تواصل معنا

AI

تم الإبلاغ عن انسحاب IBM من الرعاية الصحية مع Watson 

الصورة الرمزية

تم النشر

on

يُذكر أن شركة IBM تدرس بيع Watson Health ، وهو مؤشر على تحديات تطبيق الذكاء الاصطناعي في الرعاية الصحية. تواصل شركة IBM الاستثمار في الخدمات السحابية باستخدام Watson. (تصوير كارسون ماسترسون على Unsplash.)  

بقلم جون ديزموند ، محرر اتجاهات الذكاء الاصطناعى  

ظهرت تقارير الأسبوع الماضي أن IBM تفكر في بيع Watson Health ، وهو ما يمثل تراجعا عن سوق الذكاء الاصطناعي المطبق على الرعاية الصحية التي اتبعتها شركة IBM تحت إشراف رئيسها التنفيذي السابق. 

صحيفة وول ستريت جورنال ذكرت الأسبوع الماضي أن IBM كانت تستكشف بيع Watson Health ؛ لم تؤكد شركة IBM التقرير. قبل عشر سنوات ، عندما فازت شركة IBM Watson بجائزة خطر! عرض اللعبة ضد اثنين من الفائزين بالأرقام القياسية في اللعبة ، تم إنشاء علامة Watson التجارية في AI. 

كما ورد في اتجاهات الذكاء الاصطناعى فبراير الماضي ، ربعد يوم من هزيمة واتسون على بطلي الإنسان يوم خطر!، أعلنت شركة IBM أن واتسون يتجه إلى المجال الطبي. سوف تأخذ IBM قدرتها على فهم اللغة الطبيعية التي عرضتها على التلفزيون ، وتطبيقها على الطب. أول العروض التجارية ستكون متاحة في 18 إلى 24 شهرا ، وعدت الشركة ، وفقا لحساب في IEEE الطيف من أبريل 2019.  

كان طريقًا صعبًا. كانت شركة IBM هي أول شركة تقوم بدفع كبير لجلب الذكاء الاصطناعي إلى الطب. تم دق ناقوس الخطر روبرت واتشر، رئيس قسم الطب في جامعة كاليفورنيا ، سان فرانسيسكو ، ومؤلف كتاب 2015 الطبيب الرقمي: الأمل والضجيج والأذى في عصر الكمبيوتر في فجر الطب (ماكجرو هيل). واتسون كسب على الخطر! منح فريق مبيعات IBM AI منصة انطلاق.  

قال واتشتر: "لقد جاءوا بالتسويق أولاً ، ثم المنتج ثانيًا ، وأثاروا حماس الجميع". "ثم ضرب المطاط الطريق. هذه مجموعة صعبة للغاية من المشكلات ، وقد أثبتت شركة IBM ، بكونها أول من قدم ، ذلك للجميع ".  

ثم استخدم جيني رومتي ، الرئيس التنفيذي لشركة IBM ، واتسون فيكتوري لإطلاق الذكاء الاصطناعي في الرعاية الصحية  

جيني رومتي, أخبر الرئيس التنفيذي لشركة IBM في ذلك الوقت جمهورًا من محترفي تكنولوجيا المعلومات الصحية في مؤتمر عام 2017 أن "الذكاء الاصطناعي هو الاتجاه السائد ، إنه هنا ، ويمكنه تغيير كل شيء تقريبًا عن الرعاية الصحية. لقد رأت ، مثل الكثيرين ، قدرة الذكاء الاصطناعي على المساعدة في تحويل صناعة الرعاية الصحية. 

استخدم Watson التطورات في معالجة اللغة الطبيعية للفوز في Jeopardy. استخدم فريق Watson التعلم الآلي على مجموعة بيانات تدريبية من أدلة Jeopardy والاستجابات. لدخول سوق الرعاية الصحية ، حاولت شركة IBM استخدام التعرف على النص في السجلات الطبية لبناء قاعدة معارفها. قد تمثل البيانات غير المنظمة مثل ملاحظات الأطباء المليئة بالمصطلحات والاختزال 80% لسجل المريض. كان الأمر صعبًا.   

كان الجهد المبذول لبناء أداة تشخيص. شكلت IBM قسم Watson Health في عام 2015. وحققت الوحدة 4 مليارات دولار من عمليات الاستحواذ. استمر البحث عن دراسة الجدوى الطبية لتبرير الاستثمارات. تم إطلاق العديد من المشاريع حول دعم القرار باستخدام مجموعات البيانات الطبية الكبيرة. بدا التركيز على علم الأورام لتخصيص علاج السرطان للمرضى واعدًا.  

الأطباء في عمل مركز إم دي أندرسون للسرطان بجامعة تكساس في هيوستن مع شركة آي بي إم لإنشاء أداة تسمى مستشار خبير الأورام. حصل إم دي أندرسون على الأداة لـ مرحلة الاختبار في قسم اللوكيميا. لم يصبح أبدًا منتجًا تجاريًا.   

لم ينته المشروع بشكل جيد. تم إلغاؤه في عام 2016. وجدت مراجعة أجرتها جامعة تكساس أن مركز السرطان قد أنفق 62 مليون دولار على المشروع. قال مؤلفو IEEE Spectrum إن المشروع كشف عن "عدم توافق جوهري بين وعد التعلم الآلي وواقع الرعاية الطبية" ، وهو أمر سيكون مفيدًا لأطباء اليوم.  

قامت شركة IBM بجولة من عمليات التسريح في وحدة IBM Watson Health في عام 2018 ، وفقًا لتقرير آخر في ذلك الوقت IEEE الطيف في يونيو 2018. أبلغ المهندسون من إحدى الشركات التي استحوذت عليها شركة IBM ، وهي Phytel ، عن تقلص قاعدة العملاء لحل تحليلات المرضى من 150 إلى 80 منذ الاستحواذ. قال المهندس "الشركات الصغيرة تأكلنا أحياء". "إنها أفضل وأسرع وأرخص. إنهم يربحون عقودنا ، ويأخذون عملائنا ، ويعملون بشكل أفضل في الذكاء الاصطناعي ".  

لوحظ عدم التوافق بين حقائق الرعاية الصحية ووعود الذكاء الاصطناعي  

توماس جيه فوكس ، عميد الذكاء الاصطناعي والصحة البشرية ، ماونت سيناي هيلث سيستم

تم دعم فكرة عدم التوافق بين وعد الذكاء الاصطناعي وواقع الرعاية الصحية في تقرير وول ستريت جورنال الأسبوع الماضي أن شركات التكنولوجيا قد تفتقر إلى الخبرة العميقة في كيفية عمل الرعاية الصحية في أماكن المرضى. صرح توماس جيه فوكس ، عميد الذكاء الاصطناعي وصحة الإنسان في Mount Sinai Health System: "عليك حقًا أن تفهم سير العمل السريري في الخنادق". "عليك أن تفهم أين يمكنك إدخال الذكاء الاصطناعي وأين يمكن أن يكون مفيدًا" دون إبطاء الأمور في العيادة. 

لطالما كان تغليف تطورات الذكاء الاصطناعي في علوم الكمبيوتر إلى منتج أو خدمة برمجية قابلة للتطبيق تحديًا أساسيًا في مجال البرمجيات. صرح توني ساكوناجي ، المحلل في شركة Bernstein Research: "قد يكون Watson رمزًا كبيرًا لقضية أوسع في شركة IBM تتعلق بأخذ العلم الجيد وإيجاد طريقة لجعله وثيق الصلة تجارياً".  

توني ساكوناجي ، محلل ، Bernstein Research

قال الرئيس التنفيذي الجديد لشركة IBM ، آرفيند كريشنا ، إن الذكاء الاصطناعي مع الهجين الحوسبة السحابية ، ستكون محورية لشركة IBM في المستقبل. (يرى اتجاهات الذكاء الاصطناعى، نوفمبر 2020.) يتجه كريشنا للخروج من وحدات الأعمال المتعثرة والتركيز على تلك التي يمكنها تحقيق نمو ثابت. وكجزء من هذا الجهد ، فإن IBM بصدد تحويل قسم خدمات تكنولوجيا المعلومات المدارة إلى شركة عامة جديدة ؛ ينظر المحللون إلى خدمات تكنولوجيا المعلومات على أنها تجارة هامشية متناقصة. وبلغت مبيعات آي بي إم 100 مليار دولار في عام 2010 و 73.6 مليار دولار في العام الماضي. 

