Verbind je met ons

AI

Een omnichannel Q & A-chatbot bouwen met Amazon Connect, Amazon Lex, Amazon Kendra en het open-source QnABot-project

avatar

gepubliceerd

on

Voor veel studenten is het beginnen aan een reis in het hoger onderwijs een spannende tijd vol nieuwe ervaringen. Maar zoals bij alles wat nieuw is, kan het ook tal van vragen met zich meebrengen die moeten worden beantwoord en obstakels die moeten worden overwonnen. Oklahoma State University, Oklahoma City (OSU-OKC) erkende dit en was van plan een betere oplossing te bieden om vragen van studenten te beantwoorden met behulp van machine learning (ML) -technologie van AWS.

Ze wisten dat als ze een oplossing konden ontwikkelen die nauwkeurig anticipeerde op de behoeften van hun studenten en die tijdige en relevante informatie leverde, ze hun kansen zouden vergroten om toekomstige studenten aan te trekken. Universiteiten hebben immers studenten nodig zoals bedrijven klanten nodig hebben.

"Het eerste dat we wilden aanpakken, was het gebrek aan zichtbaarheid dat we op een bepaald moment hadden in het klantensentiment", zegt Michael Widell, interim-president bij OKC-OSU. "Daarop voortbouwend, hadden we ook een echte focus op consistentie en nauwkeurigheid van informatie - het was belangrijk voor ons dat huidige en toekomstige studenten konden vertrouwen op de informatie die ze via de communicatiekanalen van school en faculteit kregen."

Het team identificeerde conversatie-chatbots als een manier om de informatiekloof waarmee studenten worden geconfronteerd, aan te pakken. ML-aangedreven chatbots zijn dynamisch en helpen contact te maken met studenten via de communicatiekanalen die ze verkiezen, of dat nu een website, telefoon, chatbot is of door een Alexa-apparaat te vragen.

Met dit in gedachten begon OSU-OKC met AWS Professional Services in januari 2020, en werd de eerste universiteit die een callcenter implementeerde met Amazon Connect en de QnABot.

Amazon Connect is een contactcentrum in de cloud dat klanten en agenten een naadloze spraak- en chatervaring biedt. De QnABot is een open-sourceproject dat gebruikmaakt van Amazon Lex om een ​​gespreksinterface te bieden voor uw vragen en antwoorden, en kan worden toegepast op een groot aantal communicatiekanalen, waaronder websites, contactcenters, chatbots, samenwerkingstools zoals Slack en Amazon's Alexaingeschakelde apparaten.

QnABot implementeren in het callcenter

Hoewel het gebruik van de QnABot door OSU-OKC in de loop van 2020 evolueerde, was het aanvankelijke aandachtsgebied gericht op het verhogen van de efficiëntie van het callcenter. Ze bereikten dit door antwoorden op veelgestelde vragen van studenten te automatiseren, waardoor nauwkeurige en up-to-date informatie werd geleverd, wachttijden werden verkort en menselijke callcentermedewerkers zich konden concentreren op het afhandelen van hoogwaardige interacties.

Het volgende diagram illustreert de oplossingsarchitectuur.

Het volgende diagram illustreert de oplossingsarchitectuur.

Voor OSU-OKC vereenvoudigde QnABot de implementatie en het beheer van bot, waardoor zelfs niet-technische gebruikers de impact van de oplossing kunnen maximaliseren door:

Uitbreiding van de QnABot naar de website

Na het implementeren van de QnABot om agenten in hun callcenter te helpen, besloot OSU-OKC om het bereik van de bot uit te breiden naar de website van de universiteit. Ze gebruikten de open-source AWS Amazon Lex Web UI-project, een voorbeeld van een Amazon Lex Web UI die een volledig uitgeruste webclient biedt voor Amazon Lex-chatbots.

Nadat de inhoud van de campus was verzameld, was het een eenvoudig proces om vraag- en antwoordantwoorden voor de bot te maken. De inhoudontwerper zorgde voor aanpassingsopties die de organisatie en leesbaarheid mogelijk maakten. De ingebouwde testfuncties hielpen het afstemmings- en ontwikkelingsproces door een bijpassende score toe te kennen aan een reactie.

Kort na het uitbreiden van de QnABot naar hun website, realiseerde OSU-OKC zich dat het aanbieden van meer kanalen voor studenten om mee te communiceren de betrokkenheid niet verminderde. In feite verhoogden ze de algehele betrokkenheid van hun studenten en verdubbelden ze het gemiddelde aantal gesprekken met studenten.

Het toevoegen van de QnABot aan de universiteitswebsite was geen vervanging voor menselijke interactie; het was een hulpmiddel om de interacties van hoge kwaliteit te verbeteren door herhaaldelijk telefoonverkeer te verminderen. Probeer OSU-OKC bot, OKC Pete, enkele eigen vragen te stellen via het website van de universiteit.

Stel de OSU-OKC-bot, OKC Pete, zelf enkele vragen via de universitaire website.

OKC Pete op de website van de universiteit

De QnABot uitrusten met meer antwoorden

Terwijl QnABot grote hoeveelheden vragen voor studenten beantwoordde en consistente service op grote schaal leverde, leerde het OSU-OKC-team veel over het sentiment van studenten door te observeren welke vragen de QnABot niet kon beantwoorden.

Sommige vragen lieten bijvoorbeeld zien hoeveel toekomstige studenten wisten over de campus en zijn bronnen. Inkomende studenten vroegen naar slaapzalen terwijl de campus eigenlijk geen studentenhuisvesting heeft.

Het team kon de QnABot's gebruiken UI van Content Designer om de bot continu te verbeteren en hem uit te rusten met gepaste reacties over studentenhuisvesting of andere campusbronnen. Dit hielp studenten een telefoontje te vermijden, waardoor callcentermedewerkers zich konden concentreren op meer kritische interacties of interacties van hogere kwaliteit.

Deze flexibiliteit bleek bijzonder nuttig tijdens het begin van de COVID-19-pandemie in het voorjaar van 2020. OSU-OKC was in staat om de kennisbank van de nieuw opgezette QnABot snel uit te breiden met antwoorden op veel pandemie-gerelateerde vragen. Studenten en ouders konden snel antwoord krijgen op de vragen die voor hen belangrijk waren via het door QnABot ondersteunde universitaire callcenter of via de website chatbot.

De kennis van QnABot opschalen met Amazon Kendra

Met de Content Designer UI van QnABot kon OSU-OKC nieuwe vragen en antwoorden aan de bot toevoegen wanneer ze een gat ontdekten. Het team wilde er echter ook voor zorgen dat klanten toch antwoord konden krijgen als er nog geen vraag was toegevoegd.

Om dit te bereiken, gebruikten ze Amazon Kendra, een zeer nauwkeurige intelligente zoekservice. In de zomer van 2020 heeft het team van OSU-OKC de QnABot geïntegreerd met Amazon Kendra om de nauwkeurigheid en relevantie van reacties op de volgende manieren te verbeteren:

  • Gebruik de documentindex in Amazon Kendra als een extra bron van antwoorden wanneer een vraag en antwoord niet in de kennisbank van QnABot wordt gevonden. Hierdoor kan QnABot antwoorden vinden op vragen die mogelijk niet zijn toegevoegd aan de kennisbank, inclusief ongestructureerde gegevens in Word-documenten of pdf's die zijn geïndexeerd door Amazon Kendra.
  • Zonder uitgebreide QnABot-afstemming begrijpen de natuurlijke taalverwerking en begrijpend lezen van Amazon Kendra de vragen van gebruikers nauwkeuriger, en zijn ML-modellen vakkundig omgaan met variaties in de manier waarop gebruikers hun vragen formuleren om de zoeknauwkeurigheid te vergroten en relevante antwoorden op gebruikersvragen te retourneren.

