Noll
Getty Images/iStockphoto
I slutet av oktober hade jag förmånen att modererar en panel på ämnet artificiell intelligens och maskininlärning på Obundna Miami, en boutique (men bra) mässa som specialiserat sig på att visa upp störande teknik som cryptocurrency och blockchain.
Video av talet har ännu inte släppts, men det var en mycket engagerande möte med några riktigt bra högtalare och jag hoppas att jag kan visa det för dig i framtiden.
Eftersom showen, jag har funderat en hel del om ämnet lärande i molnet, och hur det är sannolikt att påverka våra liv i en nära framtid. Det finns många aspekter av denna teknik som har potentiellt mycket positiva fördelar, men som med all revolutionerande teknik finns det fallgropar.
Också: Artificiell intelligens och maskininlärning fart fortsätter
Till exempel, sociala medier — särskilt när det gäller tjänster som Facebook, Instagram och Twitter — var hyllas som kraftfulla verktyg för att berika våra liv och hjälper oss att få kontakt med andra människor som vi aldrig tidigare, och de förebådade en ålder av nyheter öppenhet, omedelbar rapportering, och medborgarjournalistik.
Och dessa är legitima fördelar. Men dessa fördelar kommer också med fallgropar: En befolkning på oändliga “lifestream” distraherad personer med teknik-augmented autism; farorna med teknik-assisted gaslighting, oberoende av hat grupper och konspiratoriker att sända sitt gift överallt; den underminering av vår demokrati av fientliga utländska aktörer, och naturligtvis, den oundvikliga massa personlig information kompromisser när dessa platser har alla nummer av tekniska API security snafus.
Samma sak kan sägas för maskininlärning och artificiell intelligens. Ja, spridning av sensorer i hälso-enheter kan, och kommer att vara ett kraftfullt verktyg för tidig diagnos av allvarliga hälso-villkor och kommer att förändra relationen mellan patient och kliniker som kommer att möjliggöra en mycket mer dynamisk och övervakning i realtid av hälsotillstånd innan de blir potentiellt livshotande.
Men som med sociala medier, cloud-baserad maskin lärande också har liknande potential Black Mirror fallgropar.
Också: AI start Petuum syftar till att industrialisera maskininlärning
Maskinen lärande är en väsentlig del av den digitala omvandling trend i moderna företag. Möjligheten att få en inblick i affärsprocesser genom vad som är mätbart med hjälp av olika typer av sensorer, och korrelerar att data med hjälp av mönster analys, är en allt viktigare förmåga att snabbt blivit en viktig del av den övergripande IT-verktygslådan.
Till exempel kan ett företag som SAP, genom Leonardo Intelligent Enterprise-produkter, har fört samman IoT tillsammans med färdiga plattformar används som cloud-baserade SaaS, som lätt kan anpassas så att företag kan skapa komplexa visualiseringar av data för att få en inblick i när det gäller att lösa komplexa problem.
Att förstå mönster och trender genom big data är inget nytt: National Security Agency har varit att göra komplexa signalspaning (SIGINT) för många år för att kunna försvara landet från terrorism och främmande hot. Det HÄR programmet avslöjade så mycket. Likaså undersökningsföretaget NPD använder mycket stora mängder av point-of-sale data som levereras från stora återförsäljare i syfte att skapa rapporter om viktiga trender i form av köp av hemelektronik.
Vad som är nytt är att intelligent insamling och analys av data är inte bara för de största företagen och institutionerna i världen längre — alla företag kan nu dra nytta av det. Med plattformar som SAP Leonardo-eller halvfabrikat molntjänster som Azure machine learning, AWS Sagemaker, Google Cloud AI, och IBM Watson machine learning, hastigheten i utvecklingen och tid till marknaden är mycket snabbare än det någonsin har varit tidigare för att bygga en komplex maskin lärande system eller applikation.
Också: Vad är djupt lärande? Allt du behöver veta
Företag är naturligtvis mycket angelägna om att förbättra och effektivisera affärsprocesserna. Men precis samma verktyg som hjälper företag att bli mer flexibelt och spara pengar kan också användas i en förtryckande mode på sina anställda.
Till exempel Wi-Fi-åtkomstpunkter kan samla in uppgifter om de enheter som finns i anslutning till dem, och därmed en gemensam ansökan till detaljhandeln är att använda denna information i syfte att bättre förstå mul trafik som kommer in och ut ur en butik och där och hur länge kunder kvar.
Måste läsa
Google har just lanserat en bisarr AI experiment som kallas Flytta Spegel (CNET)’AI är mycket, mycket dumt”, säger Googles AI ledare (CNET)AI innebär en livstid av träning (CNET)
Men, i ett företag, detta kan också användas i kombination med mobile device management, keylogging och aktivitet/närvarodetektering för att spåra var och aktiviteter för de anställda, med hjälp av data samband och mönster-analys, i syfte att bättre förstå de anställdas produktivitet på aggregerad eller ens målinriktat sätt.
