近い将来のビジネスに対する人工知能（AI）の影響については、多数の権威ある意見があります。 しかし、企業がいかに正確にそれを使い始めることができるかというトピックについては、はるかに少ないと言われています。 私たちの研究と本は、最も単純なコンポーネントへのAIの分析から始まります。 この最初の一歩を踏み出す方法を提案します。
簡単なアイデアから始めましょう。最新のAI開発は、予測のコストを削減することを目的としています。 AIは予測を改善し、より速く、より安くします。 未来だけでなく（来週の天気は？）だけでなく、現在（このスペイン語のサイトはどのように英語に翻訳されますか？）を予測することがはるかに容易になりました。 予測とは、入手できない情報を使用して、ユーザーが持っていない情報を取得することです。 意思決定を容易にするアイデアを得るためにフィルタリング、圧縮、ソートする必要がある情報（データ）がある場合は、予測が役立ちます。 そして今、車が役立ちます。
改善された予測は、ビジネスの一般的な状況である不確実性に直面した場合の意思決定に役立ちます。 しかし、意思決定プロセスに予測マシンを導入することを検討する方法はありますか？
トロント大学のロットマン経営大学院MBAの卒業生にこのトピックを教え、簡単な意思決定ツールであるAI Canvasについて話しました。 キャンバスの各要素には、予測から始めて、コンピューターを使用して意思決定を行うための要件の1つが含まれています。
AIキャンバス
AIを使用して、ビジネス上の意思決定を支援する方法を理解します。
予測AIキャンバスの操作を説明するために、AI戦略に関するワークショップの1つによって発明された例を使用します。CraigCampbellは、セキュリティ業界でAIを実装する組織であるPeloton InnovationsのCEOです。 （これは、Pelotonが販売するRSPNDR.aiと呼ばれる製品に基づく実世界の例です。）
決定を下すには何を知る必要がありますか？
評価
さまざまな結果とエラーはどのように評価されますか？
アクション
何をしようとしていますか？
結果
成功を測定するために使用されるメトリックは何ですか？
入力データ
予測アルゴリズムを実行するにはどのようなデータが必要ですか？
トレーニング
予測アルゴリズムをトレーニングするにはどのようなデータが必要ですか？
フィードバック
結果を使用してアルゴリズムを改善するにはどうすればよいですか？
家庭用警報システムの97％以上が誤っていることが判明しました。 つまり、彼らの原因は攻撃者ではありません。 警備会社は何らかの決定を下す必要があります。警察に電話するか警備員に電話するか？ 住宅所有者に電話しますか？ 無視しますか？ 会社が行動することを決定した場合、100のうち90以上のケースで、それは無駄になります。 ただし、アラームに対応して対策を講じることは、実際に危険がある場合、警備会社がそれを放置しないことを意味します。
予測マシンが役立つかどうかを理解する方法は？ AI Canvasは、必要な情報を7つのカテゴリに整理して、必要なソリューションを得るためのシンプルなツールです。 セキュリティアラームの例を見てみましょう。
AIキャンバス：AIを使用してホームセキュリティを改善する例
予測まず、予測する必要があるものを明確にします。 アラームの場合、不明な人が原因かどうか（誤報かどうか）を調べる必要があります。 予測マシンはこれを潜在的に報告できます-結局のところ、単純なモーションセンサーを備えたアラームはある程度予測マシンです。 機械学習を使用すると、広範囲のセンサーデータを使用して、正確に予測する対象、つまり移動が未知の人物によって引き起こされたかどうかを判断できます。 たとえば、人やペットなどの顔を認識するカメラや、誰かがドアの近くにいることを認識するドアロックなどの適切なセンサーを使用すると、最新のAIテクノロジーはより詳細な予測を提供します。
アラームが未知の人または他の何かに対して機能したかどうかを予測します（つまり、trueまたはfalse）。
評価
偽陽性に対する応答のコストを、実際の陽性の場合の不作為のコストと比較します。
アクション
信号の場合に反応するかどうか。
結果
アラームが鳴ったときに正しい判断が行われましたか？
入力データ
アラーム中のあらゆる瞬間のモーションセンサー、熱、カメラからのデータ。 このデータはAIによって制御されます。
トレーニング
特定の期間の感覚データと、操作の結果に対応するデータ（実際の攻撃者または誤報）。 このデータは、起動する前にAIをトレーニングするために使用されます。
フィードバック
センサーデータと対応する応答結果（攻撃者が確認したか、誤応答を確認した）。 このデータは、AI操作中にモデルを更新するために使用されます。
予測はもはや「運動=不安」ではなく、「運動+なじみのない顔=不安」などです。 より複雑な予測により、誤検知の数が減り、所有者を呼び出す代わりに、検証のためにガードを送信する決定が簡単になります。