Door ML te gebruiken om de afhandeling van veelvoorkomende klantvragen via hun callcenter en website te automatiseren, verzekerde OSU-OKC consistente serviceniveaus, zelfs tijdens de drukste tijd van het jaar. Widell zegt: “Tijdens piekmomenten kunnen we meer dan 2,000 oproepen ontvangen, wat te veel is om door één agent te worden afgehandeld. serviceniveau en nauwkeurigheid. "

Je eigen QnABot maken en integreren met Amazon Kendra

Zie om aan uw eigen QnABot-reis te beginnen Maak een vraag- en antwoordbot met Amazon Lex en Amazon Alexa. Het deel QnABot turbocharging met Amazon Kendra beschrijft hoe QnABot te integreren met Amazon Kendra. Als u de leiding van OSU-OKC wilt volgen en de QnABot aan uw website wilt toevoegen, kunt u profiteren van onze metgezel Chatbot-gebruikersinterface project.

Houd bij het nadenken over configuratie en implementatie rekening met de volgende opties:

  • Implementeer de QnABot en Chatbot UI zelf (selfservice), gebruikmakend van het project zoals het is
  • Maak uw eigen aanpassingen en verbeteringen aan de open-sourcecode
  • Volg het voorbeeld van OSU-OKC en neem contact op AWS Professional Services voor deskundige hulp om QnABot aan te passen en te verbeteren, en om te integreren met uw eigen communicatiekanalen

Voor meer informatie, bekijk hoe het team van OSU-OKC hun QnABot-oplossing presenteert op Re: Invent 2020.

Conclusie

Het team van OSU-OKC is verheugd om voort te bouwen op het vroege succes dat ze hebben gezien bij de implementatie van de QnABot, Amazon Kendra en Amazon Lex. "Voor klanten en studenten is dit de meest impactvolle technologie die we hebben geïmplementeerd", zegt Widell.

Onze overkoepelende visie op ML-technologie zal de interacties tussen studenten evolueren van transactionele uitwisselingen naar meer betekenisvolle ervaringen, waardoor we gemakkelijk in contact kunnen komen met klanten, hun behoeften kunnen begrijpen en hen beter van dienst kunnen zijn. Widell voegt eraan toe: "In de toekomst hopen we ons gebruik van QnABot uit te breiden om gepersonaliseerde informatie aan studenten te verstrekken met betrekking tot hun academische roosters, advies en andere relevante informatie met betrekking tot hun studie."


Over de auteurs

Bob StrahanBob Strahan is een Principal Solutions Architect in het AWS Language AI Services-team.

Michael Widell is de interim-president bij OSU-OKC. Als innovatieve agent van verandering heeft hij gewerkt aan het versterken van organisaties door middel van herontwerp en resource-optimalisatie, waardoor individuen kunnen excelleren en transformatieve producten en diensten kunnen leveren. In zijn carrière heeft Widell ook leidinggevende posities bekleed in de privésector voor AT&T en sleutelrollen binnen het General Office van Walmart Inc., waar hij zijn postcollegiale carrière begon.

Bron: https://aws.amazon.com/blogs/machine-learning/building-a-multi-channel-qa-chatbot-with-amazon-connect-amazon-lex-amazon-kendra-and-the-open- source-qnabot-project /

Artificial Intelligence

Diep leren versus machinaal leren: hoe een opkomend veld traditionele computerprogrammering beïnvloedt

avatar

gepubliceerd

on

Wanneer twee verschillende concepten sterk met elkaar verweven zijn, kan het moeilijk zijn om ze als afzonderlijke academische onderwerpen te scheiden. Dat zou kunnen verklaren waarom het zo moeilijk is om te scheiden diepgaand leren vanaf machine learning Als geheel. Gezien de huidige drang naar zowel automatisering als onmiddellijke bevrediging, is er veel hernieuwde aandacht voor het onderwerp.

Alles, van geautomatiseerde productieprocessen tot gepersonaliseerde digitale geneeskunde zou potentieel kunnen groeien om op te vertrouwen diepgaand leren technologie. Het is echter weliswaar veel moeilijker om de exacte aspecten van deze technische discipline te definiëren die een revolutie teweeg zullen brengen in deze industrieën. Misschien is het het beste om deep learning te overwegen in de context van een grotere beweging in de informatica.

Deep Learning definiëren als een subset van machine learning

machine learning en diep leren zijn in wezen twee kanten van dezelfde medaille. Deep learning-technieken zijn een specifieke discipline die tot een veel groter gebied behoort, dat een grote verscheidenheid aan getrainde kunstmatig intelligente agenten omvat die de juiste respons in een even breed scala aan situaties kunnen voorspellen. Wat deep learning echter onafhankelijk maakt van al deze andere technieken, is het feit dat het zich bijna uitsluitend richt op het aanleren van agenten om een ​​specifiek doel te bereiken door de best mogelijke actie te leren in een aantal virtuele omgevingen.

Traditionele algoritmen voor machine learning leren kunstmatige knooppunten meestal hoe ze op stimuli moeten reageren door ze uit het hoofd te onthouden. Dit lijkt enigszins op menselijke onderwijstechnieken die bestaan ​​uit eenvoudige herhaling, en daarom kan het worden gezien als het computergestuurde equivalent van een student die door de tafels loopt totdat hij ze kan reciteren. Hoewel dit in zekere zin effectief is, zijn kunstmatig intelligente agenten die op een dergelijke manier zijn opgeleid, mogelijk niet in staat om te reageren op prikkels buiten het bereik van hun oorspronkelijke ontwerpspecificaties.

Daarom hebben deep learning-specialisten alternatieve algoritmen ontwikkeld die als enigszins superieur worden beschouwd aan deze methode, hoewel ze op veel manieren weliswaar veel hardware-intensiever zijn. Subrountines die door deep learning-agenten worden gebruikt, kunnen gebaseerd zijn op generatieve vijandige netwerken, convolutionele neurale knoopstructuren of een praktische vorm van een beperkte Boltzmann-machine. Deze staan ​​in schril contrast met de binaire bomen en gekoppelde lijsten die worden gebruikt door conventionele machine learning-firmware en de meeste moderne bestandssystemen.

Zelforganiserende kaarten zijn ook op grote schaal in deep learning geweest, hoewel hun toepassingen in andere AI-onderzoeksgebieden doorgaans veel minder veelbelovend waren. Als het gaat om het definiëren van de diep leren versus machine learning debat, maar het is zeer waarschijnlijk dat technici de komende maanden meer zullen zoeken naar praktische toepassingen dan naar theoretische academische discussies. Het volstaat te zeggen dat machine learning alles omvat, van de eenvoudigste AI tot de meest geavanceerde voorspellende algoritmen, terwijl deep learning een meer selectieve subset van deze technieken vormt.