التحدي الآخر الذي يواجه الذكاء الاصطناعي في الرعاية الصحية هو الافتقار إلى معايير جمع البيانات ، مما يجعل تطبيق النماذج المطورة في أحد أماكن الرعاية الصحية وتطبيقها في أماكن أخرى أمرًا صعبًا. صرح أندرو نج ، خبير الذكاء الاصطناعي والرئيس التنفيذي لشركة Startup Landing AI ، ومقرها بالو ألتو ، كاليفورنيا: "مشكلة التخصيص شديدة في الرعاية الصحية" صحيفة وول ستريت جورنال. 

تشمل أسواق الرعاية الصحية التي أظهر فيها الذكاء الاصطناعي نتائج واعدة وحققت نتائجها علم الأشعة وعلم الأمراض ، حيث يمكن استخدام تقنيات التعرف على الصور للإجابة على أسئلة محددة. أيضًا ، حقق الذكاء الاصطناعي نجاحًا في تبسيط العمليات التجارية مثل الفوترة والرسوم البيانية ، والتي يمكن أن تساعد في توفير المال وتحرير الموظفين للتركيز على المجالات الأكثر صعوبة. يقال إن التكاليف الإدارية تشكل 30 بالمائة من تكاليف الرعاية الصحية. 

وفي الوقت نفسه ، يستمر الاستثمار في مجال الذكاء الاصطناعي في الرعاية الصحية ، مع توقع نمو الإنفاق بمعدل سنوي يبلغ 48% حتى عام 2023 ، وفقًا لتقرير حديث من من الداخل الأعمال. يشمل اللاعبون الجدد عمالقة مثل Google ، التي حددت واجهة برمجة تطبيقات Cloud Healthcare (API) ، والتي يمكنها أخذ البيانات من السجلات الصحية الإلكترونية للمستخدمين عبر التعلم الآلي ، بهدف مساعدة الأطباء على اتخاذ قرارات سريرية أكثر استنارة. تعمل Google أيضًا مع جامعة كاليفورنيا وجامعة ستانفورد وجامعة شيكاغو على نظام ذكاء اصطناعي للتنبؤ بنتائج زيارات المستشفيات 

يتم تطبيق الذكاء الاصطناعي أيضًا على الانتقال إلى الرعاية الصحية الشخصية ، على سبيل المثال باستخدام التكنولوجيا القابلة للارتداء مثل FitBits والساعات الذكية ، والتي يمكن أن تنبه المستخدمين والمتخصصين في الرعاية الصحية إلى المشكلات والمخاطر الصحية المحتملة.  

أثناء التراجع عن تطبيق Watson في الرعاية الصحية ، تقوم IBM بتوسيع دور Watson في عروض الخدمات السحابية الخاصة بها. وتشمل هذه معالجة اللغة الطبيعية وتحليل المشاعر والمساعدين الافتراضيين ، وفقًا للإدخالات الموجودة في مدونة IBM Watson ،  

اقرأ مقالات المصدر والمعلومات في صحيفة وول ستريت جورنالin IEEE الطيف من أبريل 2019 ، في اتجاهات الذكاء الاصطناعى فبراير 2020 ، في IEEE الطيف من يونيو 2018 ، اتجاهات الذكاء الاصطناعى، نوفمبر 2020 ، من من الداخل الأعمال وعلى مدونة IBM Watson.  

المصدر: https://www.aitrends.com/healthcare/ibm-reportedly-retreating-from-healthcare-with-watson/

الذكاء الاصطناعي

التعلم العميق مقابل التعلم الآلي: كيف يؤثر مجال ناشئ على برمجة الكمبيوتر التقليدية

الصورة الرمزية

تم النشر

on

عندما يتشابك مفهومان مختلفان بشكل كبير ، قد يكون من الصعب الفصل بينهما كمواضيع أكاديمية متميزة. قد يفسر هذا سبب صعوبة الفصل التعلم العميق تبدأ من آلة التعلم ككل. بالنظر إلى الدفعة الحالية لكل من الأتمتة وكذلك الإشباع الفوري ، فقد تم تكديس قدر كبير من التركيز المتجدد على هذا الموضوع.

كل شيء من Worfklows التصنيع الآلي إلى الطب الرقمي الشخصي يمكن أن تنمو للاعتماد عليها التعلم العميق تقنية. ومع ذلك ، فإن تحديد الجوانب الدقيقة لهذا الانضباط التقني الذي سيحدث ثورة في هذه الصناعات هو أكثر صعوبة بكثير. ربما يكون من الأفضل التفكير في التعلم العميق في سياق حركة أكبر في علوم الكمبيوتر.

تعريف التعلم العميق كمجموعة فرعية من التعلم الآلي

تعلم الآلة والتعلم العميق وجهان أساسيان لعملة واحدة. تقنيات التعلم العميق هي تخصص محدد ينتمي إلى مجال أكبر بكثير يتضمن مجموعة كبيرة ومتنوعة من وكلاء الذكاء الاصطناعي المدربين الذين يمكنهم التنبؤ بالاستجابة الصحيحة في مجموعة واسعة من المواقف. ومع ذلك ، فإن ما يجعل التعلم العميق مستقلاً عن كل هذه التقنيات الأخرى هو حقيقة أنه يركز بشكل حصري تقريبًا على وكلاء التدريس لتحقيق هدف محدد من خلال تعلم أفضل إجراء ممكن في عدد من البيئات الافتراضية.

عادةً ما تقوم خوارزميات التعلم الآلي التقليدية بتعليم العقد الاصطناعية كيفية الاستجابة للمنبهات عن طريق الحفظ عن ظهر قلب. يشبه هذا إلى حد ما أساليب التدريس البشرية التي تتكون من التكرار البسيط ، وبالتالي يمكن التفكير في المكافئ المحوسب للطالب الذي يمر عبر جداول الضرب حتى يتمكن من قراءتها. في حين أن هذا فعال بطريقة ما ، إلا أن وكلاء الذكاء الاصطناعي المتعلمين بهذه الطريقة قد لا يكونوا قادرين على الاستجابة لأي حافز خارج نطاق مواصفات التصميم الأصلية الخاصة بهم.

هذا هو السبب في أن المتخصصين في التعلم العميق طوروا خوارزميات بديلة تعتبر متفوقة إلى حد ما على هذه الطريقة ، على الرغم من أنها مكثفة للغاية للأجهزة من نواح كثيرة. قد تستند الجسور الفرعية التي يستخدمها وكلاء التعلم العميق حول شبكات الخصومة التوليفية أو هياكل العقدة العصبية التلافيفية أو شكل عملي لآلة بولتزمان المقيدة. هذه تقف في تناقض حاد مع الأشجار الثنائية والقوائم المرتبطة المستخدمة بواسطة البرامج الثابتة التقليدية للتعلم الآلي بالإضافة إلى غالبية أنظمة الملفات الحديثة.

كانت الخرائط ذاتية التنظيم أيضًا في مرحلة التعلم العميق ، على الرغم من أن تطبيقاتها في مجالات أبحاث الذكاء الاصطناعي الأخرى كانت عادةً أقل واعدة. عندما يتعلق الأمر بتعريف ملف التعلم العميق مقابل التعلم الآلي ومع ذلك ، فمن المحتمل جدًا أن يبحث الفنيون عن تطبيقات عملية أكثر من بحث أكاديمي نظري في الأشهر المقبلة. يكفي أن نقول إن التعلم الآلي يشمل كل شيء من أبسط الذكاء الاصطناعي إلى الخوارزميات التنبؤية الأكثر تعقيدًا بينما يشكل التعلم العميق مجموعة فرعية أكثر انتقائية من هذه التقنيات.

تطبيقات عملية لتكنولوجيا التعلم العميق

اعتمادًا على كيفية تأليف برنامج معين ، يمكن نشر تقنيات التعلم العميق على طول الشبكات العصبية الخاضعة للإشراف أو شبه الخاضعة للإشراف. من الناحية النظرية ، سيكون من الممكن أيضًا القيام بذلك عبر تخطيط عقدة غير خاضع للإشراف تمامًا، وهذه التقنية هي التي سرعان ما أصبحت الواعدة. قد تكون الشبكات غير الخاضعة للإشراف مفيدة لتحليل الصور الطبية ، حيث يقدم هذا التطبيق غالبًا أجزاء فريدة من المعلومات الرسومية لبرنامج كمبيوتر يجب اختبارها مقابل المدخلات المعروفة.