Samma marknadsföring information, bör det vara värd i ett “data sjön” på ett stort moln hyperscaler som AWS eller Azure, skulle inte heller nödvändigtvis vara begränsad till en enda hyresgäst. Att marknadsföring data, som samlats in av en återförsäljare i ett köpcentrum, kan delas med andra återförsäljare som del av ett konsortium eller partnerskap för att utveckla långt mer komplexa mönster analys ansökningar om vad och när vi köper.
Information som samlas in i flera data sjöar i flera moln kan vara teoretiskt kombineras för att producera extremt sofistikerade rapporter om flera grupper av användare, speciellt om du kombinerar detta med vad som är känt från sina sociala media profiler, såsom de gillar och vad de har gemensamt.
Också: Amazon utökar machine learning services före re:Invent
I huvudsak, vad vi borde vara bekymrade över är vilken typ av sensor data som samlas in, hur tillgången till data är givna, och hur det kommer att bli mosad och användas på olika sätt med hjälp av maskin-hjälp analytics.
Till exempel, personliga tillbehör som Apple Titta kan ge telemetri till hälso-och sjukvårdspersonalen om den allmänna hälsan hos sina patienter och ger larm och rapportering så att läkarna kan ta en mer aktiv roll i stället för att agera på en akut händelse, till exempel en akuten besök.
Men samma teknik används redan av livförsäkringsbolag, till exempel John Hancock genom sin Vitalitet program, i syfte att utfärda politik med priser som är påverkade av spelarens totala aktivitet och livsstil.
Det skulle inte ta mycket för att förlänga den trendanalys som företag är det nästan säkert att engagera sig i att inkorporera data från GPS-mottagaren för enheten eller på den försäkrades smartphone för att förstå, till exempel vilka typer av restauranger som person besök och, potentiellt, vilka effekterna är på denna persons allmänna hälsa.
Så, i framtiden, kanske du vill tänka två gånger om att göra det Yelp-in-i In-N-Out.
Dessutom: Hur maskininlärning och data science ger Direkt en fördel
Det finns också produkter på marknaden, såsom Sprint-Enhet, som använder cloud-baserade tjänster för att lagra GPS-resan och andra fordonets prestanda data-data som kan nås av ett försäkringsbolag, om tillgång till data såldes av med ursprung data provider.
Precis som man kan opt-in för John Hancock Vitalitet, kan du hitta dig själv att vara som erbjuds (tvingas) till en dynamisk politik av GEICO, USAA, Tillsyns -, eller Hartford Försäkring för din bil om du använder en automatisk tracking enhet som Sprint-Enhet.
Varit på besök McDonald ‘ s varje dag till frukost? Har du kört för fort ner den stora vägen? Jag tror att ditt bidrag gick bara upp till $3.000 per år. Kollektivt. Kom ihåg, detta är inte bara riktad data som samlingar, men dina grannar även om upprättande av trender i din stad och kommun, vilket också kommer att påverka dig.
Yay, maskininlärning!
Alla dessa exempel, naturligtvis, är just den typ av saker som företag kommer att göra i sitt eget intresse när det ges tillgång till denna typ av data man samlar in om sina egna för interna applikationer.
Måste läsa
61% av företagen har redan genomförts AI (TechRepublic)Topp 5: Sätt AI kommer att förändra verksamheten (TechRepublic)10 sätt AI kommer att påverka företaget i och med 2018 (TechRepublic)
Vi har inte ens börjat gräva i det som intresserade tredje parter kommer att göra med denna information om tillgången säljs eller ges till dem, inte heller har vi undersökt möjligheten av data sjön säkerhetsbrister från dåliga skådespelare, eller även oavsiktliga överträdelser av den typ vi har nyligen sett med dålig API-säkerhet på Facebook och Google.
Maskininlärning och data sjöar är kraftfulla verktyg för att, som sociala medier kan förbättra vår livskvalitet, och hjälpa oss att få viktiga verksamhet samt personliga insikter som gör det möjligt för oss att bli mer flexibel och lyhörd. Men vi måste vara ytterst försiktiga med hur data samlas in, hur den delas, vad det används till, och hur den är säkrad. Jag kan inte tänka på något annat störande teknik på marknaden just nu som har så mycket potential för bra som det gör för ont.
Kommer maskinen lärande i molnet förebådar en ålder av business process synlighet och smidighet, eller kommer det att bli vår nästa personlig mardröm som förstör våra liv och integritet som vi känner det? Prata Tillbaka och Låt Mig Veta.
Tidigare och relaterade täckning:
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade artiklar:
Det finns ingen roll för AI eller data vetenskap: detta är en grupp effortAI: vy från Chief Data Vetenskap OfficeIt är inte jobb AI är förstört som stör mig, det är de som växer
Relaterade Ämnen:
Cloud
Digital Omvandling
Robotteknik
Sakernas Internet
Innovation
Affärssystem
0