Praktische toepassingen van Deep Learning-technologie

Afhankelijk van hoe een bepaald programma is geschreven, kunnen diepgaande leertechnieken worden ingezet langs gesuperviseerde of semi-gesuperviseerde neurale netwerken. Theoretisch zou het ook mogelijk zijn doe dit via een volledig onbewaakte knooppuntlay-out, en het is deze techniek die al snel de meest veelbelovende is geworden. Onbewaakte netwerken kunnen nuttig zijn voor medische beeldanalyse, aangezien deze applicatie vaak unieke stukjes grafische informatie aan een computerprogramma presenteert die moeten worden getest aan de hand van bekende inputs.

Traditionele binaire boom of op blockchain gebaseerde leersystemen hebben moeite gehad om dezelfde patronen in dramatisch verschillende scenario's te identificeren, omdat de informatie verborgen blijft in een structuur die anders zou zijn ontworpen om gegevens effectief te presenteren. Het is in wezen een natuurlijke vorm van steganografie, en het heeft computeralgoritmen in de gezondheidszorg in de war gebracht. Dit nieuwe type leerknooppunt zonder toezicht zou zichzelf echter virtueel kunnen leren hoe deze patronen te matchen, zelfs in een gegevensstructuur die niet is georganiseerd volgens de normale lijnen die een computer zou verwachten.

Anderen hebben implementatie voorgesteld semi-supervised kunstmatig intelligente marketing agents dat zou een groot deel van de bezorgdheid over ethiek met betrekking tot bestaande software voor het sluiten van deals kunnen wegnemen. In plaats van te proberen een zo groot mogelijk klantenbestand te bereiken, zouden deze tools de kans berekenen dat een bepaald individu op een bepaald moment een product nodig heeft. Om dit te doen, zou het bepaalde soorten informatie nodig hebben die wordt verstrekt door de organisatie waarvoor het werkt, maar het zou uiteindelijk in staat zijn om alle verdere acties zelf te voorspellen.

Hoewel sommige bedrijven momenteel vertrouwen op tools die gebruikmaken van traditionele machine learning-technologie om dezelfde doelen te bereiken, wordt hier vaak mee gewerkt privacy en ethische overwegingen. De komst van diepgestructureerde leeralgoritmen hebben software-ingenieurs in staat gesteld om met nieuwe systemen te komen die niet aan deze nadelen lijden.

Een geautomatiseerde privé-leeromgeving ontwikkelen

Conventionele machine learning-programma's lopen vaak serieus uit privacy zorgen vanwege het feit dat ze een enorme hoeveelheid input nodig hebben om bruikbare conclusies te trekken. Diepgaande software voor beeldherkenning werkt door een kleinere subset van invoer te verwerken, waardoor het ervoor zorgt dat het niet zoveel informatie nodig heeft om dit te doen baan​ Dit is met name van belang voor degenen die zich zorgen maken over de mogelijkheid van lekken van consumentengegevens.

Gezien nieuwe regelgevende standpunten voor veel van deze kwesties, wordt het ook snel iets dat belangrijk is geworden vanuit het oogpunt van compliance. Zoals toxicologische laboratoria beginnen te gebruiken bioactiviteitgerichte diepgestructureerde leerpakkettenis het waarschijnlijk dat toezichthouders extra zorgen zullen uiten over de hoeveelheid informatie die nodig is om een ​​bepaalde taak uit te voeren met dit soort gevoelige gegevens. Computerwetenschappers hebben moeten verkleinen wat sommigen een echte brandslang van bytes noemen die meer van een verhaal vertellen dan de meesten zich prettig zouden voelen.

In zekere zin luisteren deze ontwikkelingen terug naar een vroegere tijd toen men geloofde dat elk proces in een systeem alleen het aantal privileges zou moeten hebben dat nodig is om zijn taak te voltooien. Aangezien ingenieurs voor machine learning dit paradigma omarmen, is het zeer waarschijnlijk dat toekomstige ontwikkelingen aanzienlijk veiliger zullen zijn, simpelweg omdat ze niet de enorme hoeveelheid datamining nodig hebben die nodig is om de bestaande operaties van vandaag mogelijk te maken.

Afbeelding tegoed: toptal.io

Coinsmart. Beste Bitcoin-Börse in Europa
Bron: https://datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652

Verder lezen

Artificial Intelligence

Extra Crunch-samenvatting: Tonal EC-1, Deliveroo's rotsachtige IPO, is Substack echt $ 650 miljoen waard?

avatar

gepubliceerd

on

Voor de column van vanmorgen, Alex Wilhelm blikte terug op de afgelopen maanden, "een druk seizoen voor het verlaten van de technologie" dat volgde op een heet vierde kwartaal van 4.

We zien tekenen van een IPO-markt die misschien aan het afkoelen is, maar toch "zijn er voldoende SPAC's om de hele recente Y Combinator-klasse publiek te maken", merkt hij op.

Zodra we private-equityfirma's met zakken vol geld in aanmerking nemen, is het duidelijk dat bedrijven in een laat stadium drie solide keuzes hebben om op niveau te komen.

Op zoek naar meer inzicht in deze liquiditeitsopties, interviewde Alex:

  • DigitalOcean CEO Yancey Spruill, wiens bedrijf via IPO naar de beurs ging;
  • Latch CFO Garth Mitchell, die de fusie van zijn startup met onroerend goed SPAC $ TSIA besprak;
  • Brian Cruver, oprichter en CEO van AlertMedia, dat onlangs is verkocht aan een private-equityfirma.

Na het samenvatten van hun deals, legt elke leidinggevende uit hoe hun bedrijf heeft bepaald welk knipperend rood "EXIT" -bord moet volgen. Zoals Alex opmerkte, "is het een interessante taak om uit de mogelijkheden van een buffet te kiezen welke optie het beste is."

Heel erg bedankt voor het lezen van Extra Crunch! Fijn weekend.

Walter Thompson
Senior editor, TechCrunch
@juliemeerveld


Volledige Extra Crunch-artikelen zijn alleen beschikbaar voor leden
Gebruik kortingscode EC Vrijdag 20% korting op een abonnement van één of twee jaar


De tonale EC-1

Afbeelding Credits: Nigel Sussman

Dinsdag publiceerden we een vierdelige serie over Tonal, een startup voor thuisfitness die $ 200 miljoen heeft opgehaald sinds de lancering in 2018. De gepatenteerde hardware van het bedrijf combineert digitale gewichten, coaching en AI in een aan de muur gemonteerd systeem dat voor $ 2,995 wordt verkocht.

Hoe dan ook, het is klaar voor succes - omzet steeg 800% tussen december 2019 en 2020, en tegen het einde van dit jaar zal het bedrijf 60 winkellocaties hebben. Op woensdag, Tonal meldde een Series E van $ 250 miljoen dat waardeerde het bedrijf op $ 1.6 miljard.

Onze diepe duik onderzoekt Tonal's oorsprong, productontwikkelingstijdlijn, zijn go-to-market-strategie en andere aspecten die samen de interesse van investeerders en klanttevredenheid wekken.

We noemen dit formaat de “EC-1, ”Aangezien deze verhalen net zo veelomvattend en verhelderend zijn als de S-1-formulieren die startups moeten indienen bij de SEC voordat ze openbaar worden.

Hier is hoe de Tonal EC-1 kapot gaat:

We hebben meer EC-1's in de maak over andere late-stage startups die grote dingen goed doen en ondertussen nieuws halen.

Wat te denken van het ruige IPO-debuut van Deliveroo

Waarom worstelde Deliveroo toen het begon te handelen? Lijdt het aan culturele dissonantie tussen zijn snelgroeiende model en meer conservatieve Europese investeerders?

Laten we naar de cijfers kijken en erachter komen.