شجرة ثنائية تقليدية أو أنظمة التعلم القائمة على blockchain لقد كافح لتحديد الأنماط نفسها في سيناريوهات مختلفة بشكل كبير ، لأن المعلومات تظل مخفية في هيكل كان من الممكن أن يصمم لولا ذلك لتقديم البيانات بفعالية. إنه في الأساس شكل طبيعي من أشكال إخفاء المعلومات ، وقد أربك خوارزميات الكمبيوتر في صناعة الرعاية الصحية. ومع ذلك ، يمكن لهذا النوع الجديد من عقد التعلم غير الخاضعة للإشراف أن يثقف نفسه فعليًا حول كيفية مطابقة هذه الأنماط حتى في بنية البيانات غير المنظمة وفقًا للخطوط العادية التي يتوقعها الكمبيوتر.

اقترح آخرون التنفيذ وكلاء تسويق ذكاء اصطناعيًا شبه خاضعين للإشراف يمكن أن يقضي على الكثير من القلق بشأن الأخلاقيات فيما يتعلق ببرنامج إغلاق الصفقات الحالي. بدلاً من محاولة الوصول إلى قاعدة عملاء كبيرة قدر الإمكان ، فإن هذه الأدوات ستحسب احتمالات أي فرد يحتاج إلى منتج في وقت معين. من أجل القيام بذلك ، ستحتاج إلى أنواع معينة من المعلومات التي تقدمها المنظمة التي تعمل نيابة عنها ، ولكنها ستكون قادرة في النهاية على التنبؤ بجميع الإجراءات الإضافية من تلقاء نفسها.

بينما تعتمد بعض الشركات حاليًا على الأدوات التي تستخدم تقنية التعلم الآلي التقليدية لتحقيق نفس الأهداف ، فإنها غالبًا ما يتم إنشاؤها باستخدام خصوصية والمخاوف الأخلاقية. لقد مكّن ظهور خوارزميات التعلم المنظم العميق مهندسي البرمجيات من ابتكار أنظمة جديدة لا تعاني من هذه العيوب.

تطوير بيئة التعلم الآلي الخاصة

غالبًا ما تكون برامج التعلم الآلي التقليدية خطيرة خصوصية بسبب حقيقة أنهم بحاجة إلى قدر كبير من المدخلات من أجل استخلاص أي استنتاجات قابلة للاستخدام. برنامج التعرف على الصور التعلم العميق تعمل عن طريق معالجة مجموعة فرعية أصغر من المدخلات ، وبالتالي ضمان أنها لا تحتاج إلى الكثير من المعلومات للقيام بها وظيفة. هذا له أهمية خاصة لأولئك الذين يهتمون بـ إمكانية تسريب بيانات المستهلك.

بالنظر إلى المواقف التنظيمية الجديدة بشأن العديد من هذه القضايا ، سرعان ما أصبح شيئًا مهمًا من وجهة نظر الامتثال أيضًا. كما بدأت مختبرات علم السموم باستخدام حزم التعلم العميقة المنظمة التي تركز على النشاط الحيوي، من المحتمل أن يعبر المنظمون عن مخاوف إضافية فيما يتعلق بكمية المعلومات اللازمة لأداء أي مهمة مع هذا النوع من البيانات الحساسة. اضطر علماء الكمبيوتر إلى تقليص ما وصفه البعض بخرطوم حريق حقيقي من البايتات التي تحكي قصة أكثر مما قد يكون مرتاحًا له.

بطريقة ما ، استمعت هذه التطورات إلى وقت سابق عندما كان يعتقد أن كل عملية في نظام يجب أن يكون لها فقط مقدار الامتيازات اللازمة لإكمال وظيفتها. نظرًا لأن مهندسي التعلم الآلي يتبنون هذا النموذج ، فمن المحتمل جدًا أن تكون التطورات المستقبلية أكثر أمانًا لمجرد أنها لا تتطلب المقدار الهائل من التنقيب عن البيانات اللازمة لتشغيل العمليات الحالية الحالية.

حقوق الصورة: toptal.io

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652

مواصلة القراءة

الذكاء الاصطناعي

تقرير حول أزمة إضافية: Tonal EC-1 ، الاكتتاب العام الأولي لشركة Deliveroo ، هل تبلغ قيمة Substack 650 مليون دولار حقًا؟

الصورة الرمزية

تم النشر

on

لكي تتأهل للحصول على عمود هذا الصباحنظر أليكس فيلهلم إلى الوراء في الأشهر القليلة الماضية ، "موسم مزدحم لمخارج التكنولوجيا" الذي أعقب الربع الرابع من عام 4 الحار.

إننا نشهد دلائل على أن سوق الاكتتاب العام الأولي قد يكون باردًا ، ولكن بالرغم من ذلك ، "هناك عدد كافٍ من SPAC لاستيعاب الفئة Y Combinator الأخيرة بشكل عام" ، كما يلاحظ.

بمجرد أن نأخذ في الاعتبار شركات الأسهم الخاصة ذات الجيوب المليئة بالمال ، فمن الواضح أن الشركات في المرحلة الأخيرة لديها ثلاثة خيارات قوية للارتقاء بمستواها.

سعيًا وراء مزيد من المعلومات حول خيارات السيولة هذه ، أجرى أليكس مقابلة:

  • الرئيس التنفيذي لشركة DigitalOcean Yancey Spruill ، الذي أصبحت شركته عامة عبر الاكتتاب العام ؛
  • Latch CFO Garth Mitchell ، الذي ناقش اندماج شركته الناشئة مع العقارات SPAC $ TSIA ؛
  • براين كروفر ، المؤسس والرئيس التنفيذي لشركة AlertMedia ، التي باعت مؤخرًا لشركة أسهم خاصة.

بعد تلخيص صفقاتهم ، يشرح كل مسؤول تنفيذي كيف حددت شركته علامة "الخروج" الحمراء الوامضة التي يجب اتباعها. كما لاحظ أليكس ، "يعد اختيار الخيار الأفضل من بين خيارات البوفيه مهمة مثيرة للاهتمام."

شكرًا جزيلاً على قراءة Extra Crunch! اتمنى لك نهايه اسبوع جميله.

والتر طومسون
محرر أول ، TechCrunch
تضمين التغريدة


مقالات Full Extra Crunch متاحة فقط للأعضاء
استخدام رمز الخصم EC الجمعة لتوفير 20٪ من الاشتراك لمدة عام أو عامين


نغمة EC-1

الصور: نايجل سوسمان

نشرنا يوم الثلاثاء سلسلة من أربعة أجزاء على Tonal ، وهي شركة ناشئة للياقة البدنية في المنزل جمعت 200 مليون دولار منذ إطلاقها في عام 2018. تجمع الأجهزة الحاصلة على براءة اختراع للشركة بين الأوزان الرقمية والتدريب والذكاء الاصطناعي في نظام مثبت على الحائط يباع مقابل 2,995 دولارًا.

بكل المقاييس ، فهي مستعدة للنجاح - زادت المبيعات 800٪ بين ديسمبر 2019 و 2020 ، وبحلول نهاية هذا العام ، سيكون للشركة 60 موقعًا للبيع بالتجزئة. الاربعاء، أبلغت Tonal عن سلسلة E بقيمة 250 مليون دولار التي قدرت الشركة بـ 1.6 مليار دولار.

يدرس غوصنا العميق أصول Tonal والجدول الزمني لتطوير المنتجات واستراتيجية الدخول إلى السوق والجوانب الأخرى التي اجتمعت لإثارة اهتمام المستثمرين وإسعاد العملاء.

نسمي هذا التنسيق "EC-1، "نظرًا لأن هذه القصص شاملة ومضيئة كما يجب على الشركات الناشئة في نماذج S-1 تقديم ملف إلى لجنة الأوراق المالية والبورصات قبل طرحها للجمهور.

إليك كيفية انهيار Tonal EC-1:

لدينا المزيد من EC-1s قيد العمل حول الشركات الناشئة الأخرى في المرحلة المتأخرة التي تقوم بأشياء كبيرة بشكل جيد وتصدر الأخبار في هذه العملية.

ما الذي يجب فعله من الاكتتاب العام الأولي لشركة Deliveroo

لماذا عانت Deliveroo عندما بدأت في التداول؟ هل تعاني من تنافر ثقافي بين نموذج النمو المرتفع والمستثمرين الأوروبيين الأكثر تحفظًا؟

دعنا نلقي نظرة خاطفة على الأرقام ونكتشف.