予測を100％正確にすることはできません。 したがって、予測を改善するための投資の規模を決定するには、現在を無視するコストと比較して、偽陽性のコストを知る必要があります。 それは状況に依存し、人間の評価が必要です。 状況を確認するために、どのくらいコールバックしますか？ アラームに対応して警備員を送るのにいくらかかりますか？ 素早い反応の費用はいくらですか？ 攻撃者が実際に家にいる場合の不作為の費用はいくらですか？ 考慮すべき多くの要因があります。 相対的な価値を判断するには、評価が必要です。
このような評価は、予測マシンの本質を変える可能性があります。 アラームの場合、家の周りのカメラは、未知の侵入者の存在を判断するための最良の選択肢の1つです。 しかし、多くの人はこれを不快に感じるかもしれません。
誤報よりも機密性を好む人もいます。 評価では、計算するのが難しいため、比較するのが難しい相対値と要因の決定が必要になる場合があります。 誤検知のコストは簡単に測定できますが、プライバシーの代償はそうではありません。
次に、生成された予測に依存するアクションを決定します。 これは、単純な「反応/非反応」ソリューション、またはより微妙なものかもしれません。 可能なオプションには、誰かの反応だけでなく、誰が自宅にいるかのリモートモニタリングの即時の包含、または家の所有者との何らかの連絡方法が含まれます。
アクションは結果につながります。 たとえば、セキュリティ会社が反応し、チェック（アクション）のために警備員を送り、侵入者（結果）を検出しました。 つまり、振り返ってみると、すべての段階で適切な決定が行われたかどうかを確認できます。 この知識は、時間の経過とともに予測を改善する必要性を評価するのに役立ちます。 どのような結果を受け取りたいかわからない場合、改善は不可能ではないにしても困難です。
キャンバスの一部-予測、評価、アクション、および結果-決定の重要な側面を説明します。 他の部分は、3つの最後の考慮事項です。 すべてはデータに関連しています。 有用な予測を生成するには、決定が行われたときに何が起こるかを知る必要があります。この場合、アラームがオフになります。 上記の例では、これにはリアルタイムで収集されたモーションセンサーデータと視覚カメラデータが含まれます。 これが最も基本的な入力です。
しかし、予測マシンを開発するには、まず、機械学習モデルをトレーニングする必要があります。 トレーニングデータは、一定期間のセンサーデータと、予測マシンの基礎となるアルゴリズムを調整するための対応する結果で構成されます。 この場合、各行がアラームの時間、攻撃者が実際にいたかどうか、および他のデータ（時間や場所など）である巨大なテーブルを想像してください。 トレーニングデータが豊富で多様であればあるほど、予測は良くなります。 データがない場合は、平凡な予測マシンを起動し、時間の経過とともに改善されるのを待つ必要があります。
改善はフィードバックからもたらされます。 これは、実際の状況でマシン操作中に収集するデータです。 多くの場合、フィードバックデータはトレーニングよりもリッチな環境で生成されます。 この例では、結果とウィンドウを介してセンサーが受信したデータとの関係を見つけることができます。これは、動きの認識方法や、カメラが顔をキャプチャする方法に影響を与えます。 したがって、フィードバックデータのトレーニングを継続することで、予測の精度をさらに向上させることができます。 そのようなデータは特定の家にアップロードされることがあります。 また、他の場合には、いくつかに拡張される場合があります。
組織の重要な決定ごとにこれら7つの要因を説明することは、AIがコストを削減できるか生産性を向上できるかを判断するのに役立ちます。 ここでは、特定の状況に関連するソリューションについて説明しました。 AIを開始するためのタスクは、結果が不確実性に依存する組織内の重要な決定を識別することです。 AIキャンバスに記入することで、独自のAIが必要か、サプライヤーから既製のAIを購入できるかを言うことはできませんが、AIがどのような貢献をするか（予測）、人々とやり取りする方法（評価）、決定にどのように影響するか（アクション）を説明することはできます。成功（結果）の評価方法、AIのトレーニング、運用、改善に必要なデータの種類。
可能性は膨大です。 たとえば、アラームはリモートエージェントの予測をトリガーします。 このアプローチの1つの理由は、偽陽性の膨大な数です。 しかし、それについて考えてください-予測マシンが非常にスマートになり、誤検知がなくなると、反応とガードの送信が正しい決定になりますか？ より正確で高品質な予測で存在する可能性のある、代わりのソリューション、たとえば、攻撃者をその場でキャプチャするシステム（漫画のように！）などしか想像できません。 一般に、予測の改善により、セキュリティへの新しいアプローチの可能性、または攻撃者が侵入する前に攻撃者の意図を予測する可能性が高まります。
この資料が役立つと思われる場合は、プラスに感謝します。 また、コースプログラムの詳細については、4月3日にArtyom Prosvetov先生が開催する無料の オンライン ウェビナーにサインアップしてください。