Kaltura zet het debuut in de wacht. Sluit het technische IPO-venster?

The Exchange betwijfelt dat veel mensen verwachtten dat het IPO-klimaat zonder waarschuwing zo koud zou worden. Maar we zouden een Q2-pauze kunnen krijgen in het voorheen verschroeiende klimaat voor tech-debuten.

Is Substack echt $ 650 miljoen waard?

Een Serie B van $ 65 miljoen is opmerkelijk, zelfs tegen de normen van 2021. Maar het feit dat a16z meer kapitaal in de alt-media-ruimte steekt, is geen verrassing.

Substack is een plek waar publicaties een bekend talent hebben laten bloeden, waardoor het zwaartepunt in de media is verschoven. Laten we eens kijken naar de historische groei van Substack.

RPA-markt stijgt als investeerders, verkopers profiteren van pandemische technische verschuivingen

Bedrijfsprocesorganisatie en analyse. Visualisatie en representatie van bedrijfsprocessen, geautomatiseerd workflowsysteemconcept. Vector concept creatieve illustratie

Afbeelding Credits: Visuele generatie / Getty-afbeeldingen

Procesautomatisering met robots kwam naar voren tijdens de pandemie toen bedrijven stappen ondernamen om digitaal te transformeren. Toen werknemers niet samen in hetzelfde kantoor konden zijn, werd het cruciaal om meer geautomatiseerde workflows samen te voegen waarvoor minder mensen nodig waren.

RPA heeft leidinggevenden in staat gesteld een automatiseringsniveau te bieden dat hen in wezen tijd geeft om systemen bij te werken naar modernere benaderingen, terwijl het grote aantal alledaagse handmatige taken dat deel uitmaakt van de workflow van elke branche, wordt verminderd.

Roll-ups van e-commerce zijn de volgende golf van verstoringen in verpakte consumentengoederen

Verhoogde mening van vele toiletrollen op blauwe achtergrond

Afbeelding Credits: Javier Zayas Photography (Opent in een nieuw venster) / Getty-afbeeldingen

Dit jaar draait alles om de roll-ups, het samenvoegen van kleinere bedrijven tot grotere bedrijven, waardoor een potentieel aantrekkelijk pad voor aandelenwaarde wordt gecreëerd. Opvallend is de interesse om waarde te creëren door middel van e-commerce merken.

Nog maar een jaar geleden waren digitaal native merken uit de gratie geraakt bij durfkapitalisten, nadat zovelen er niet in waren geslaagd om rendementen op risicoschaal te creëren. Dus waar gaat de oprolhype over?

Hack takes: een CISO en een hacker geven aan hoe ze zouden reageren op de Exchange-inbreuk

3D Flat isometrische vector concept van datalek, het stelen van vertrouwelijke gegevens, cyberaanval.

Afbeelding Credits: TarikVision (Opent in een nieuw venster) / Getty-afbeeldingen

De cyberwereld is een nieuw tijdperk ingegaan waarin aanvallen frequenter en op grotere schaal plaatsvinden dan ooit tevoren. Massale hacks die duizenden Amerikaanse bedrijven en agentschappen van hoog niveau treffen, hebben de laatste tijd het nieuws gedomineerd. De belangrijkste hiervan zijn de inbreuk op SolarWinds / FireEye in december en de recentere inbreuk op de Microsoft Exchange-server.

Iedereen wil weten: wat moet je doen als je bent getroffen door de Exchange-inbreuk?

5 essentiële aspecten van machine learning die niet-technische leiders moeten begrijpen

Wirwar van veelkleurige draden die in rechte lijnen over een witte achtergrond ontwarren. Kaapstad, Zuid-Afrika. Februari 2019.

Afbeelding Credits: David Malan (Opent in een nieuw venster) / Getty-afbeeldingen

Machine learning is de basis geworden van zakelijke en groeiversnelling vanwege het ongelooflijke tempo van verandering en ontwikkeling in deze ruimte.

Maar voor engineering- en teamleiders zonder ML-achtergrond kan dit ook overweldigend en intimiderend aanvoelen.

Hier zijn best practices en onmisbare componenten, onderverdeeld in vijf praktische en gemakkelijk toepasbare lessen.

Embedded procurement maakt van elk bedrijf zijn eigen marktplaats

Vrouwelijke ondernemers met behulp van mobiele telefoon analyseren van gegevens en economische groei graph-grafiek. Technologie digitale marketing en netwerkverbinding.

Afbeelding Credits: Busakorn Pongparnit / Getty-afbeeldingen

Embedded procurement is de natuurlijke evolutie van embedded fintech.

In deze volgende golf zullen bedrijven dingen kopen die ze nodig hebben via verticale B2B-apps, in plaats van via verkopers, distributeurs of de website van een individuele handelaar.

Weten wanneer uw startup all-in moet gaan voor bedrijfsontwikkeling

Een rode lijn met pijlpunt dat uit een zakelijk of financieel groeigrafiekcanvas breekt.

Afbeelding Credits: twomeows / Getty Images

Er is een hardnekkige misvatting dat elke groeiende pijn bij het opstarten of schaalprobleem kan worden opgelost met bedrijfsontwikkeling.

Dat is eerlijk gezegd niet waar.

Beste Sophie: Wat moet ik weten over prenups en een groene kaart krijgen door te trouwen?

eenzame figuur bij ingang van doolhofhaag met een Amerikaanse vlag in het midden

Afbeelding Credits: Bryce Durbin / TechCrunch

Beste Sophie:

Ik ben een oprichter van een startup met een E-2-investeerdersvisum en ben net verloofd! Mijn aanstaande echtgenoot zal me sponsoren voor een groene kaart.

Zijn er minimale salarisvereisten voor haar om mij te sponsoren? Is er iets dat ik in gedachten moet houden voordat ik het groene kaartproces start?

- Verloofd in Belmont

Startups moeten de bureaucratie terugdringen om een ​​flexibel gegevensbeheer te garanderen

Afbeelding van een computer, telefoon en klok op een bureau gebonden in bureaucratie.

Afbeelding Credits: RichVintage / Getty-afbeeldingen

Veel organisaties beschouwen datamanagement als verwant aan datagovernance, waarbij de verantwoordelijkheden zijn geconcentreerd rond het vaststellen van controles en auditprocedures, en de zaken vanuit een defensieve lens worden bekeken.

Die defensiviteit is weliswaar gerechtvaardigd, vooral gezien de mogelijke financiële en reputatieschade als gevolg van wanbeheer en lekken van gegevens.

Desalniettemin is er een element van bijziendheid, en te voorzichtig zijn kan organisaties ervan weerhouden de voordelen van datagestuurde samenwerking te realiseren, met name als het gaat om software- en productontwikkeling.

Breng CISO's naar de C-suite om cybersecurity in de bedrijfscultuur te integreren

Zakenvrouw van gemengd ras met behulp van tabletcomputer in serverruimte

Afbeelding Credits: Jetta Productions Inc. (Opent in een nieuw venster) / Getty-afbeeldingen

Cyberstrategie en bedrijfsstrategie zijn onlosmakelijk met elkaar verbonden. Bijgevolg zullen chief information security officers in de C-Suite net zo gewoon en invloedrijk zijn als CFO's bij het maximaliseren van aandeelhouderswaarde.

Hoe besteedt edtech zijn extra kapitaal?