كالتورا يوقف ترسيمه. هل يتم إغلاق نافذة الاكتتاب التقني؟

وتشك البورصة في أن العديد من الناس توقعوا أن يصبح مناخ الاكتتاب باردًا جدًا دون سابق إنذار. لكن يمكن أن نتوقف مؤقتًا في الربع الثاني في المناخ الحار سابقًا للظهور التكنولوجي لأول مرة.

هل تبلغ قيمة Substack 650 مليون دولار حقًا؟

تعتبر السلسلة B البالغة 65 مليون دولار أمرًا رائعًا ، حتى بحلول معايير 2021. لكن حقيقة أن a16z تضخ المزيد من رأس المال في مساحة الوسائط البديلة ليست مفاجأة.

Substack هو المكان الذي نزفت فيه المنشورات بعض المواهب المعروفة ، مما أدى إلى تحويل مركز الثقل في وسائل الإعلام. دعونا نلقي نظرة على النمو التاريخي لشركة Substack.

يرتفع سوق التشغيل الروبوتي للعمليات (RPA) حيث يستفيد المستثمرون والموردون من التحول التكنولوجي الناتج عن الوباء

تنظيم العمليات التجارية والتحليلات. تصور وتمثيل العمليات التجارية ، مفهوم نظام سير العمل الآلي. مفهوم مكافحة ناقلات التوضيح الإبداعي

الصور: الجيل المرئي / جيتي إيماجيس

ظهرت أتمتة العمليات الروبوتية في المقدمة خلال الوباء حيث اتخذت الشركات خطوات للتحول الرقمي. عندما لا يمكن أن يكون الموظفون في نفس المكتب معًا ، أصبح من الضروري تجميع المزيد من مهام سير العمل الآلية التي تتطلب عددًا أقل من الأشخاص في الحلقة.

مكنت تقنية RPA المديرين التنفيذيين من توفير مستوى من الأتمتة يوفر لهم الوقت بشكل أساسي لتحديث الأنظمة إلى مناهج أكثر حداثة مع تقليل العدد الكبير من المهام اليدوية الدنيوية التي تشكل جزءًا من سير عمل كل صناعة.

التدفقات في التجارة الإلكترونية هي الموجة التالية من الاضطراب في السلع الاستهلاكية المعبأة

يدور هذا العام حول عمليات التجميع ، وتجميع الشركات الصغيرة في شركات أكبر ، مما يخلق مسارًا يحتمل أن يكون مقنعًا لقيمة الأسهم. الاهتمام بخلق قيمة من خلال العلامات التجارية للتجارة الإلكترونية أمر لافت للنظر بشكل خاص.

منذ عام واحد فقط ، لم تعد العلامات التجارية المحلية الرقمية محبذة لأصحاب رؤوس الأموال بعد أن فشل الكثير منهم في تحقيق عوائد على نطاق المشروع. إذن ما هو الضجيج الشامل؟

يأخذ Hack: يوضح أحد CISO والهاكر كيفية استجابتهما لخرق Exchange

دخل عالم الإنترنت حقبة جديدة أصبحت فيها الهجمات أكثر تكرارا وتحدث على نطاق أوسع من أي وقت مضى. هيمنت الاختراقات الهائلة التي طالت آلاف الشركات والوكالات الأمريكية رفيعة المستوى على الأخبار مؤخرًا. ومن أهمها اختراق SolarWinds / FireEye لشهر ديسمبر وخرق خادم Microsoft Exchange الأحدث.

يريد الجميع أن يعرف: إذا تعرضت لخرق Exchange ، فماذا يجب أن تفعل؟

5 أساسيات للتعلم الآلي يحتاج القادة غير التقنيين إلى فهمها

أصبح التعلم الآلي أساس الأعمال وتسريع النمو بسبب الوتيرة المذهلة للتغيير والتطوير في هذا المجال.

ولكن بالنسبة للهندسة وقادة الفريق الذين ليس لديهم خلفية تعلّم الآلة ، يمكن أن يشعر هذا أيضًا بالإرهاق والترهيب.

فيما يلي أفضل الممارسات والمكونات التي يجب معرفتها مقسمة إلى خمسة دروس عملية وسهلة التطبيق.

المشتريات المدمجة ستجعل كل شركة سوقها الخاص

تستخدم سيدات الأعمال الهاتف المحمول لتحليل البيانات والرسم البياني للنمو الاقتصادي. تكنولوجيا التسويق الرقمي والاتصال بالشبكة.

الصور: بوساكورن بونجبارنيت / جيتي إيماجيس

المشتريات المدمجة هي التطور الطبيعي للتكنولوجيا المالية المدمجة.

في هذه الموجة التالية ، ستشتري الشركات الأشياء التي تحتاجها من خلال تطبيقات B2B الرأسية ، وليس من خلال مندوبي المبيعات أو الموزعين أو موقع الويب الخاص بالتاجر الفردي.

معرفة متى يجب أن تعمل شركتك الناشئة بشكل كامل في تطوير الأعمال

خط أحمر واحد برأس سهم ينفصل عن لوحة رسم بياني لنمو الأعمال أو التمويل.

الصور: twomeows / جيتي إيماجيس

هناك مغالطة مستمرة تدور حول أن أي مشكلة في بدء التشغيل يمكن حلها من خلال تطوير الأعمال.

هذا بصراحة ليس صحيحا.

عزيزتي صوفي: ما الذي يجب أن أعرفه عن التقديم المسبق والحصول على البطاقة الخضراء من خلال الزواج؟

شخصية وحيدة عند مدخل سياج متاهة عليها علم أمريكي في المنتصف

الصور: بريس دوربين / تك كرانش

عزيزي صوفي:

أنا مؤسس شركة ناشئة بتأشيرة مستثمر E-2 وقد تمت خطبتي للتو! سيكفل زوجي الذي سيصبح قريبًا لي الحصول على البطاقة الخضراء.

هل يوجد حد أدنى للراتب يجب أن تكفل لي؟ هل هناك أي شيء يجب أن أضعه في الاعتبار قبل البدء في عملية البطاقة الخضراء؟

- مخطوبون في بلمونت

يجب على الشركات الناشئة كبح البيروقراطية لضمان حوكمة البيانات المرنة

صورة لجهاز كمبيوتر وهاتف وساعة على مكتب مقيدة بشريط أحمر.

الصور: RichV Vintage / جيتي إيماجيس

ترى العديد من المؤسسات أن إدارة البيانات تشبه إدارة البيانات ، حيث تتركز المسؤوليات حول وضع الضوابط وإجراءات التدقيق ، ويتم النظر إلى الأشياء من منظور دفاعي.

ومن المسلم به أن هذا الموقف الدفاعي له ما يبرره ، لا سيما بالنظر إلى الأضرار المالية والسمعة المحتملة الناجمة عن سوء إدارة البيانات وتسريبها.

ومع ذلك ، هناك عنصر من قصر النظر هنا ، والحذر المفرط يمكن أن يمنع المؤسسات من تحقيق فوائد التعاون القائم على البيانات ، لا سيما عندما يتعلق الأمر بتطوير البرامج والمنتجات.

اجلب CISOs إلى C-suite لإدخال الأمن السيبراني في ثقافة الشركة

ترتبط استراتيجية الإنترنت واستراتيجية الشركة ارتباطًا وثيقًا. وبالتالي ، سيكون كبار مسؤولي أمن المعلومات في C-Suite مشتركين ومؤثرين مثل الرؤساء الماليين في تعظيم قيمة المساهمين.

كيف تنفق تكنولوجيا التعليم رأس مالها الإضافي؟

تمتلك شركة Edtech unicorns كميات كبيرة من النقود لإنفاقها بعد زيادة رأس المال للقطاع في عام 2020. ونتيجة لذلك ، استمر نشاط الاندماج والاستحواذ في تكنولوجيا التعليم في التضخم.

إن فكرة شركة ناشئة ذات رأس مال جيد تشتري المنافسين لاستكمال أعمالها الأساسية ليست بالأمر الجديد ، لكن عمليات الخروج في هذا القطاع جديرة بالملاحظة لأن الأموال المستخدمة في شراء الشركات الناشئة يمكن اعتبارها تأثيرًا لتأثير الوباء على التعليم عن بعد.

