人工知能の主要技術分野のレビュー

人工知能の主要技術分野のレビュー

[[441598]]

AI への準備プロセスの多くは組織の変更です。人工知能の利用には、ニューカラー労働者という新たな労働力の創出が必要になるかもしれない。ニューカラーの仕事には、サイバーセキュリティ、クラウドコンピューティング、デジタルデザイン、認知ビジネスなどが含まれます。

世界中で、ほとんどの組織は、人工知能が競争力の維持に役立つことに同意していますが、多くの組織は依然として、それほど高度ではない形式の分析を日常的に使用しています。 AI で失敗や最適ではない結果を経験した組織にとって、自然なアプローチは、厳密さを追加するのではなく、削除することであると思われます。

AI ラダーの観点から見ると、段は急いで通過されるか、完全にスキップされることになります。組織がこのパラダイムを認識し、受け入れ始めると、望ましい将来の状態と AI のメリットを享受する能力に備えるために、分析の基礎を再検討する必要があります。必ずしもゼロから始める必要はありませんが、どの段階から始められるかを判断するために自分の能力を評価する必要があります。彼らが必要とする技術的な部分の多くはすでに整っているかもしれない。

01 主要技術分野

図 1-1 に示すように、組織が利用できる分析の高度化のレベルは、階層が上がるにつれて高くなります。この複雑さは、機械学習と人工知能の進歩により、データ管理の実践の活性化につながる可能性があります。

ある時点で、膨大な量のデータを持つ組織は、マルチクラウドの導入を検討する必要があるでしょう。 AI の階段を登る際には、次の 3 つのテクノロジーベースの領域を考慮する必要があります。

  • 機械学習を中核としたハイブリッド データ管理。
  • 安全なユーザー プロファイル内でのセキュリティとシームレスなユーザー アクセスのためのガバナンスと統合を提供します。
  • 高度な分析と従来の分析の両方に対して、セルフサービスとフルサービスの両方のユーザー環境を提供するデータ サイエンスと人工知能。

組織が前進し向上するための俊敏かつ迅速な道筋を築くには、これらの基礎テクノロジーに最新のクラウド コンピューティングとマイクロサービス インフラストラクチャを含める必要があります。これらのテクノロジーは、データの移動を可能にし、単一クラウド環境からマルチクラウド環境まで、さまざまな環境に展開された機械学習モデルから予測力を獲得するために、あらゆるレベルで実装する必要があります。

02 一歩ずつはしごを登る

図 1-1 に示すように、AI のはしごの段には「収集」、「整理」、「分析」、「注入」というラベルが付けられています。各段は、情報アーキテクチャに必要な要素を提供します。

図1-1 データと分析を完了するためのAIラダー

コレクションの最初のレベルは、基本的なデータ スキルを構築するために使用される一連の分野を表します。理想的には、データは、その形式や場所に関係なく、簡単にアクセスでき、利用できる必要があります。

高度な分析や AI に使用されるデータは動的かつ流動的であるため、すべてのデータを物理データ センターで管理できるわけではありません。データ ソースの数が増え続けるにつれて、データ収集方法を仮想化することが、情報アーキテクチャで考慮する必要がある重要なアクティビティの 1 つになります。

コレクション ラダーでカバーされる主要なトピックは次のとおりです。

  • 共通の SQL エンジンを使用してデータを収集し、NoSQL アクセス用の API を使用し、広範なデータ エコシステム (データ業界) でのデータ仮想化をサポートします。
  • 常に回復力と拡張性を備えたデータ ウェアハウス、データ レイク、その他の分析ベースのリポジトリを展開します。
  • リアルタイムのデータ取り込みと高度な分析を組み合わせます。
  • 構造化データ、半構造化データ、非構造化データなど、あらゆる種類のビジネス データを保存または抽出します。
  • グラフ データベース、Python、機械学習用の SQL、信頼性ベースのクエリなどを含む AI 最適化のコレクションを使用します。
  • MongoDB、Cloudera、PostgreSQL、Cloudant、Parquet などのテクノロジーが含まれるオープン ソース データ ストアを調べます。