Geldboom: een volwassen hand reikt naar dollarbiljetten die aan een bladerloze boom groeien

Afbeelding Credits: Tetra-afbeeldingen (Opent in een nieuw venster) / Getty-afbeeldingen

Edtech-eenhoorns hebben bootladingen geld te besteden na de kapitaalverhoging voor de sector in 2020. Als gevolg hiervan is de fusies en overnames van edtech blijven toenemen.

Het idee van een goed gekapitaliseerde start-up die concurrenten koopt als aanvulling op zijn kernactiviteiten is niets nieuws, maar uitstapjes in deze sector zijn opmerkelijk omdat het geld dat wordt gebruikt om startups te kopen, kan worden gezien als een effect van de impact van de pandemie op onderwijs op afstand.

Maar in de afgelopen week heeft de consolidatieomgeving een duidelijke verklaring afgelegd: startups die zich hebben bewezen met pandemie, scheppen talent op - en snel.

Tech in Mexico: een samenvloeiing van Latijns-Amerika, de VS en Azië

Luchtfoto van menigte verbonden door lijnen

Afbeelding Credits: Orbon Alija (Opent in een nieuw venster)/ Getty-afbeeldingen

Kennisoverdracht is niet de enige trend die stroomt in het verband tussen de VS en Azië en Latijns-Amerika. Er is ook concurrentie.

Vanwege vergelijkbare marktomstandigheden breiden Aziatische technologiegiganten zich rechtstreeks uit naar Mexico en andere LatAm-landen.

Hoe we de netto retentie in 30 kwartalen met meer dan 2 punten hebben verbeterd

Vonken komen van het Amerikaanse dollarbiljet dat is vastgemaakt aan startkabels

Afbeelding Credits: Steven Puetzer (Opent in een nieuw venster) / Getty-afbeeldingen

Er is zeker geen tekort aan SaaS-prestatiestatistieken waarop leiders zich richten, maar NRR (netto-inkomstenbehoud) is zonder twijfel de meest onderschatte metriek die er is.

NRR is simpelweg de totale omzet minus eventuele omzetverloop plus eventuele omzetgroei door upgrades, cross-sells of upsells. Hoe groter de NRR, hoe sneller bedrijven kunnen opschalen.

5 fouten die makers maken bij het bouwen van nieuwe games op Roblox

BRAZILIË - 2021/03/24: In deze foto-illustratie een Roblox-logo weergegeven op een smartphone. (Foto-illustratie door Rafael Henrique / SOPA Images / LightRocket via Getty Images)

Afbeelding Credits: SOPA-afbeeldingen (Opent in een nieuw venster) / Getty-afbeeldingen

Zelfs de meest ervaren en getalenteerde game-ontwerpers uit de mobiele F2P-branche begrijpen meestal niet welke functies belangrijk zijn voor Robloxians.

Voor degenen die net aan hun reis zijn begonnen in de ontwikkeling van Roblox-games, zijn dit de meest voorkomende fouten die gamingprofessionals maken op Roblox.

CEO Manish Chandra, investeerder Navin Chaddha, leggen uit waarom Poshmark's Series A-deck zingt

CEO Manish Chandra, investeerder Navin Chaddha, leggen uit waarom Poshmark's Series A-deck beeld zingt

"Leid met liefde, en het geld komt." Het is een van de hoekstenen van Poshmark. In de laatste aflevering van Extra Crunch Live gingen Chandra en Chaddha bij ons zitten en liepen met ons door hun originele Serie A-pitchdeck.

Zal de pandemie een slimme wedergeboorte voor steden stimuleren?

Nieuw versus oud - een oud bakstenen gebouw weerspiegeld in ramen van een moderne nieuwe gevel

Afbeelding Credits: hopsalka (Opent in een nieuw venster) / Getty-afbeeldingen

Steden zijn bruisende knooppunten waar mensen wonen, werken en spelen. Toen de pandemie toesloeg, ontvluchtten sommige mensen grote stedelijke markten voor kleinere steden, wat vragen opriep over de toekomstige geldigheid van steden.

Maar degenen die voorspelden dat COVID-19 grote stedelijke gemeenschappen zou vernietigen, willen misschien stoppen met het kortsluiten van de veerkracht van deze gemeenten en lang doorgaan met hoe de toekomst na een pandemie eruit ziet.

De NFT-rage zal een zegen zijn voor advocaten

3D-weergave van roze spaarvarken staande op klinkend blok met hamer liggend naast op lichtblauwe achtergrond met kopie ruimte. Geld doet ertoe. Rechtszaak voor geld. Veilingbiedingen.

Afbeelding Credits: Gearstd (Opent in een nieuw venster) / Getty-afbeeldingen

Er is veel onzekerheid over auteursrechtkwesties, fraude en inhoud voor volwassenen, en juridische implicaties vormen de kern van de NFT-trend.

Of een rechtbank het eigendom van de houder van een bewijs van een bepaald dossier zou beschermen, hangt af van een aantal factoren. Al deze zorgen betekenen dat kunstenaars mogelijk moeten advocaat worden.

Bekijk Cazoo's voorgestelde SPAC-debuut door de voorruit van Carvana

Het is een redelijke vraag: waarom zou iemand vandaag zoveel voor Cazoo betalen als Carvana winstgevender is en zo niet? Nou, groei. Dat is sowieso het argument.

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

Verder lezen

AI

Wat heeft COVID met al onze modellen gedaan?

avatar

gepubliceerd

on

Wat heeft COVID met al onze modellen gedaan?

Een interview met Dean Abbott en John Elder over verandermanagement, complexiteit, interpreteerbaarheid en het risico dat AI de mensheid overneemt.


By Heather Fyson, KNIME

Wat heeft COVID met al onze modellen gedaan?

Na het KNIME herfsttop, gingen de dinosauriërs terug naar huis ... nou ja, ze zetten hun laptops uit. Dean Abbott en het John ouderling, al lang bestaande data science-experts, werden uitgenodigd voor de Fall Summit door Michael om met hem mee te praten over The Future of Data Science: A Fireside Chat with Industry Dinosaurs​ Het resultaat was een sprankelend gesprek over uitdagingen op het gebied van data science en nieuwe trends. Sinds het uitschakelen van de studiolampen, Rosaria heeft enkele hoogtepunten over verandermanagement, complexiteit, interpreteerbaarheid en meer in de data science-wereld gedestilleerd en uitgebreid. Eens kijken waar het ons heeft gebracht.

Wat is jouw ervaring met verandermanagement in AI, wanneer de realiteit verandert en modellen moeten worden bijgewerkt? Wat heeft COVID met al onze modellen gedaan?

 
[Decaan] Machine Learning (ML) -algoritmen gaan uit van consistentie tussen verleden en toekomst. Als er dingen veranderen, mislukken de modellen. COVID heeft onze gewoontes veranderd, en dus ook onze gegevens. Pre-COVID-modellen hebben moeite om met de nieuwe situatie om te gaan.

[John] Een eenvoudig voorbeeld is de verkeerslaag op Google Maps. Nadat de lockdowns land na land troffen in 2020, waren de verkeersschattingen van Google Maps een tijdje erg onnauwkeurig. Het was gebouwd op redelijk stabiele trainingsgegevens, maar nu was dat systeem volledig uit de maling genomen.

Hoe kom je erachter wanneer de wereld is veranderd en de modellen niet meer werken?