لكن في الأسبوع الماضي ، أصدرت بيئة الدمج بيانًا واضحًا: الشركات الناشئة التي أثبتت جدارتها الوباء تستقطب المواهب - وبسرعة.

Tech in Mexico: ملتقى لأمريكا اللاتينية والولايات المتحدة وآسيا

إن نقل المعرفة ليس الاتجاه الوحيد المتدفق في العلاقة بين الولايات المتحدة وآسيا وأمريكا اللاتينية. المنافسة على قدم وساق كذلك.

بسبب ظروف السوق المماثلة ، يتوسع عمالقة التكنولوجيا الآسيويون بشكل مباشر في المكسيك ودول أمريكا اللاتينية الأخرى.

كيف قمنا بتحسين صافي الاحتفاظ بنسبة 30+ نقطة في ربعين

من المؤكد أنه لا يوجد نقص في مقاييس أداء SaaS التي يركز عليها القادة ، ولكن NRR (الاحتفاظ بصافي الإيرادات) هو بلا شك أكثر المقاييس التي تم التقليل من شأنها.

NRR هو ببساطة إجمالي الإيرادات مطروحًا منه أي زيادة في الإيرادات بالإضافة إلى أي توسع في الإيرادات من الترقيات أو البيع المتقاطع أو زيادة المبيعات. كلما زادت NRR ، زادت سرعة الشركات في التوسع.

5 أخطاء يرتكبها منشئو المحتوى عند إنشاء ألعاب جديدة على لعبة Roblox

حتى مصممي الألعاب الأكثر خبرة وموهبة من شركة F2P للأجهزة المحمولة عادة ما يفشلون في فهم الميزات التي تهم Robloxians.

بالنسبة لأولئك الذين بدأوا للتو رحلتهم في تطوير لعبة Roblox ، فهذه هي الأخطاء الأكثر شيوعًا التي يرتكبها محترفو الألعاب على Roblox.

يشرح الرئيس التنفيذي مانيش شاندرا والمستثمر نافين تشادها سبب غناء مجموعة Poshmark's Series A

يشرح الرئيس التنفيذي مانيش شاندرا والمستثمر نافين تشادها سبب غناء مجموعة Poshmark's Series A

"قُد بالحب ، والمال يأتي." إنها إحدى القيم الأساسية في Poshmark. في الحلقة الأخيرة من برنامج Extra Crunch Live ، جلس تشاندرا وتشادها معنا ومشينا معنا عبر منصة عرض السلسلة أ الأصلية.

هل سيحفز الوباء على ولادة جديدة ذكية للمدن؟

المدن هي مراكز صاخبة حيث يعيش الناس ويعملون ويلعبون. عندما ضرب الوباء ، فر بعض الناس من أسواق المدن الكبرى إلى المدن الصغيرة - مما أثار تساؤلات حول صلاحية المدن في المستقبل.

لكن أولئك الذين توقعوا أن COVID-19 سيدمر المجتمعات الحضرية الكبرى قد يرغبون في التوقف عن تقصير قدرة هذه البلديات على الصمود والبدء في المضي طويلاً فيما يبدو عليه مستقبل ما بعد الوباء.

سيكون جنون NFT نعمة للمحامين

هناك الكثير من عدم اليقين المحيط بقضايا حقوق النشر والاحتيال ومحتوى البالغين والآثار القانونية هي جوهر اتجاه NFT.

يعتمد ما إذا كانت المحكمة ستحمي ملكية حامل الإيصال على ملف معين على مجموعة متنوعة من العوامل. كل هذه المخاوف تعني أن الفنانين قد يحتاجون إلى محاميهم.

مشاهدة عرض Cazoo المقترح لـ SPAC من خلال الزجاج الأمامي لـ Carvana

إنه سؤال معقول: لماذا يدفع أي شخص هذا القدر من المال مقابل Cazoo اليوم إذا كانت Carvana أكثر ربحية وما إلى ذلك؟ حسنًا ، النمو. هذه هي الحجة على أي حال.

كوينسمارت. Beste Bitcoin-Börse في أوروبا
Source: https://techcrunch.com/2021/04/02/extra-crunch-roundup-tonal-ec-1-deliveroos-rocky-ipo-is-substack-really-worth-650m/

مواصلة القراءة

AI

ماذا فعل COVID لجميع موديلاتنا؟

الصورة الرمزية

تم النشر

on

ماذا فعل COVID لجميع موديلاتنا؟

مقابلة مع دين أبوت وجون إلدر حول إدارة التغيير والتعقيد وقابلية التفسير وخطر استيلاء الذكاء الاصطناعي على البشرية.


By هيذر فيسون، KNIME

ماذا فعل COVID لجميع موديلاتنا؟

بعد قمة KNIME Fall، الديناصورات عادت إلى المنزل ... حسنًا ، أغلقت أجهزة الكمبيوتر المحمولة الخاصة بهم. عميد أبوت و جون إلدر، خبراء علوم البيانات منذ فترة طويلة ، تمت دعوتهم إلى قمة الخريف من قبل مايكل للانضمام إليه في مناقشة مستقبل علم البيانات: محادثة مع ديناصورات الصناعة. وكانت النتيجة محادثة مثيرة حول تحديات علوم البيانات والاتجاهات الجديدة. منذ إطفاء أضواء الاستوديو ، روزاريا قام بتقطير وتوسيع بعض النقاط البارزة حول إدارة التغيير والتعقيد وقابلية التفسير والمزيد في عالم علم البيانات. دعونا نرى إلى أين أتت بنا.

ما هي تجربتك مع إدارة التغيير في الذكاء الاصطناعي ، عندما يتعين تحديث تغييرات ونماذج الواقع؟ ماذا فعل COVID لجميع موديلاتنا؟

 
[عميد] تفترض خوارزميات التعلم الآلي (ML) الاتساق بين الماضي والمستقبل. عندما تتغير الأشياء ، تفشل النماذج. لقد غير فيروس كورونا عاداتنا ، وبالتالي بياناتنا. تكافح نماذج ما قبل COVID للتعامل مع الوضع الجديد.

[يوحنا] مثال بسيط سيكون طبقة حركة المرور على خرائط Google. بعد عمليات الإغلاق التي ضربت دولة تلو الأخرى في عام 2020 ، كانت تقديرات حركة المرور على خرائط Google غير دقيقة للغاية لفترة من الوقت. لقد تم بناؤه على بيانات تدريب مستقرة إلى حد ما ولكن الآن تم التخلص من هذا النظام تمامًا.

كيف تعرف متى تغير العالم ولم تعد النماذج تعمل؟

 
[عميد] إليك خدعة صغيرة أستخدمها: أقوم بتقسيم بياناتي حسب الوقت وتسمية السجلات على أنها "قبل" و "بعد". ثم أقوم ببناء نموذج تصنيف للتمييز بين "بعد" مقابل "قبل" من نفس المدخلات التي يستخدمها النموذج. إذا كان التمييز ممكنًا ، فإن "ما بعد" يختلف عن "السابق" ، فقد تغير العالم ، وتغيرت البيانات ، ويجب إعادة تدريب النماذج.

ما مدى تعقيد إعادة تدريب النماذج في المشاريع ، خاصة بعد سنوات من التخصيص؟

 
[يوحنا] نماذج التدريب عادة ما تكون أسهل خطوة على الإطلاق! الغالبية العظمى من المشاريع الناجحة خلاف ذلك يموت في مرحلة التنفيذ. أعظم الوقت  يتم إنفاقه في مرحلة تنقية البيانات وإعدادها. والأكثر مشاكل تم تفويتها أو إجراؤها في مرحلة فهم الأعمال / تعريف المشروع. لذا ، إذا فهمت ما هو الخلل واستطعت الحصول على بيانات جديدة ووضع إطار عمل للتنفيذ ، فإن إنشاء نموذج جديد ، بالمقارنة ، واضح جدًا.

استنادًا إلى خبرتك التي امتدت لعقود ، ما مدى تعقيد تجميع تطبيق فعال لعلوم البيانات؟

 
[يوحنا] يمكن أن تختلف بالطبع ، من خلال التعقيد. تحصل معظم مشاريعنا على نماذج أولية عاملة على الأقل في غضون بضعة أشهر. لكن بالنسبة للجميع ، لا يمكنني التأكيد بما فيه الكفاية على أهمية ردود الفعل: عليك التحدث إلى الناس أكثر مما تريد. واستمع! نتعلم أشياء جديدة حول مشكلة العمل أو البيانات أو القيود في كل مرة. لسنا جميعًا نحن الأشخاص الكميون ماهرون في التحدث مع البشر ، لذلك غالبًا ما يتطلب الأمر فريقًا. لكن يجب أن يتعلم الفريق بأكمله من أصحاب المصلحة التحدث بنفس اللغة.

