Datawetenschappen, machine learning en AI: de behoefte identificeren

Toen we vandaag een oplossing voor gegevensafwijkingen demonstreerden voor onze klant met behulp van “R” en “Python”, gingen mijn gedachten terug naar een recent artikel dat ik las met de titel: “ India’s chaos van complexiteit is precies wat AI nodig heeft ” geschreven door Varun Aggarwal, mede-oprichter van Aspiring Minds in het MIT Technology magazine in juni 2018.

De reden dat Varuns artikel door mijn hoofd schoot, was dat we precies een belangrijke stap aan het zetten waren die het artikel had benadrukt.

Het artikel zegt,

“De eerste cruciale stap in het verbeteren van de efficiëntie door middel van robotica en AI is het identificeren van een zakelijk probleem en dit omzetten in een datawetenschappelijk probleem.”

Kunstmatige intelligentie in het bankwezen

Er is een algemene tendens om data sciences tegenwoordig voor alles toe te passen. Een aantal problemen kan eigenlijk worden aangepakt zonder Machine learning /Deep learning, maar gezien de “mondreclame” over AI in de markt, wil iedereen een oplossing samenstellen die TensorFlow + Python gebruikt en beweren dat het probleem is aangepakt met behulp van AI. Laat me een glimp geven van de oplossing die we vandaag met onze klant hebben gedeeld en hoe we het zakelijke probleem hebben geïdentificeerd voordat we de handelswijze hebben bepaald (oh en trouwens, dit is geen probleem met machine learning). De belangrijkste waarde die je biedt als je weet wat AI is, niet aanbeveelt als het niet nodig is. We herinneren ons waarom we voor het eerst in dit bedrijf zijn gegaan (om het leven van onze klanten eenvoudig te maken).

Onze klant heeft een handelsplatform voor energieopwekking/nutsbedrijven. Het platform biedt mensen de mogelijkheid om macht te kopen en verkopen. Ze nemen dus hoeveel stroom er wordt gegenereerd (in megawattuur belasting) van elk van de bronnen en voorspellen het soort prijsstelling dat een referentiepunt zou zijn voor latere handel. En soms kunnen er valse positieven worden gepusht door energieopwekkingsbronnen die anomalieën kunnen zijn. Dergelijke afwijkingen, wanneer ze hoog in frequentie of extreme waarden zijn, kunnen de basis van handelen aanzienlijk veranderen.

Onze klant wilde een manier hebben om anomalieën te vinden en deze uit te sluiten van de distributie voor verdere berekening . Gezien de grote en gevarieerde datasets die ermee gemoeid zijn, zou het voor AI kriebelen om te scratchen, maar na lang wikken en wegen besloot de oplossing eenvoudig te houden en later ‘koelere’ dingen uit te proberen nadat we het eerste succes hadden geproefd. De reden om van KI-behandeling af te stappen was dat:

• Houd de technische schuld onder controle. Geef geen oplossingen die een hoger intellectueel eigendom vereisen voor onderhoud.
• R als platform heeft al veel pakketten die bedoeld zijn voor anomaliedetectie en onze klant heeft bestaande ‘R’-gebaseerde oplossingen voor productie-implementatie.
• Het probleem krijgt een eerlijke behandeling, zelfs met numerieke analysetools, ook al heeft het zakelijke probleem het potentieel voor verdere verfijning en verbetering met behulp van neurale netwerken / deep learning, wat blijkbaar in ons achterhoofd zit.

Het belangrijkste element was echter om de redenering achter het toepassen van datawetenschappen te benadrukken in een scenario waarin het gebruik op handen was.

Zoals Varun zegt,

De IT-industrie vereist nog steeds dat mensen programma’s schrijven. Maar zelfs daar speelt automatisering een rol in diensten die verder gaan dan de harde kernprogrammering, zoals netwerkbewaking, testen en infrastructuuronderhoud. De grote kans voor de Indiase IT-industrie is om machine learning-diensten aan de wereld te leveren. IT-bedrijven zijn begonnen met het bouwen van AI-praktijken, maar het land heeft een gebrek aan opgeleid talent.”

Voor het geval u geïnteresseerd bent, kunt u hier het volledige artikel lezen.