 
[Decaan] Hier is een kleine truc die ik gebruik: ik partitioneer mijn gegevens op tijd en label records als "voor" en "na". Vervolgens bouw ik een classificatiemodel om onderscheid te maken tussen "na" en "ervoor" op basis van dezelfde invoer die het model gebruikt. Als de discriminatie mogelijk is, dan is de "na" anders dan de "ervoor", de wereld is veranderd, de gegevens zijn veranderd en de modellen moeten opnieuw worden geschoold.

Hoe ingewikkeld is het om modellen in projecten bij te scholen, vooral na jaren van maatwerk?

 
[John] Trainingsmodellen zijn meestal de gemakkelijkste stap van allemaal! De overgrote meerderheid van verder succesvolle projecten sterven in de implementatiefase. De beste niet de tijd of wordt besteed in de fase van het opschonen en voorbereiden van gegevens. En het meest problemen worden gemist of gemaakt in de fase van zakelijk begrip / projectdefinitie. Dus als u begrijpt wat de fout is en nieuwe gegevens kunt verkrijgen en over het implementatiekader beschikt, is het in vergelijking daarmee heel eenvoudig om een ​​nieuw model te maken.

Hoe complex is het op basis van je decennialange ervaring om een ​​echt functionerende Data Science-applicatie samen te stellen?

 
[John] Het kan natuurlijk variëren, afhankelijk van de complexiteit. De meeste van onze projecten krijgen in ieder geval binnen een paar maanden functionerende prototypes. Maar ik kan het belang van feedback niet genoeg benadrukken: je moet veel vaker met mensen praten dan je wilt. En luister! We leren elke keer nieuwe dingen over het bedrijfsprobleem, de gegevens of beperkingen. Wij kwantitatieve mensen zijn niet allemaal bedreven in het spreken met mensen, dus daar is vaak een team voor nodig. Maar het hele team van stakeholders moet dezelfde taal leren spreken.

[Decaan] Het is belangrijk om met onze zakelijke tegenhanger te praten. Mensen zijn bang voor verandering en willen de huidige status niet veranderen. Een belangrijk probleem is echt psychologisch. De analisten worden vaak als ergernis ervaren. We moeten dus het vertrouwen opbouwen tussen de zakelijke tegenhanger en de analytische nerds. De start van een project moet altijd de volgende stap omvatten: Synchroniseer domeinexperts / projectmanagers, de analisten en het IT- en infrastructuur (DevOps) -team, zodat iedereen duidelijk is over de doelstellingen van het project en hoe het zal worden uitgevoerd. Analisten staan ​​op nummer 11 in de top 10 van mensen die ze elke dag moeten zien! Laten we de arrogantie van datawetenschappers vermijden: "Het bedrijf kan ons / onze technieken niet begrijpen, maar we weten wat het beste werkt". Wat we echter niet begrijpen, is dat de domeinexperts eigenlijk experts zijn in het domein waarin we werken! De vertaling van aannames en benaderingen van data science in taal die wordt begrepen door de domeinexperts is essentieel!

De nieuwste trend is nu deep learning, blijkbaar kan het alles oplossen. Ik kreeg onlangs een vraag van een student met de vraag "waarom moeten we andere ML-algoritmen leren als deep learning de stand van de techniek is om datawetenschapsproblemen op te lossen"?

 
[Decaan] Door deep learning werd veel zuurstof uit de kamer gezogen. Het voelt zo veel als het begin van de jaren negentig toen neurale netwerken opstegen met een vergelijkbaar optimisme! Deep Learning is zeker een reeks krachtige technieken, maar ze zijn moeilijk te implementeren en te optimaliseren. XGBoost, Ensembles of trees, zijn ook krachtig, maar momenteel meer mainstream. De overgrote meerderheid van de problemen die we moeten oplossen met behulp van geavanceerde analyses vereisen echt geen complexe oplossingen, dus begin eenvoudig; diep leren is in deze situaties overdreven. U kunt het beste het scheerprincipe van Occam gebruiken: als twee modellen hetzelfde presteren, kiest u het eenvoudigste.

Over complexiteit. De andere trend, in tegenstelling tot deep learning, is ML-interpreteerbaarheid. Hier vereenvoudig je het model sterk (overdreven?) Om het te kunnen uitleggen. Is interpreteerbaarheid zo belangrijk?

 
[John] Ik merk dat ik vaak vecht tegen interpreteerbaarheid. Het is leuk, zeker, maar het kost vaak te hoge kosten van de belangrijkste modeleigenschap: betrouwbare nauwkeurigheid. Maar veel belanghebbenden zijn van mening dat interpreteerbaarheid essentieel is, dus het wordt een barrière voor acceptatie. Het is dus essentieel om te ontdekken wat voor soort interpreteerbaarheid nodig is. Misschien is het gewoon weten wat de belangrijkste variabelen zijn? Dat is te doen met veel niet-lineaire modellen. Misschien moet men, net als bij het uitleggen aan kredietaanvragers waarom ze zijn afgewezen, de output voor één zaak tegelijk interpreteren? We kunnen een lineaire benadering bouwen voor een bepaald punt. Of we kunnen gegevens genereren uit ons black box-model en een "interpreteerbaar" model van elke complexiteit bouwen dat bij die gegevens past.

Ten slotte heeft onderzoek aangetoond dat als gebruikers de kans krijgen om met een model te spelen - dat wil zeggen, het te porren met proefwaarden van inputs en de outputs ervan te zien, en misschien te visualiseren - ze dezelfde warme gevoelens van interpreteerbaarheid krijgen. Over het algemeen is vertrouwen - in de mensen en technologie achter het model - noodzakelijk voor acceptatie, en dit wordt versterkt door regelmatige communicatie en door de uiteindelijke gebruikers van het model te betrekken bij de bouwfasen en beslissingen van het modelleerproces.

[Decaan] Overigens heeft KNIME Analytics Platform een ​​geweldige functie om het belang van de invoervariabelen in een Random Forest te kwantificeren! De Willekeurige bosleerder knooppunt voert de statistieken van kandidaat- en splitsingsvariabelen uit. Onthoud dat wanneer u het Random Forest Learner-knooppunt gebruikt.

Er zijn steeds meer verzoeken om uitleg over wat een model doet. Voor sommige beveiligingsklassen eist de Europese Unie bijvoorbeeld verificatie dat het model niet doet wat het niet zou moeten doen. Als we het allemaal moeten uitleggen, dan is Machine Learning misschien niet de juiste keuze. Geen machine learning meer?

 
[Decaan]  Misschien is volledige uitlegbaarheid te moeilijk te verkrijgen, maar we kunnen vooruitgang boeken door een rasterzoekopdracht uit te voeren op modelinvoer om zoiets als een scorekaart te maken die beschrijft wat het model doet. Dit is zoiets als regressietesten in hardware en software QA. Als een formeel bewijs niet mogelijk is wat modellen doen, laten we dan testen en testen en testen! Input Shuffling en Target Shuffling kunnen helpen om een ​​ruwe weergave van het modelgedrag te krijgen.

[John] Nu we het hebben over begrijpen wat een model doet, zou ik het probleem van reproduceerbaarheid in de wetenschap aan de orde willen stellen. Aangenomen wordt dat een groot deel van de tijdschriftartikelen op alle gebieden - 65 tot 90% - niet kan worden gerepliceerd. Dit is een echte crisis in de wetenschap. Medische papieren proberen u te vertellen hoe u hun resultaten kunt reproduceren. ML-papers lijken nog niet te geven om reproduceerbaarheid. Een recente studie toonde aan dat slechts 15% van de AI-papers hun code deelt.