組織のラダーとは、信頼できるデータ基盤を構築することを意味します。信頼できるデータ基盤は、少なくとも組織が把握できる情報をカタログ化する必要があります。あらゆる形式の分析はデジタル資産に大きく依存しています。デジタル資産は、組織が合理的に理解できるものの基礎を形成します。ビジネス コーパスは、組織のドメインの基礎、つまりデジタル資産を通じて知ることができる情報の総量です。

分析用のビジネス対応データを持つことは、AI 用のビジネス対応データの基礎となりますが、単にデータにアクセスできるだけでは、そのデータが AI ユースケースに対応していることを意味するわけではありません。不正なデータは AI を麻痺させ、AI モデルの出力を使用するプロセスを誤らせる可能性があります。

組織が整理するには、データのライフサイクル全体にわたってデータを統合、クレンジング、キュレート、保護、カタログ化、管理するための手順を開発する必要があります。

組織ラダーの主要テーマは次のとおりです。

  • さまざまなソースからのすべてのタイプのデータをクレンジング、統合、カタログ化します。
  • セルフサービス分析を可能にし、提供する自動化された仮想データ パイプライン。
  • 複数のクラウドにまたがる場合でも、データ ガバナンスとデータ リネージを確保します。
  • パーソナライズされたサービスを提供するロールベースのエクスペリエンスを備えたセルフサービス データ レイクを展開します。
  • 複数のクラウド データ リポジトリからビジネス対応の視点を組み合わせて、360 度のビューを取得します。
  • データ プライバシー、データ ポリシー、コンプライアンス制御を簡素化します。

分析ラダーには、AI の継続的な成功に不可欠な基本的なビジネスおよび計画分析機能が含まれます。分析ラダーは、組織のテクノロジーを統合するポートフォリオで AI モデルを構築、展開、管理するために必要な機能をさらにカプセル化します。

分析ラダーの主要テーマは次のとおりです。

  • AI モデル用のデータを準備し、統合されたエクスペリエンスで AI モデルを構築、実行、管理します。
  • AI を自動生成することで AI モデルを構築し、必要なスキル レベルを下げます。
  • 予測分析、処方分析、統計分析を適用します。
  • ユーザーが独自のオープンソース フレームワークを選択して人工知能モデルを開発できるようにします。
  • 精度分析と品質管理に基づいてモデルを継続的に進化させます。
  • 偏りがないか確認し、決定の解釈が直線的であることを確認し、コンプライアンスを維持します。

インフュージョンは、AI を意味のあるビジネス機能に統合する分野です。多くの組織は有用な AI モデルを作成できますが、持続的で実用的なビジネス価値を実現するという運用上の課題にすぐに取り組まざるを得なくなります。

AI ラダーの「注入」段は、モデルによって推奨される決定に対する信頼と透明性を獲得し、決定を説明し、偏見を回避し、公正な検出を確保し、監査に必要な十分なデータ証跡を提供するために必要な手順を強調しています。インジェクション ラダーは、価値実現までの時間の連続性に対処することで、AI ユース ケースを運用可能にすることを目的としています。

インジェクションラダーの主要なトピックは次のとおりです。

  • 顧客サービスや財務計画などの一般的なユースケース向けの構築済み AI アプリケーション、または物流や輸送などの特殊なユースケース向けのカスタム AI アプリケーションを使用して、価値実現までの時間を短縮します。
  • ナレッジワークとビジネスプロセスを最適化します。
  • AI 支援によるビジネス インテリジェンスとデータ視覚化を活用します。
  • 計画、予算編成、予測分析を自動化します。
  • 業界のニーズに合った AI 駆動型フレームワークでカスタマイズします。
  • 人工知能の活用による新たなビジネスモデルの革新をサポートします。

各段階の習熟レベルが達成され、新しい試みが過去のパターンの繰り返しとなり、慣習や多大な労力を必要としないものとみなされるようになると、組織は将来の状態に向けて真剣な行動を開始できます。

AI の階層の最上位では、継続的な近代化、つまり本質的には AI 自身の意志に従って自らを改革することが求められます。近代化の階段は、達成された将来の状態に過ぎません。しかし、一度達成されると、この状態が組織の現在の状態になります。はしごの頂点に到達した活気ある組織は、新たな登りを始めます。このサイクルは図1-2と1-3に示されています。

