Введение в искусственный интеллект

Информация от Пола Рейли, ИИ-инженера, основателя flashbitch.com, веб-сайта с обзорами казино, в основном созданного с помощью ИИ, энтузиаста технологий и спикера

После двадцатилетней карьеры в области SEO, Пол обратил свое внимание на практическое использование искусственного интеллекта, что привело его к регулярному посещению университетской исследовательской группы по ИИ, изучая новые способы сделать фурор в качестве партнера казино.

Искусственный интеллект - это такая обширная область, которая развивается с большой скоростью, что огромное количество информации по этой теме может ошеломляющим.

В ближайшие месяцы я поделюсь вводным обзором искусственного интеллекта, концепций, подходов, практических приложений на основе моего собственного опыта, учебных ресурсов, инструментов и наборов данных. Я разобью многие концепции, лежащие в основе многих алгоритмов, используемых для аппроксимации функций человеческого мозга. Я тщательно выбрал слова «приблизительные функции человеческого мозга», потому что это важная основополагающая концепция.

Итак, прогнозируем ли мы ценность игрока или обнаруживаем мошенничество, автоматизируем ли мы создание контента или маркируем изображения. В центре искусственного интеллекта находится обученная модель, которая отображает входы и выходы в виде математической «функции».

Говоря простым математическим языком, функцию можно рассматривать как «машину с входом и выходом, а выход связан с входом» - в математической записи она записывается как f (x). Функция называется чистой, если любой заданный вход (-ы) всегда будет возвращать один и тот же результат.

Мы обучаем такие машины (модели) и измеряем их производительность с точки зрения минимизации ошибки в способности точно предсказать появление новых входных данных, чего модель никогда раньше не видела.

Мотивация машинного обучения: музыкальная аналогия

Как и в случае с изучением любой новой дисциплины, машинное обучение требует времени и является непрерывным процессом. Если вы научились играть на музыкальном инструменте, давайте возьмем гитару в качестве аналогии, вы будете практиковать игру на пальцах, аккорды, гаммы, арпеджио ...

Мотивация к практике исходит не от радости от практики гамм или арпеджио. Это происходит из-за желания сыграть любимую песню от начала до конца, не ошибаясь.

Помните об этом, подходя к машинному обучению. Есть некоторые математические концепции, которые нужно понять, исчисление, вероятность, алгебра, статистика. Прошло много лет с тех пор, как я изучал математику в университете, и меньше всего мне хотелось вернуться в класс математики. Я обнаружил, что, как и в случае с обучением игре на музыкальном инструменте, мотивация во многом определялась любопытством и моим желанием решить конкретную бизнес-проблему.

Как и в любом учебном деле, всегда разумно найти наставника.

Как и в случае с изучением игры на музыкальном инструменте, начните с того, какую проблему вы хотите решить, и подробно разложите понимание природы проблемы. Часто бывает, что проблемы, которые легко решить людям, сложнее решить компьютерам. Однако ИИ прошел долгий путь, и существует множество алгоритмов машинного обучения и онлайн-примеров кода, которые позволяют исследовать даже начинающему инженеру. Хотя существует множество онлайн-ресурсов для изучения машинного обучения, я бы посоветовал вам найти наставника. Как и в любом учебном деле, наставник особенно важен для преодоления неуверенности в себе, а также для того, чтобы помочь вам усвоить концепции, когда вы сталкиваетесь с ними.

Какую проблему вы хотите решить? Возможно, это бизнес-кейс?

Проблема #1 

How AI is Changing the Way SEO is DoneПервая проблема, которую мне нужно было решить, была связана с моей работой с SEO, а именно с увеличением охвата ссылками. Я уже оптимизировал большую часть информационного канала, поэтому столкнулся с проблемами, связанными с широким охватом каналов для спорта в США. Мне нужен был программный способ надежно различающий футбол (США) и футбол (международный).