Laten we het hebben over Machine Learning Bias. Is het mogelijk om modellen te bouwen die niet discrimineren?

 
[John] (Om even een nerd te zijn, dat woord is helaas overbelast​ "Discrimineren" in het ML-wereldwoord is uw eigenlijke doel: onderscheid maken tussen twee klassen.) Maar wat uw echte vraag betreft, hangt het af van de gegevens (en of de analist slim genoeg is om zich aan te passen voor zwakheden in de gegevens ): De modellen halen uit de gegevens de informatie die erin wordt weergegeven. De computer weet niets over de wereld, behalve wat er in de gegevens ervoor staat. Dus de analist moet de gegevens beheren - de verantwoordelijkheid nemen voor die gevallen die de realiteit weerspiegelen. Als bepaalde typen mensen bijvoorbeeld ondervertegenwoordigd zijn, zal het model er minder aandacht aan besteden en in de toekomst minder nauwkeurig op hen zijn. Ik vraag: "Waar moesten de gegevens doorheen om hier te komen?" (om in deze dataset te komen) om na te denken over hoe andere gevallen tijdens het proces zouden kunnen zijn afgevallen (dat is overlevingsvooroordeel). Een bekwame datawetenschapper kan naar dergelijke problemen zoeken en manieren bedenken om ze aan te passen / te corrigeren.

[Decaan] De bias zit niet in de algoritmen. De bias zit in de gegevens. Als de gegevens bevooroordeeld zijn, werken we met een bevooroordeelde kijk op de wereld. Wiskunde is gewoon wiskunde, het is niet bevooroordeeld.

Zal AI de mensheid overnemen ?!

 
[John] Ik geloof dat AI gewoon een goede techniek is. Zal AI de menselijke intelligentie overtreffen? In mijn ervaring gelooft iedereen onder de 40 van ja, dit is onvermijdelijk, en de meeste boven de 40 (zoals ik natuurlijk): nee! AI-modellen zijn snel, loyaal en gehoorzaam. Net als een goede Duitse herdershond, zal een AI-model die bal gaan halen, maar hij weet niets over de wereld behalve de gegevens die hij heeft getoond. Het heeft geen gezond verstand. Het is een geweldige assistent voor specifieke taken, maar eigenlijk nogal dom.

[Decaan] In dat opzicht wil ik twee citaten vermelden die Marvin Minsky in 1961 en 1970 heeft gemaakt, vanaf het begin van AI, die volgens mij de toekomst van AI goed beschrijven.

"Tijdens ons leven zullen sommige machines ons overtreffen in algemene intelligentie" (1961)

"Over drie tot acht jaar hebben we een machine met de intelligentie van een mens" (1970)

Deze ideeën bestaan ​​al heel lang. Hier is een reden waarom AI niet alle problemen oplost: we beoordelen zijn gedrag op basis van één cijfer, slechts één cijfer! (Modelfout.) Bijvoorbeeld, voorspellingen van aandelenkoersen voor de komende vijf jaar, voorspeld door het bouwen van modellen met de gemiddelde kwadratenfout als de foutmetriek, kunnen onmogelijk het volledige beeld schetsen van wat de gegevens feitelijk doen en het model ernstig belemmeren. en zijn vermogen om de patronen flexibel bloot te leggen. We weten allemaal dat RMSE een te grove maat is. Deep Learning-algoritmen zullen steeds beter worden, maar we moeten ook beter worden in het beoordelen van hoe goed een model werkelijk is. Dus nee! Ik denk niet dat AI de mensheid zal overnemen.

We zijn aan het einde van dit interview gekomen. We willen Dean en John bedanken voor hun tijd en hun kennispillen. Laten we hopen dat we elkaar snel weer ontmoeten!

Over Dean Abbott en John Elder

Wat heeft COVID met al onze modellen gedaan? Dean Abbott is medeoprichter en Chief Data Scientist bij SmarterHQ. Hij is een internationaal erkende expert en innovator op het gebied van datawetenschap en voorspellende analyse, met drie decennia ervaring met het oplossen van problemen in omnichannel klantanalyses, fraudedetectie, risicomodellering, text mining en enquête-analyse. Hij wordt regelmatig opgenomen in lijsten van baanbrekende datawetenschappers en datawetenschappers, en is een populaire keynotespreker en workshopinstructeur op conferenties over de hele wereld, en is tevens lid van adviesraden voor de UC / Irvine Predictive Analytics en UCSD Data Science Certificate-programma's. Hij is de auteur van Applied Predictive Analytics (Wiley, 2014) en co-auteur van The IBM SPSS Modeler Cookbook (Packt Publishing, 2013).


Wat heeft COVID met al onze modellen gedaan? John ouderling richtte in 1995 Elder Research op, Amerika's grootste en meest ervaren data science-adviesbureau. Met kantoren in Charlottesville VA, Baltimore MD, Raleigh, NC, Washington DC en Londen, hebben ze honderden uitdagingen voor commerciële en overheidsklanten opgelost door bruikbare kennis te verzamelen van alle soorten gegevens. Dr. Elder was co-auteur van drie boeken - over praktische datamining, ensembles en text mining - waarvan er twee de 'boek van het jaar'-prijzen wonnen. John heeft dataminingtools gemaakt, was een ontdekker van ensemblemethoden, is voorzitter van internationale conferenties en is een populaire workshop en keynotespeaker.


 
Bio: Heather Fyson is de blogredacteur bij KNIME. Aanvankelijk bij het Event Team, ligt haar achtergrond eigenlijk in vertalen en proeflezen, dus door in 2019 naar de blog te gaan, is ze teruggekeerd naar haar echte passie om met teksten te werken. PS Ze is altijd benieuwd naar jouw ideeën voor nieuwe artikelen.

origineel. Met toestemming opnieuw gepost.

Zie ook:

Coinsmart. Beste Bitcoin-Börse in Europa
Bron: https://www.kdnuggets.com/2021/04/covid-do-all-our-models.html

Verder lezen

AI

De AI-trends die de gezondheidszorg hervormen

avatar

gepubliceerd

on

Klik voor meer informatie over auteur Ben Lorica.

Toepassingen van AI in de gezondheidszorg brengen een aantal uitdagingen en overwegingen met zich mee die substantieel verschillen van andere industrieën. Desondanks was het ook een van de leiders bij het aan het werk zetten van AI, door gebruik te maken van de allernieuwste technologie om de zorg te verbeteren. De cijfers spreken voor zich: de wereldwijde AI in de omvang van de zorgmarkt zal naar verwachting groeien van $ 4.9 miljard in 2020 tot $ 45.2 miljard 2026​ Enkele belangrijke factoren die deze groei aandrijven, zijn de enorme hoeveelheid gegevens over de gezondheidszorg en de toenemende complexiteit van gegevenssets, de noodzaak om stijgende kosten voor gezondheidszorg te verlagen en de veranderende behoeften van de patiënt.

Diepe leerheeft bijvoorbeeld de afgelopen jaren aanzienlijke vooruitgang geboekt in de klinische omgeving. Met name computervisie heeft zijn waarde bewezen in medische beeldvorming om te helpen bij screening en diagnose. Natuurlijke taalverwerking (NLP) heeft aanzienlijke waarde opgeleverd bij het aanpakken van zowel contractuele als regelgevingskwesties met betrekking tot text mining en het delen van gegevens. De toenemende acceptatie van AI-technologie door farmaceutische en biotechnologiebedrijven om initiatieven zoals de ontwikkeling van vaccins en geneesmiddelen te versnellen, zoals te zien is in de nasleep van COVID-19, is slechts een voorbeeld van het enorme potentieel van AI.

