Hur AI kan användas för att spara hundar, växa mer mat och sänka kostnaderna för sjukvården



<div _ngcontent-c15 = "" innerhtml = "

Getty

Tänk på den definierande tekniken under det senaste decenniet. Sociala medieverktyg som Facebook och Twitter revolutionerade kommunikationen, molnteknologier störde lagring och mobila teknologier som Airbnb och Uber förändrar hur vi lever och pendlar.

Det verkar intuitivt att dessa tekniska verktyg har specifika, väldefinierade syften. Det finns emellertid en teknik som är otroligt mångsidig med ständigt växande gränser för dess användning. Den tekniken är artificiell intelligens (AI), ett verktyg som kombinerar statistik och datoranvändning för att skapa funktioner som gör allt från att identifiera trender och förutsäga framtiden till automatisera uppgifter och mycket mer.

Före AI hade alla tekniker en sak gemensamt: De skulle göra exakt vad du berättade för dem. Ansökningar byggdes för att vara deterministiska. Om en användare skulle mata in någon inmatning, skulle de få en förväntad utgång.

Nu, med AI, kan vi skapa program som matar ut det oväntade, som är probabilistiska istället för deterministiska. AI avser att avslöja det okända och lära av data mycket som en människa skulle.

Ett av de banbrytande exemplen på AI var IBMs Deep Blue när 1997 datorn besegrade en stormästare i ett schackspel. (Fullständig avslöjande: IBM är en av mitt företags samarbetspartners.) Om rörelserna hade förväntats, kunde datorn aldrig ha vunnit.

Idag har AI expanderat långt bortom forskningens rike och i miljarder människor. Även om du inte är medveten om det tar många av de tjänster du använder in dina data, lär dig av dem och använder dem för att förbättra deras funktioner. Till exempel, YouTube använder djupa neurala nätverk, en form av AI, att rekommendera videor till över 2 miljarder användare. Google-söktjänster är en ännu större användarbas med AI-driven sökresultat.

Men det handlar inte bara om att få fler klick och rekommendera innehåll online. AI kan tillämpas var som helst där det finns ett input-output-problem och vägledande data att träna modellen på.

Ett av mina företag samlar AI-problem uttalanden från branschen för att massa resurser till en pool av datavetare. Några av dessa problembeskrivningar inkluderar att rädda djurens liv, öka jordbruksavkastningen och påskynda behandlingen av sjukvårdsanspråk.

Vi vet till exempel att vissa skyddsdjur är mer benägna att adopteras på vissa platser än andra, och att dessa djur kan flyttas för att potentiellt rädda dem från avlivning. & Nbsp; Dessa är dock bara de trender vi är medvetna om, och AI kan användas för att avslöja dolda trender om djurens adoptionsmönster.

Mer specifikt kan AI-modeller såsom naturligt språkbearbetning användas för att analysera textbeskrivningen av ett djur i ett skydd, och invändiga neurala nätverk kan användas för att analysera bilder av djuren och hjälpa till att fastställa sannolikheten för att djur dödas eller adopteras i olika skyddsrum.

Den tekniken, neurala nätverk, är ett mångsidigt underfält av AI som kan tillämpas även på satellitbilder. Till exempel går jordbruket över till precisionsodling, vilket gör det möjligt för jordbrukare att minska deras miljöpåverkan. Det allra första steget i precision jordbruk & nbsp; är att identifiera fält från satellitbilder, vilket kan göras genom att mata olika bilder genom neurala nätverk, vilket kommer att ge sannolikheten för olika befintliga konturgränser.

Det kan låta förvirrande, men återigen, AI är en probabilistisk teknologi, så det säger inte att något definitivt är fallet, det ger helt enkelt statistiska sannolikheter. Till exempel kan AI tillämpas för att öka effektiviteten i verksamheten inom områden som hälsovård, där ursprungligen avvisade anspråk är källan till miljarder av administrativa kostnader för dollar. Här kan AI användas för att påskynda processen att lämna in anspråk och flagga dem enligt sannolikheten för att bli avvisad.

Det är uppenbart att AI är ett otroligt användbart verktyg, men den flexibiliteten i dess användning kan också leda till förvirring och i slutändan rädsla kring AI. Delvis på grund av den snabba tillväxten av AI finns det i allmänhet många missuppfattningar kring vad AI kan och inte kan göra.

Den första etappen av AI-resan har därför inget att göra med AI. Innan du genomför ett AI-konstruktionsprojekt måste du formulera ett problemmeddelande om att nuvarande algoritmer är lämpliga att lösa och sedan hitta vägledande data för problemet. Medan vi ofta hör till explosionen av "big data", är verkligheten att det är viktigare att ha data som är relevanta för det aktuella problemet än att bara ha en hög volym data.

