen kan trænes på.

En af mine ventures samler AI-problemstillinger fra branchen til at skaffe løsningsopgaver til en pulje af dataforskere. Nogle af disse problemstillinger indeholder redning af dyrs liv, øget landbrugsudbytte og fremskyndelse af behandling af sundhedsvæsenets krav.

For eksempel ved vi, at visse husdyr er mere tilbøjelige til at blive adoptert på visse steder end andre, og at disse dyr kan flyttes for potentielt at redde dem fra aflivning. Imidlertid er det kun de tendenser, vi er opmærksomme på, og AI kan bruges til at afdække skjulte tendenser om dyreoptagelsesmønstre.

Mere specifikt kan AI-modeller såsom naturlig sprogbehandling bruges til at analysere tekstbeskrivelsen af ​​et dyr i et husly, og indviklede neurale netværk kan bruges til at analysere billeder af dyrene og hjælpe med at bestemme sandsynligheden for, at dyr dræbes eller adopteres i forskellige krisecentre.

Denne teknologi, neurale netværk, er et alsidigt underfelt af AI, der kan anvendes selv til satellitbilleder. F.eks. Skifter landbrug til præcisionslandbrug, hvilket gør det muligt for landmænd at reducere deres miljøpåvirkning. Det allerførste trin i præcisionslandbrug er at identificere felter fra satellitbilleder, som kan gøres ved at tilføre forskellige billeder gennem neurale netværk, hvilket vil udsende sandsynligheden for forskellige eksisterende konturgrænser.

Det lyder muligvis forvirrende, men igen, AI er en probabilistisk teknologi, så det fortæller dig ikke, at noget helt sikkert er tilfældet, det udsender ganske enkelt statistiske sandsynligheder. F.eks. Kan AI anvendes til at øge den operationelle effektivitet inden for områder som sundhedsvæsen, hvor oprindeligt afviste krav er kilden til milliarder af dollars administrationsomkostninger. Her kan AI bruges til at fremskynde processen med at indgive krav og markere dem i henhold til sandsynligheden for at blive afvist.

Det er klart, at AI er et utroligt nyttigt værktøj, men at fleksibiliteten i dets anvendelser også kan øge forvirringen og i sidste ende frygt omkring AI. Delvis på grund af den hurtige vækst af AI, er der generelt en masse misforståelser omkring, hvad AI kan og ikke kan gøre.

Den første fase af AI-rejsen har derfor intet at gøre med AI. Før du påbegynder et AI-konstruktionsprojekt, skal du formulere en problemopgørelse om, at de nuværende algoritmer er egnede til at løse, og derefter finde vejledende data for problemet. Selvom vi ofte hører om eksplosionen af ​​"big data", er virkeligheden, at det er vigtigere at have data, der er relevante for det aktuelle problem, end bare at have en stor mængde data.

Imidlertid ved dybt at forstå problemet, har du en bedre chance for at finde relevante data og opbygge kreative løsninger med AI.