We zien al geweldige vooruitgang in de AI-gezondheidszorg, maar het is nog maar de begindagen en om de waarde ervan echt te ontsluiten, moet er nog veel werk worden verzet om de uitdagingen, tools en beoogde gebruikers te begrijpen die de branche vormgeven. Nieuw onderzoek van John Snow Labs en verloopstroom, Onderzoeksrapport AI in de gezondheidszorg 2021, werpt dit licht op: waar we zijn, waar we heen gaan en hoe we daar komen. De wereldwijde enquête onderzoekt de belangrijke overwegingen voor zorgorganisaties in verschillende stadia van AI-acceptatie, geografische locaties en technische bekwaamheid om een ​​uitgebreid inzicht te geven in de huidige staat van AI in de gezondheidszorg.               

Een van de belangrijkste bevindingen is welke technologieën top of mind zijn als het gaat om AI-implementatie. Op de vraag welke technologieën ze van plan zijn tegen eind 2021 te hebben geïmplementeerd, gaf bijna de helft van de respondenten aan gegevens integratie​ Ongeveer een derde noemde natuurlijke taalverwerking (NLP) en business intelligence (BI) als technologieën die ze momenteel gebruiken of van plan zijn tegen het einde van het jaar te gebruiken. De helft van de beschouwde technische leiders gebruikt - of zal binnenkort gebruiken - technologieën voor data-integratie, NLP, business intelligence en datawarehousing. Dit is logisch, aangezien deze tools de kracht hebben om enorme hoeveelheden gegevens te begrijpen, terwijl ze ook rekening houden met regelgevende en verantwoorde AI-praktijken.

Gevraagd naar de beoogde gebruikers van AI-tools en -technologieën, identificeerde meer dan de helft van de respondenten clinici onder hun beoogde gebruikers. Dit geeft aan dat AI wordt gebruikt door mensen die zorg moeten verlenen - niet alleen technologen en datawetenschappers, zoals in de afgelopen jaren. Dat aantal stijgt zelfs nog hoger bij het evalueren van volwassen organisaties, of organisaties die al meer dan twee jaar AI-modellen in productie hebben. Interessant is dat bijna 60% van de respondenten uit volwassen organisaties ook aangaf dat patiënten ook gebruikers zijn van hun AI-technologieën. Met de komst van chatbots en telegezondheid zal het interessant zijn om te zien hoe AI zich de komende jaren voor zowel patiënten als zorgverleners verspreidt.

Bij het overwegen van software voor het bouwen van AI-oplossingen, had open-source software (53%) een lichte voorsprong op openbare cloudproviders (42%). Een à twee jaar vooruitkijkend, gaven de respondenten aan open te staan ​​om ook zowel commerciële software als commerciële SaaS te gebruiken. Open-source software geeft gebruikers een mate van autonomie over hun gegevens die cloudproviders niet kunnen, dus het is geen grote verrassing dat een sterk gereguleerde industrie zoals de gezondheidszorg op hun hoede zou zijn voor het delen van gegevens. Evenzo kiezen de meeste bedrijven met ervaring met het implementeren van AI-modellen voor productie ervoor om modellen te valideren met behulp van hun eigen gegevens- en monitoringtools, in plaats van evaluatie door derden of softwareleveranciers. Terwijl bedrijven in een vroegere fase ontvankelijker zijn voor het verkennen van externe partners, neigen meer volwassen organisaties naar een meer conservatieve benadering.                      

Over het algemeen bleven de attitudes hetzelfde als er werd gevraagd naar de belangrijkste criteria die worden gebruikt om AI-oplossingen, softwarebibliotheken of SaaS-oplossingen te evalueren, en adviesbureaus om mee samen te werken. bedrijven, het vermogen om hun eigen modellen te trainen en de modernste nauwkeurigheid als topprioriteiten. Gezondheidszorgspecifieke modellen en expertise op het gebied van data-engineering, integratie en compliance in de gezondheidszorg stonden bovenaan de lijst als er werd gevraagd naar oplossingen en potentiële partners. Privacy, nauwkeurigheid en ervaring in de gezondheidszorg zijn de drijvende krachten achter de acceptatie van AI. Het is duidelijk dat AI klaar is voor nog meer groei, aangezien de gegevens blijven groeien en de technologie en veiligheidsmaatregelen verbeteren. De gezondheidszorg, die soms kan worden gezien als een achterblijver voor snelle acceptatie, grijpt naar AI en ziet nu al de aanzienlijke impact ervan. Hoewel de aanpak, de belangrijkste tools en technologieën en toepassingen van AI kunnen verschillen van die van andere industrieën, zal het spannend zijn om te zien wat de onderzoeksresultaten van volgend jaar te wachten staan.

Coinsmart. Beste Bitcoin-Börse in Europa
Bron: https://www.dataversity.net/the-ai-trends-reshaping-health-care/

Verder lezen
eSports2 dagen geleden

Gratis Fire World Series APK downloaden voor Android

eSports5 dagen geleden

DreamHack Online Open Ft. Fortnite aprileditie - Hoe te registreren, indeling, datums, prijzenpot en meer

eSports5 dagen geleden

Hikaru Nakamura laat chessbae vallen, verontschuldigt zich voor de YouTube-aanval

eSports2 dagen geleden

Dota 2: Top Mid Heroes of Patch 7.29

eSports4 dagen geleden

Ludwig sluit de streamingmarathon van een maand af op de eerste plaats - Wekelijkse Twitch Top 10's, 5-11 april

eSports5 dagen geleden

Apex Legends-update 1.65 brengt vijf nieuwe LTM's voor War Games

eSports3 dagen geleden

Positie 5 Faceless Void maakt furore in Noord-Amerikaanse Dota 2-pubs na patch 7.29

eSports9 uur geleden

Overwatch League 2021 Samenvatting dag 1

eSports4 dagen geleden

Fortnite: Patch Notes v16.20 - Offroad-voertuigmods, creatieve lobby's voor 50 spelers, bugfixes en meer

Blockchain5 dagen geleden

Heeft u problemen met US-Bitcoin ETF's mit sich?

eSports5 dagen geleden

Complete gids voor romantiek en huwelijk in Stardew Valley

eSports4 dagen geleden

Wild Rift patch 2.2a brengt tonnen kampioenswisselingen en de toevoeging van Rammus later deze maand

Blockchain5 dagen geleden

Welk crypto-uitwisselingsplatform is sneller, muntoverdracht of Godex?

eSports5 dagen geleden

TenZ uitgeleend aan Sentinels via finale Valorant Challengers

Blockchain4 dagen geleden

Bitcoin Preis steigt op 60.000 USD, neues ATH wahrscheinlich

eSports5 dagen geleden

flusha kondigt nieuwe CSGO-selectie aan met suNny en sergej

eSports4 dagen geleden

Fortnite Leak plaagt Aloy-huid van Horizon Zero Dawn

eSports2 dagen geleden

Capcom onthult Ransomware-hack afkomstig van oude VPN

eSports4 dagen geleden

Epic Games Store verloor $ 181 miljoen en $ 273 miljoen in 2019 en 2020

eSports5 dagen geleden

LoL: MAD Lions zijn de nieuwe koningen van Europa, is het bewind van G2 Esports en Fnatic eindelijk voorbij?

Trending