[عميد] من المهم التحدث إلى نظرائنا التجاريين. يخشى الناس التغيير ولا يريدون تغيير الوضع الحالي. إحدى المشكلات الرئيسية هي مشكلة نفسية حقًا. غالبًا ما يُنظر إلى المحللين على أنهم مصدر إزعاج. لذلك ، يتعين علينا بناء الثقة بين النظير التجاري ومهوسو التحليلات. يجب أن تتضمن بداية المشروع دائمًا الخطوة التالية: مزامنة خبراء المجال / مديري المشروع والمحللين وفريق تكنولوجيا المعلومات والبنية التحتية (DevOps) حتى يكون الجميع واضحًا بشأن أهداف المشروع وكيفية تنفيذه. يحتل المحللون المرتبة 11 في قائمة العشرة الأوائل من الأشخاص الذين يتعين عليهم رؤيتهم كل يوم! دعونا نتجنب تجسيد غطرسة عالم البيانات: "لا يمكن للعمل التجاري فهمنا / تقنياتنا ، لكننا نعرف ما هو الأفضل". لكن ما لا نفهمه هو أن خبراء المجالات هم في الواقع خبراء في المجال الذي نعمل فيه! تعتبر ترجمة افتراضات ومناهج علوم البيانات إلى لغة يفهمها خبراء المجال أمرًا أساسيًا!

الاتجاه الأخير الآن هو التعلم العميق ، ويبدو أنه يمكنه حل كل شيء. تلقيت سؤالًا من أحد الطلاب مؤخرًا ، يسأل "لماذا نحتاج إلى تعلم خوارزميات ML الأخرى إذا كان التعلم العميق هو أحدث ما توصلت إليه التكنولوجيا لحل مشاكل علوم البيانات"؟

 
[عميد] امتص التعلم العميق الكثير من الأكسجين من الغرفة. إنه شعور يشبه إلى حد كبير أوائل التسعينيات عندما صعدت الشبكات العصبية بتفاؤل مماثل! التعلم العميق عبارة عن مجموعة من التقنيات القوية بالتأكيد ، ولكن من الصعب تنفيذها وتحسينها. XGBoost ، مجموعات الأشجار ، هي أيضًا قوية ولكنها حاليًا أكثر انتشارًا. الغالبية العظمى من المشاكل التي نحتاج إلى حلها باستخدام التحليلات المتقدمة لا تتطلب في الواقع حلولًا معقدة ، لذا ابدأ بسيطًا ؛ التعلم العميق هو مبالغة في هذه المواقف. من الأفضل استخدام مبدأ ماكينة الحلاقة في أوكام: إذا كان هناك نموذجان يؤديان نفس الشيء ، فقم بتبني أبسطها.

عن التعقيد. الاتجاه الآخر ، عكس التعلم العميق ، هو تفسير ML. هنا ، أنت تبسط النموذج بشكل كبير (بشكل مفرط؟) حتى تتمكن من شرحه. هل التفسير مهم؟

 
[يوحنا] كثيرا ما أجد نفسي أحارب التفسير. إنه أمر رائع بالتأكيد ، ولكنه غالبًا ما يأتي بتكلفة عالية جدًا لأهم خصائص النموذج: الدقة الموثوقة. لكن العديد من أصحاب المصلحة يعتقدون أن القابلية للتفسير ضرورية ، لذلك تصبح حاجزًا أمام القبول. وبالتالي ، من الضروري اكتشاف نوع التفسير المطلوب. ربما هو مجرد معرفة ما هي أهم المتغيرات؟ هذا ممكن مع العديد من النماذج غير الخطية. ربما ، كما هو الحال مع شرح لمقدمي طلبات الائتمان لماذا تم رفضهم ، يحتاج المرء فقط إلى تفسير المخرجات لحالة واحدة في كل مرة؟ يمكننا بناء تقريب خطي لنقطة معينة. أو يمكننا إنشاء بيانات من نموذج الصندوق الأسود الخاص بنا وبناء نموذج "قابل للتفسير" لأي تعقيد يناسب تلك البيانات.

أخيرًا ، أظهر البحث أنه إذا أتيحت للمستخدمين فرصة اللعب بنموذج - أي لإثارة قيم تجريبية للمدخلات ورؤية مخرجاتها ، وربما تصورها - فإنهم يحصلون على نفس المشاعر الدافئة لقابلية التفسير. بشكل عام ، الثقة - في الأشخاص والتكنولوجيا وراء النموذج - ضرورية للقبول ، ويتم تعزيز ذلك من خلال الاتصال المنتظم وإدراج المستخدمين النهائيين للنموذج في مراحل البناء وقرارات عملية النمذجة.

[عميد] بالمناسبة ، تمتلك منصة KNIME Analytics ميزة رائعة لتقدير أهمية متغيرات الإدخال في غابة عشوائية! ال المتعلم العشوائي للغابات تُخرج العقدة إحصائيات المتغيرات المرشحة والمتغيرات الفاصلة. تذكر أنه عند استخدام عقدة Random Forest Learner.

هناك زيادة في طلبات تفسيرات ما يفعله النموذج. على سبيل المثال ، بالنسبة لبعض فئات الأمان ، يطالب الاتحاد الأوروبي بالتحقق من أن النموذج لا يفعل ما لا يفترض أن يفعله. إذا كان علينا شرح كل شيء ، فربما لا يكون التعلم الآلي هو السبيل للذهاب. لا مزيد من التعلم الآلي؟

 
[عميد]  ربما يكون الحصول على شرح كامل صعبًا للغاية ، ولكن يمكننا تحقيق تقدم من خلال إجراء بحث شبكي على مدخلات النموذج لإنشاء شيء مثل بطاقة النتيجة التي تصف ما يفعله النموذج. هذا شيء مثل اختبار الانحدار في الأجهزة والبرامج QA. إذا كان الدليل الرسمي على ما تفعله النماذج غير ممكن ، فلنختبر ونختبر ونختبر! يمكن أن يساعد تبديل الإدخال وخلط الهدف في تحقيق تمثيل تقريبي لسلوك النموذج.

[يوحنا] بالحديث عن فهم ما يفعله النموذج ، أود أن أثير مشكلة التكاثر في العلم. يُعتقد أن نسبة كبيرة من المقالات الصحفية في جميع المجالات - 65 إلى 90٪ - غير قابلة للتكرار. هذه أزمة حقيقية في العلم. تحاول الأوراق الطبية إخبارك بكيفية إعادة إنتاج نتائجها. لا يبدو أن أوراق ML لا تهتم حتى الآن بإمكانية التكاثر. أظهرت دراسة حديثة أن 15٪ فقط من أوراق الذكاء الاصطناعي تتشارك في التعليمات البرمجية الخاصة بها.

لنتحدث عن تحيز تعلم الآلة. هل من الممكن بناء نماذج لا تميز؟

 
[يوحنا] (أن تكون الطالب الذي يذاكر كثيرا للحظة ، هذه الكلمة للأسف زائد. إن "التمييز" في كلمة ML العالمية هو هدفك الأساسي: التمييز بين فئتين.) ولكن بالنسبة لسؤالك الحقيقي ، فإنه يعتمد على البيانات (وعلى ما إذا كان المحلل ذكيًا بما يكفي لضبط نقاط الضعف في البيانات ): ستسحب النماذج من البيانات المعلومات الواردة فيها. الكمبيوتر لا يعرف شيئًا عن العالم باستثناء ما هو موجود في البيانات الموجودة أمامه. لذلك يتعين على المحلل تنسيق البيانات - وتحمل المسؤولية عن تلك الحالات التي تعكس الواقع. إذا كانت أنواع معينة من الأشخاص ، على سبيل المثال ، غير ممثلة تمثيلاً ناقصًا ، فإن النموذج سيولي اهتمامًا أقل لهم ولن يكون دقيقًا معهم في المستقبل. أسأل ، "ما الذي يجب أن تمر به البيانات للوصول إلى هنا؟" (للحصول على مجموعة البيانات هذه) للتفكير في كيفية انسحاب الحالات الأخرى على طول الطريق خلال العملية (أي تحيز الناجين). يمكن لعالم البيانات الماهر البحث عن مثل هذه المشكلات والتفكير في طرق لتعديلها / تصحيحها.