Men genom att fördjupa problemet har du en bättre chans att hitta relevant data och bygga kreativa lösningar med AI.

">

Tänk på den definierande tekniken under det senaste decenniet. Sociala medieverktyg som Facebook och Twitter revolutionerade kommunikationen, molnteknologier störde lagring och mobila teknologier som Airbnb och Uber förändrar hur vi lever och pendlar.

Det verkar intuitivt att dessa tekniska verktyg har specifika, väldefinierade syften. Det finns emellertid en teknik som är otroligt mångsidig med ständigt växande gränser för dess användning. Den tekniken är artificiell intelligens (AI), ett verktyg som kombinerar statistik och datoranvändning för att skapa funktioner som gör allt från att identifiera trender och förutsäga framtiden till automatisera uppgifter och mycket mer.

Före AI hade alla tekniker en sak gemensamt: De skulle göra exakt vad du berättade för dem. Ansökningar byggdes för att vara deterministiska. Om en användare skulle mata in någon inmatning, skulle de få en förväntad utgång.

Nu, med AI, kan vi skapa program som matar ut det oväntade, som är probabilistiska istället för deterministiska. AI avser att avslöja det okända och lära av data mycket som en människa skulle.

Ett av de banbrytande exemplen på AI var IBMs Deep Blue när 1997 datorn besegrade en stormästare i ett schackspel. (Fullständig avslöjande: IBM är en av mitt företags samarbetspartners.) Om rörelserna hade förväntats, kunde datorn aldrig ha vunnit.

Idag har AI expanderat långt bortom forskningens rike och i miljarder människor. Även om du inte är medveten om det tar många av de tjänster du använder in dina data, lär dig av dem och använder dem för att förbättra deras funktioner. Till exempel använder YouTube djupa neurala nätverk, en form av AI, för att rekommendera videor till över 2 miljarder användare. Google-sökningstjänster är en ännu större användarbas med AI-driven sökresultat.

Men det handlar inte bara om att få fler klick och rekommendera innehåll online. AI kan tillämpas var som helst där det finns ett input-output-problem och vägledande data att träna modellen på.

Ett av mina företag samlar AI-problem uttalanden från branschen för att massa resurser till en pool av datavetare. Några av dessa problembeskrivningar inkluderar att rädda djurens liv, öka jordbruksavkastningen och påskynda behandlingen av sjukvårdsanspråk.

Vi vet till exempel att vissa skyddsdjur är mer benägna att adopteras på vissa platser än andra, och att dessa djur kan flyttas för att potentiellt rädda dem från avlivning. Det är emellertid bara de trender vi är medvetna om, och AI kan användas för att avslöja dolda trender om djurs adoptionsmönster.

Mer specifikt kan AI-modeller såsom naturligt språkbearbetning användas för att analysera textbeskrivningen av ett djur i ett skydd, och invändiga neurala nätverk kan användas för att analysera bilder av djuren och hjälpa till att fastställa sannolikheten för att djur dödas eller adopteras i olika skyddsrum.

Den tekniken, neurala nätverk, är ett mångsidigt underfält av AI som kan tillämpas även på satellitbilder. Till exempel går jordbruket över till precisionsodling, vilket gör det möjligt för jordbrukare att minska deras miljöpåverkan. Det allra första steget i precisionsodling är att identifiera fält från satellitbilder, vilket kan göras genom att mata olika bilder genom neurala nätverk, vilket kommer att producera sannolikheten för olika befintliga konturgränser.

Det kan låta förvirrande, men återigen, AI är en probabilistisk teknologi, så det säger inte att något definitivt är fallet, det ger helt enkelt statistiska sannolikheter. Till exempel kan AI tillämpas för att öka effektiviteten i verksamheten inom områden som hälso- och sjukvård, där initialt nekade anspråk är källan till miljarder dollar administrativa kostnader. Här kan AI användas för att påskynda processen att lämna in anspråk och flagga dem enligt sannolikheten för att bli avvisad.

Det är uppenbart att AI är ett otroligt användbart verktyg, men den flexibiliteten i dess användning kan också leda till förvirring och i slutändan rädsla kring AI. Delvis på grund av den snabba tillväxten av AI finns det i allmänhet många missuppfattningar kring vad AI kan och inte kan göra.

Den första etappen av AI-resan har därför inget att göra med AI. Innan du genomför ett AI-konstruktionsprojekt måste du formulera ett problemmeddelande om att nuvarande algoritmer är lämpliga att lösa och sedan hitta vägledande data för problemet. Medan vi ofta hör till explosionen av "big data", är verkligheten att det är viktigare att ha data som är relevanta för det aktuella problemet än att bara ha en hög volym data.

Men genom att fördjupa problemet har du en bättre chans att hitta relevant data och bygga kreativa lösningar med AI.