図1-2 AIのはしごは継続的な改善と適応の反復的な上昇の一部である

▲図1-3 現状 ← 将来 ← 現状

近代化ラダーの主要テーマは次のとおりです。

  • 人工知能向けのマルチクラウド情報アーキテクチャを導入します。
  • あらゆるプライベート クラウドまたはパブリック クラウドにわたって、選択した統合プラットフォームを活用します。
  • あらゆるソースからデータを収集する手段としてデータ仮想化を使用します。
  • DataOps と MLOps を使用して、セルフサービス用の信頼できる仮想データ パイプラインを構築します。
  • オープンで簡単に拡張可能な統合データおよび AI クラウド サービスを使用します。
  • 変化するニーズに合わせて動的かつリアルタイムで拡張します。

近代化とは、アップグレードまたは更新された機能、より具体的には、再考されたビジネス モデルを活用した変革的なアイデアやイノベーションから生まれた新しいビジネス機能や製品を指します。近代化を進めている組織のインフラストラクチャには、マルチクラウド トポロジを備えた柔軟な環境が含まれる場合があります。 AI の動的な性質を考慮すると、組織を近代化するということは、関連性を継続的に示す柔軟な情報アーキテクチャを構築することを意味します。

  • 全体像

アジャイル開発では、エピックは、単一の反復またはスプリントで解決するには大きすぎると考えられるユーザー ストーリーを表すために使用されます。したがって、叙事詩は全体像を示すために使用されます。このブループリントは、実行する必要があることをエンドツーエンドで示します。その後、叙事詩は対処可能な実行可能なストーリーに分解されます。叙事詩の役割は、ストーリーが適切に構成されていることを確認することです。

AI ラダーでは、ラダーは「全体像」を表し、分解は横木によって表されます。このラダーは、各段の概念 (収集、整理、分析、注入) が正しく実行され、成功と価値実現の可能性が最大限に高まるようにするために使用されます。

<<:  機械学習のエントリーレベルのプラットフォームの上限であり、古典的なチュートリアルを無料で練習することもできます。これは本当に比類のないものです。

>>:  宇宙も「独学」です!このプロセスは機械学習アルゴリズムに似ており、物理法則を刷新するものである。

ブログ    

推薦する

心理測定?犯罪の予感? AIは京都の痛みを軽減できるか?

[[271752]]画像出典: Qilu.com一つの火、二本の涙。 7月18日午前10時半頃(現...

AI を使って現実世界の問題を解決する 13 の Web3 プロジェクト

原文: https://shardeum.org/blog/ai-and-web3-crypto-p...

両国の自動運転車に対する信頼度は大きく異なる。アメリカ人の70%が反対、中国人の70%が支持

テクノロジー・トラベラー、北京、12 月 27 日: AI 開発に関する最近の調査、研究、予測、その...

分析: 人工知能について私が心配しているのはなぜでしょうか?

1980 年代や 1990 年代に生きていた人なら、今では消え去った「コンピュータ恐怖症」を覚えて...

IBM LinkedIn が教えてくれる: 職場と AI はどれくらい離れているのか?

[51CTO.com からのオリジナル記事] 少し前に、LinkedIn と IBM が多数の専門...

産業インテリジェンスは「新しいインフラ」の下で非常に人気がありますが、まだ多くの問題があります

「新しいインフラ」が流行っています。これらは5G、人工知能、モノのインターネットなどの情報デジタルイ...

1 つの記事で 10 個のアルゴリズムをカバーします。基本的なグラフアルゴリズムの視覚的な説明

[[343053]]グラフは、ソーシャル メディア ネットワーク、Web ページやリンク、GPS の...

ディープラーニングにおける8種類の畳み込みを視覚的に理解する

この記事では、ディープラーニングでよく使用される 8 種類の畳み込みについてまとめ、非常に鮮明な方法...

データセンターから発電所まで: 人工知能がエネルギー利用に与える影響

人工知能 (AI) は急速に現代生活に欠かせないものとなり、産業を変革し、私たちの生活、仕事、コミュ...

...

2024 年の CIO の 14 の優先事項とトレンド

GenAI は 2024 年の最大のテクノロジー トレンドとなり、新しいツールのレビュー、インフラス...

...

スタンフォードグローバルAIレポート:人材需要は2年間で35倍に増加し、中国のロボット導入は500%増加

先ほど、スタンフォード グローバル AI レポートが正式に発表されました。スタンフォード大学は昨年か...