[عميد] التحيز ليس في الخوارزميات. التحيز في البيانات. إذا كانت البيانات متحيزة ، فنحن نعمل بنظرة متحيزة للعالم. الرياضيات هي مجرد رياضيات ، فهي ليست متحيزة.

هل سيهيمن الذكاء الاصطناعي على البشرية ؟!

 
[يوحنا] أعتقد أن الذكاء الاصطناعي هو مجرد هندسة جيدة. هل سيتجاوز الذكاء الاصطناعي الذكاء البشري؟ من واقع خبرتي ، يعتقد أي شخص دون سن الأربعين نعم ، هذا أمر حتمي ، ومعظم الأشخاص الذين تزيد أعمارهم عن 40 عامًا (مثلي ، من الواضح): لا! نماذج الذكاء الاصطناعي سريعة ومخلصة وطاعة. مثل كلب الراعي الألماني الجيد ، سيذهب نموذج الذكاء الاصطناعي ويحصل على تلك الكرة ، لكنه لا يعرف شيئًا عن العالم بخلاف البيانات التي تم عرضها. ليس له منطق سليم. إنه مساعد رائع لمهام محددة ، لكنه في الواقع خافت تمامًا.

[عميد] في هذه الملاحظة ، أود أن أبلغ عن اقتباسين قدمهما مارفن مينسكي في عامي 1961 و 1970 ، منذ فجر الذكاء الاصطناعي ، وأعتقد أنهما يصفان مستقبل الذكاء الاصطناعي جيدًا.

"خلال حياتنا ، قد تتفوق علينا بعض الآلات في الذكاء العام" 1961

"في غضون ثلاث إلى ثماني سنوات ، سيكون لدينا آلة تتمتع بذكاء الإنسان" 1970

هذه الأفكار موجودة منذ فترة طويلة. إليك أحد الأسباب التي تجعل الذكاء الاصطناعي لا يحل جميع المشكلات: نحن نحكم على سلوكه بناءً على رقم واحد ، رقم واحد فقط! (خطأ في النموذج). على سبيل المثال ، التنبؤات بأسعار الأسهم على مدى السنوات الخمس المقبلة ، التي تم التنبؤ بها من خلال بناء النماذج باستخدام جذر متوسط ​​الخطأ التربيعي كمقياس للخطأ ، لا يمكن أن ترسم الصورة الكاملة لما تفعله البيانات بالفعل وتعيق النموذج بشدة وقدرته على الكشف عن الأنماط بمرونة. نعلم جميعًا أن RMSE هو مقياس خشن جدًا. ستستمر خوارزميات التعلم العميق في التحسن ، لكننا نحتاج أيضًا إلى التحسن في الحكم على مدى جودة النموذج حقًا. لذا لا! لا أعتقد أن الذكاء الاصطناعي سيهيمن على البشرية.

لقد وصلنا إلى نهاية هذه المقابلة. نود أن نشكر دين وجون على وقتهم وحبوبهم المعرفية. دعونا نأمل أن نلتقي مرة أخرى قريبا!

حول دين أبوت وجون إلدر

ماذا فعل COVID لجميع موديلاتنا عميد أبوت هو المؤسس المشارك ورئيس علماء البيانات في SmarterHQ. إنه خبير ومبتكر معترف به دوليًا في علوم البيانات والتحليلات التنبؤية ، ولديه ثلاثة عقود من الخبرة في حل المشكلات في تحليلات العملاء متعددة القنوات ، واكتشاف الاحتيال ، ونمذجة المخاطر ، واستخراج النصوص وتحليل المسح. يتم تضمينه بشكل متكرر في قوائم علماء البيانات الرائدين وعلماء البيانات ، وهو متحدث رئيسي شهير ومدرب ورشة عمل في المؤتمرات في جميع أنحاء العالم ، ويعمل أيضًا في المجالس الاستشارية لبرنامج UC / Irvine التنبئي التحليلات وبرامج شهادة UCSD لعلوم البيانات. وهو مؤلف التحليلات التنبؤية التطبيقية (Wiley ، 2014) ومؤلف مشارك لكتاب The IBM SPSS Modeler Cookbook (Packt Publishing ، 2013).


ماذا فعل COVID لجميع موديلاتنا جون إلدر أسس Elder Research ، أكبر شركة استشارية في مجال علوم البيانات وأكثرها خبرة في أمريكا في عام 1995. مع مكاتب في شارلوتسفيل فيرجينيا ، بالتيمور إم دي ، رالي ، نورث كارولاينا ، واشنطن العاصمة ، ولندن ، تمكنوا من حل مئات التحديات للعملاء التجاريين والحكوميين من خلال استخراج المعرفة القابلة للتنفيذ من جميع أنواع البيانات. شارك الدكتور إلدر في تأليف ثلاثة كتب - عن التنقيب العملي عن البيانات ، والمجموعات ، والتنقيب عن النصوص - فاز اثنان منها بجوائز "كتاب العام". ابتكر جون أدوات التنقيب عن البيانات ، وكان مكتشفًا لأساليب المجموعات ، وترأس المؤتمرات الدولية ، وهو ورشة عمل شهيرة ومتحدث رئيسي.


 
السيرة الذاتية: هيذر فيسون هو محرر المدونة في KNIME. في البداية في Event Team ، كانت خلفيتها في الواقع في الترجمة والتدقيق اللغوي ، لذلك من خلال الانتقال إلى المدونة في عام 2019 ، عادت إلى شغفها الحقيقي بالعمل مع النصوص. ملاحظة: إنها مهتمة دائمًا بسماع أفكارك حول المقالات الجديدة.

أصلي. تم إعادة النشر بإذن.

Related:

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://www.kdnuggets.com/2021/04/covid-do-all-our-models.html

مواصلة القراءة

AI

اتجاهات الذكاء الاصطناعي التي تعيد تشكيل الرعاية الصحية

الصورة الرمزية

تم النشر

on

انقر لمعرفة المزيد عن المؤلف بن لوريكا.

تطرح تطبيقات الذكاء الاصطناعي في الرعاية الصحية عددًا من التحديات والاعتبارات التي تختلف اختلافًا جوهريًا عن الصناعات الأخرى. على الرغم من ذلك ، فقد كانت أيضًا واحدة من الشركات الرائدة في تشغيل الذكاء الاصطناعي ، مستفيدة من أحدث التقنيات لتحسين الرعاية. الأرقام تتحدث عن نفسها: من المتوقع أن ينمو الذكاء الاصطناعي العالمي في حجم سوق الرعاية الصحية من 4.9 مليار دولار في عام 2020 إلى 45.2 مليار دولار بحلول 2026. بعض العوامل الرئيسية التي تدفع هذا النمو هي الحجم الهائل لبيانات الرعاية الصحية والتعقيدات المتزايدة لمجموعات البيانات ، والحاجة إلى تقليل تكاليف الرعاية الصحية المتزايدة ، وتطور احتياجات المرضى.

تعلم عميق، على سبيل المثال ، حقق نجاحات كبيرة في البيئة السريرية على مدى السنوات القليلة الماضية. أثبتت الرؤية الحاسوبية ، على وجه الخصوص ، قيمتها في التصوير الطبي للمساعدة في الفحص والتشخيص. معالجة اللغات الطبيعية (NLP) قدمت قيمة كبيرة في معالجة كل من المخاوف التعاقدية والتنظيمية مع التنقيب عن النص ومشاركة البيانات. إن زيادة تبني شركات الأدوية والتكنولوجيا الحيوية لتقنية الذكاء الاصطناعي لتسريع مبادرات مثل تطوير اللقاحات والأدوية ، كما رأينا في أعقاب COVID-19 ، تجسد فقط الإمكانات الهائلة للذكاء الاصطناعي.