Оглядываясь назад, можно сказать, что эту проблему нужно было решить тривиально, но в то время это дало мне мотивацию изучить машинное обучение, достаточное для ее решения. Я научился непрерывному процессу подготовки данных обучения, обучения модели и измерения точности. Вскоре я начал работать над решением новой проблемы, обладая достаточным количеством теории, чтобы понять концепции, и достаточными навыками программирования, чтобы реализовать рабочее решение.

Проблема #2 

Следующая проблема, которую я хотел решить с помощью машинного обучения, была связана с другой распространенной проблемой SEO / построения ссылок, с которой сталкивается агентство, занимающееся масштабными проектами построения ссылок: - Как измерить релевантность между страницей, содержащей ссылку, и целевой страницей.

Это всегда было субъективным мнением. Любой, кто работал над линкбилдингом для SEO, знает, что релевантность может быть весьма произвольной и в значительной степени зависеть от личного мнения.

Учитывая, что это такой важный шаг в обеспечении качества, решение должно быть надежным. В идеале повышение точности человека, выполняющего ту же задачу. Решение этой проблемы с помощью машинного обучения было на самом деле весьма убедительным, поскольку оно полностью исключает человеческую субъективность.

Решение заставило меня изучить ряд концепций, включая математические представления расстояния.

Проблема #3 

По мере того, как вы разрабатываете свой репертуар концепций машинного обучения, вы начнете рассматривать более сложные методы аппроксимации функций, такие как «глубокое обучение» с помощью Google TensorFlow. Глубокое обучение - это не та тема, которую я затрону в этом вводном посте, но я расскажу об этом вместе с практическим примером в следующие несколько недель.

An Introduction to Convolutional Neural Networks and Deep Learning with  Caffe - ContentLabМоей следующей целью было автоматическое создание связного текста, который можно было бы ранжировать в Google, не считая его дубликатом для 883 казино. Чтобы решить эту проблему, мне пришлось изучить нейронные сети и глубокое обучение с помощью популярной библиотеки Google Deep Learning, TensorFlow.

Решение этой увлекательной проблемы для аффилированного веб-сайта казино снова вынудило меня выйти из моей прежней зоны комфорта и перейти к более крутой кривой обучения. Это потребовало от меня не только изучения новых концепций, но и знакомства с новыми технологиями.

Итак, что мы узнали?

Я думаю, что важно сосредоточиться на цели, бизнес-кейсе или даже на интересной задаче.

Сосредоточение внимания на «почему», а не на «как», возможно, является самым ценным уроком, который я усвоил за последние шесть лет, изучая машинное обучение. В течение следующих нескольких недель я подробно расскажу о шагах, предпринятых для решения вышеупомянутых задач машинного обучения, а также расскажу о некоторых ошибках школьника, которые я сделал на этом пути, чтобы вы могли их избежать.

Для всех, кто хочет изучить искусственный интеллект или, может, рассматривает возможность внедрения искусственного интеллекта, важно рассматривать текущую реализацию как серию дополнительных оптимизаций бизнес-процессов. Находите и изолируйте потенциальные быстрые победы, такие как повторяющиеся человеческие задачи. Подумайте, что можно легко автоматизировать, какие данные доступны, и каковы конкретные критерии / действия, которые в настоящее время решаются, чтобы оценить риски и понять, как выглядит измерение успеха.

Никогда не угадаете, изучение ИИ в вашем бизнесе может даже сблизить бизнес-аналитиков, руководителей проектов и инженеров-программистов и с тех пор жить долго и счастливо.

Paul AGS

Программа SiGMA:

Цифровой саммит SiGMA Group Americas Digital Summit проходит с 22 по 24 сентября, объединяя известные лица из латиноамериканского игрового и технического сектора на серию углубленных дискуссионных панелей с контентом на испанском, португальском и английском языках.

7й выпуск SiGMA Europe переносит свое ноябрьское мероприятие на 16–18 февраля 2021 года.

 

Related Posts