საგანმანათლებლო ხელოვნური ინტელექტის ფორუმი შემთხვევით დაიწყო 1998 წელს, როგორც „ლაბორატორია ხვალ“. აქ, დაახლოებით 350 მეცნიერი, მათემატიკოსი და დეველოპერი მუშაობს 40-ზე მეტ სხვადასხვა სფეროში.
ფორუმზე განხილული იყო თემები მონაცემთა ტბებზე, შემთხვევითი ტყეებსა და „მოთუხთუხე ოკეანეებზე“. ბუნების მეტაფორების მიღმა, ეს იყო შანსი გავცნობოდით ახალ მეთოდებს მონაცემთა ანალიზისა და მოდელირებისათვის, რომლებიც დაეხმარებიან კომპანიებს გადაჭრან ზოგიერთი მათი ყველაზე რთული პრობლემა.
„AI- ში აზროვნება შეიცვალა ‘რა არის შესაძლებელი?’-დან, ‘როგორ გავაკეთო ეს?’“-მდე, – განმარტავს რაფიკ აჯანი, პარტნიორი, რომელიც ხელმძღვანელობს ჩრდილოეთ ამერიკის ანალიტიკურ ჯგუფს. გენერალურ სესიას მოჰყვა ტრიუმინგის ტურის დემო-ტური ექსპერტების მხრიდან.
პირველი იყო ლუკ გერდესი, რომელიც ანვითარებს ანალიტიკის სფეროს ტერორისტული ქსელისა და მეამბოხეების წინააღმდეგ.
დღეს ის ყურადღებას ამახვილებს ბუნებრივ ენობრივ დამუშავებაზე, ხელოვნური ინტელექტის ფილიალზე, რომელიც იყენებს ანალიზს და შეისწავლის ტექსტის უნიკალურობას – ეს არის ტექსტი, რომელიც არაა ორგანიზებული სტრუქტურირებული ცხრილის სახით, არამედ ისე, როგორც ჩნდება წერილობით დოკუმენტებში.
ეს შეიძლება იყოს სამართლებრივი კონტრაქტები, სამომხმარებლო საჩივრები, სოციალური მედია და მაგალითად, მიმოწერა პილოტებს შორის.
“ყველა მონაცემის თითქმის 90 პროცენტი სტრუქტურირებულია”, – განმარტავს იგი. “ჩვენ მხოლოდ აისბერგის ზედაპირზე ვართ პოტენციური აპლიკაციების განვითარებაში.”
შემდეგი იყო ჯეკ ზენგი, რომელიც ანალიტიკურ ჯგუფთან ერთად იყო Excel- ისა და ტრადიციული სტატისტიკური მოდელების შექმნის დასაწყისში. დღეს, ის ხელმძღვანელობს სამუშაოებს AI- ს ფუნქციების აღმოსაჩენად (AFD), რომელსაც ის აღწერს, როგორც “ოკეანის დუღილს”.
AFD გულისხმობს ყველა შესაძლო ვარიაციის ტესტირებას ინფორმაციის გასაგებად, როგორიცაა, თუ რატომ აუქმებენ მომსახურებას მომხმარებლები ან აკეთებენ გარკვეულ არჩევანს პაციენტები.
„ესაა სტატისტიკური მოდელირების კონცეფცია, რომელიც წლების განმავლობაში არსებობდა, თუმცა ავტომატიზაციამ ყველაფერი შეიცვალა“, ამბობს ის. „ჩვენ შეგვიძლია შეამოწმოთ უზარმაზარი მონაცემების ყველა ვარიანტი ასობით მილიონი ვარიაციით დროის გარკვეულ მონაკვეთში, და ის ხაზს გაუსვამს იმ ფუნქციებს, რომელთა საშუალებითაც შეგვიძლია დავინახოთ ახალი მიგნებები“.
ედრიჯა როიმ, გეოსივრცის ექსპერტმა, შექმნა დემო ვერსია ჩვენი OMNI გადაწყვეტილების. იგი აერთიანებს გეოსივრცულ მონაცემებს (სატრანზიტო ჰაბებს, ფეხით მოძრაობას, დემოგრაფიას) კლიენტების ფსიქოგრაფიასთან (სავაჭრო ისტორია) და მანქანათმცოდნეობის ტექნიკასთან. ბიზნესი იყენებს OMNI- ს თითოეული ლოკაციის ეკონომიკური ღირებულების დასადგენად მათი ყველა არხის კონტექსტში. მისი მეშვეობით ხდება ქსელების ადგილმდებარეობის ოპტიმიზაცია.
საბოლოო დემო იყო ღრმა შესწავლის შესახებ, რომელიც წარმოადგინა ვიშნუ კამალნათმა, ელექტრო ინჟინერმა და კომპიუტერულმა მეცნიერმა, რომელმაც გააკეთა პირველი საქმე სასწავლო ჰუმანოიდი რობოტების გაწვრთნით.
ღრმა შეწავლაში (DL), ალგორითმებში შედის შეუთავსებელი მონაცემების უზარმაზარი კომპლექტი, მათ შორის ტექსტური, აუდიო და ვიდეო, და ამუშავებს მათ ნერვული ქსელების მრავალჯერადი ფენით, რაც ხშირად ქმნის ადამიანის ან ნაკლებად კომპლექსური მოდელების შეხედულებებს. DL- ის ალგორითმებს შეუძლიათ გამოავლინონ ძირითადი ემოცია აუდიო ტექსტში, იყენებენ სახის ამომცნობს და შეუძლიათ თვალყური ადევნონ მცირე, სწრაფად მოძრავ ობიექტებს სატელიტურ გამოსახულებებში, როგორიცაა საგზაო მოძრაობის სალიცენზიო ფირფიტები.
„ადამიანები ფიქრობდნენ, რომ DL იყო მართლაც ძვირადღირებული შეთავაზება, რომელიც კომპლექსურ ტექნიკას მოითხოვს“, – ამბობს ვიშნუ, „მაგრამ ღირებულება მცირდება; ეს ინსტრუმენტები ხდება ფართო მოხმარების საგანი. ნუ შეუშინდებით მის ეზოთერულ პრობლემების გადაჭრის გზებს.“ DL აპლიკაცია სავარაუდოდ $ 3.5 ტრილიონიდან $ 5.8 ტრილიონამდე ღირებულების იქნება ყოველწლიურად 19 ინდუსტრიის მასშტაბით.
მიუხედავად იმისა, რომ ტექნოლოგიები ჯანსაღი ტემპით ვითარდება, ერთი გამოწვევა უცვლელი რჩება: მივიღოთ სწორი მონაცემი, სწორად გამოსაყენებლად, სწორ დროს. „მონაცემთა კომპონენტს დროის 80 პროცენტი სჭირდება, რათა შეკრიბოს, გაასუფთავოს და შეითავსოს ნებისმიერი პროექტი“, – ამბობს ჯეკ ზენგი.