نحن نشهد بالفعل خطوات مذهلة في مجال الرعاية الصحية بالذكاء الاصطناعي ، ولكن ما زالت الأيام الأولى ، ولإطلاق العنان لقيمتها حقًا ، هناك الكثير من العمل الذي يتعين القيام به في فهم التحديات والأدوات والمستخدمين المستهدفين الذين يشكلون الصناعة. بحث جديد من جون سنو مختبرات وتدفق التدرج ، 2021 تقرير مسح الذكاء الاصطناعي في الرعاية الصحية، يسلط الضوء على هذا فقط: أين نحن وأين نحن ذاهبون وكيف نصل إلى هناك. يستكشف المسح العالمي الاعتبارات المهمة لمؤسسات الرعاية الصحية في مراحل مختلفة من اعتماد الذكاء الاصطناعي ، والمناطق الجغرافية ، والبراعة التقنية لتقديم نظرة شاملة على حالة الذكاء الاصطناعي في الرعاية الصحية اليوم.               

تتمثل إحدى أهم النتائج في تحديد التقنيات التي تحتل الأولوية عندما يتعلق الأمر بتطبيق الذكاء الاصطناعي. عندما سئلوا عن التقنيات التي يخططون لتطبيقها بحلول نهاية عام 2021 ، ذكر ما يقرب من نصف المشاركين تكامل البيانات. تم الاستشهاد بحوالي الثلث بمعالجة اللغة الطبيعية (NLP) وذكاء الأعمال (BI) من بين التقنيات التي يستخدمونها حاليًا أو يخططون لاستخدامها بحلول نهاية العام. نصف هؤلاء الذين يعتبرون قادة تقنيين يستخدمون - أو سيستخدمون قريبًا - تقنيات تكامل البيانات ، ومعالجة اللغات الطبيعية ، وذكاء الأعمال ، وتخزين البيانات. هذا أمر منطقي ، بالنظر إلى أن هذه الأدوات لديها القدرة على المساعدة في فهم كميات هائلة من البيانات ، مع مراعاة ممارسات الذكاء الاصطناعي التنظيمية والمسؤولة.

عند سؤالهم عن المستخدمين المستهدفين لأدوات وتقنيات الذكاء الاصطناعي ، حدد أكثر من نصف المستجيبين الأطباء من بين المستخدمين المستهدفين. يشير هذا إلى أن الذكاء الاصطناعي يتم استخدامه من قبل الأشخاص المكلفين بتقديم خدمات الرعاية الصحية - وليس فقط التقنيين وعلماء البيانات ، كما في السنوات الماضية. يرتفع هذا الرقم أعلى عند تقييم المؤسسات الناضجة ، أو تلك التي لديها نماذج ذكاء اصطناعي قيد الإنتاج لأكثر من عامين. ومن المثير للاهتمام ، أن ما يقرب من 60٪ من المشاركين من المؤسسات الناضجة أشاروا أيضًا إلى أن المرضى هم أيضًا مستخدمون لتقنيات الذكاء الاصطناعي الخاصة بهم. مع ظهور روبوتات المحادثة والرعاية الصحية عن بُعد ، سيكون من المثير للاهتمام أن نرى كيف ينتشر الذكاء الاصطناعي لكل من المرضى ومقدمي الخدمات خلال السنوات القليلة المقبلة.

عند التفكير في البرامج الخاصة ببناء حلول الذكاء الاصطناعي ، كان للبرامج مفتوحة المصدر (53٪) ميزة طفيفة على موفري السحابة العامة (42٪). بالنظر إلى المستقبل من عام إلى عامين ، أشار المجيبون إلى الانفتاح أيضًا على استخدام كل من البرامج التجارية و SaaS التجارية. تمنح البرامج مفتوحة المصدر المستخدمين مستوى من الاستقلالية فيما يتعلق ببياناتهم لا يستطيع مزودي الخدمات السحابية القيام به ، لذا فليس من المفاجئ أن تكون صناعة شديدة التنظيم مثل الرعاية الصحية حذرة من مشاركة البيانات. وبالمثل ، فإن غالبية الشركات التي لديها خبرة في نشر نماذج الذكاء الاصطناعي في الإنتاج تختار التحقق من صحة النماذج باستخدام البيانات وأدوات المراقبة الخاصة بها ، بدلاً من التقييم من الأطراف الثالثة أو موردي البرامج. في حين أن الشركات في المرحلة المبكرة أكثر تقبلاً لاستكشاف شركاء الطرف الثالث ، تميل المنظمات الأكثر نضجًا إلى اتباع نهج أكثر تحفظًا.                      

بشكل عام ، ظلت المواقف كما هي عند السؤال عن المعايير الرئيسية المستخدمة لتقييم حلول الذكاء الاصطناعي ، ومكتبات البرامج أو حلول SaaS ، والشركات الاستشارية للعمل معها ، وعلى الرغم من اختلاف الإجابات قليلاً لكل فئة ، لم يفكر القادة الفنيون في مشاركة البيانات مع بائعي البرامج أو الاستشارات الشركات ، والقدرة على تدريب النماذج الخاصة بهم ، والدقة الحديثة كأولويات قصوى. تصدرت النماذج والخبرات الخاصة بالرعاية الصحية في هندسة بيانات الرعاية الصحية والتكامل والامتثال القائمة عند سؤالها عن الحلول والشركاء المحتملين. الخصوصية والدقة وتجربة الرعاية الصحية هي القوى الدافعة لاعتماد الذكاء الاصطناعي. من الواضح أن الذكاء الاصطناعي مهيأ لمزيد من النمو ، حيث تستمر البيانات في النمو وتحسن إجراءات التكنولوجيا والأمن. إن الرعاية الصحية ، التي يمكن أن يُنظر إليها أحيانًا على أنها متخلفة عن التبني السريع ، تنتقل إلى الذكاء الاصطناعي وترى بالفعل تأثيره الكبير. في حين أن نهجها وأهم الأدوات والتقنيات وتطبيقات الذكاء الاصطناعي قد تختلف عن الصناعات الأخرى ، سيكون من المثير رؤية ما يخبئه لنتائج استطلاع العام المقبل.

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://www.dataversity.net/the-ai-trends-reshaping-health-care/

مواصلة القراءة
بالاماراتمنذ 1 اليوم

تمت إزالة chessbae كمشرف من Chess.com وسط الدراما

FINTECHقبل أيام

تعيش شراكة Novatti Ripple في الفلبين

بالاماراتقبل أيام

دليل بطل Dota 2 Dawnbreaker

كتلة سلسلةقبل أيام

DFB يجلب الرقم الرقمي Sammelkarten auf die Blockchain

كتلة سلسلةقبل أيام

تقرير Krypto-News 8. أبريل

FINTECHقبل أيام

تجمع TrueLayer 70 مليون دولار أمريكي لبناء شبكة الخدمات المصرفية المفتوحة الأكثر قيمة في العالم

كتلة سلسلةقبل أيام

WEF-Gipfel 2021: Zukunft der Wirtschaft ist tokenisiert

بالاماراتقبل أيام

دالاس إمباير يهرب بفوزه على مينيسوتا في المرحلة الثانية الكبرى

بالاماراتقبل أيام

نظرة مفصلة على Dawnbreaker ، أول حمل جديد لـ Dota 2 منذ أربع سنوات

بالاماراتقبل أيام

لماذا منع تويتش كلمة "سمين" من تنبؤاته؟

كتلة سلسلةقبل أيام

Bitcoin Preis ، يمكنك أيضًا إسقاط auf عند 55.500 دولارًا أمريكيًا

بالاماراتقبل أيام

بطل Dota 2 الجديد: قائمة المشتبه بهم المحتملين

بالاماراتقبل أيام

كيفية فتح بندقية قنص الحرب الباردة ZRG 20 ملم من Black Ops

بالاماراتقبل أيام

Dota 2: Patch 7.29 تحليل لأهم التغييرات

بالاماراتقبل أيام

Asmongold يدعو Twitch بعد حظر indiefoxx أربع مرات

بالاماراتقبل أيام

B-Hopping في CSGO: كيفية القيام بذلك ، واستخداماته في المباراة

FINTECHقبل أيام

حصل كيب على منحة MVP لبدء موجة جديدة من أدوات تمويل الأعمال التي تعمل بالخدمات المصرفية المفتوحة

FINTECHمنذ 1 اليوم

توقع شركة Peppermint Innovation الأسترالية اتفاقية مع مزود الخدمات المالية الصغيرة الرائد في الفلبين

بالاماراتقبل أيام

تشير التسريبات إلى أن تسمية الخريطة الجديدة الباسلة "بريز"

بالاماراتقبل أيام

مفوض ALGS جون نيلسون حول ماضي وحاضر ومستقبل الرياضات الإلكترونية Apex Legends

منتجات شائعة