Прикладная книга для тех предпринимателей и экспертов, которые хотят использовать искусственный интеллект для более точного прогнозирования и автоматизации.

Новая волна искусственного интеллекта принесла нам не в полной мере разум, но его критическую составляющую — прогнозирование. Компания Deep Genomics сделала шаг вперед в медицине, предполагая, какие процессы начнутся в клетке после изменений в последовательности ДНК.

Компания Chisel усовершенствовала правовую практику прогнозом того, какая именно часть документа подлежит редактированию. Компания Validere повысила эффективность нефтедобычи, рассчитав процент содержания влаги в поступающем на переработку и хранение сырье. Все это — лишь малый перечень всех возможностей применения, которые появятся в бизнесе в ближайшем будущем. Если вы плохо представляете, что значит искусственный интеллект для вас и вашего бизнеса, эта книга поможет вам понять все его возможности и сориентироваться в преимуществах технологии.

Руководители бизнеса из этой книги узнают о влиянии ИИ на управление и принятие решений. Студенты — о перспективах развития трудовой деятельности и карьеры. Политики — о том, как менять общество к лучшему с помощью ИИ. Качественное прогнозирование снижает неопределенность, а значит, ИИ можно использовать на практике — для принятия решений по развитию бизнеса.

Для кого книга

Для предпринимателей и руководителей, заинтересованных в применении искусственного интеллекта для прогнозирования.

Фишки книги

Зачем искусственный интеллект вашему бизнесу Прикладная книга для предпринимателей и экспертов Много примеров прогнозирования

Об авторах

Аджей Агравал — профессор стратегического менеджмента и предпринимательства Школы Мунка Ротманской Школы менеджмента Университета Торонто. Научный сотрудник Национальном бюро экономических исследований в Кембридже (Массачусетс) и соучредителем предпринимательских программ Next 36 и Next AI. Проводит исследования в области технологической стратегии, научной политики, финансирования предпринимательской деятельности и географии инноваций. Основатель ЛСР — «Лаборатории созидательного разрушения», программы для ранних этапов развития бизнеса, повышающей вероятность успеха наукоемких стартапов. Соучредитель компании Kindred, занимающейся разработками в сфере ИИ и робототехники. Миссия компании — создание машин с человеческим интеллектом.

Джошуа Ганс — профессор стратегического менеджмента, заведующий кафедрой технических инноваций и предпринимательства Джеффри С. Сколла в Ротманской Школе менеджмента Университета Торонто. Ведущий экономист ЛСР Университета Торонто. Опубликовал более 120 научных статей, редактор по вопросам стратегий журнала Management Science. Автор двух востребованных учебников и пяти популярных книг. Имеет докторскую степень Стэнфордского Университета по экономике, в 2008 г. получил награду Сообщества молодых экономистов Австралии.

Ави Голдфарб — профессор маркетинга в Ротманской Школе менеджмента Университета Торонто. Главный специалист по обработке и анализу данных ЛСР, ведущий редактор журнала Marketing Science, научный сотрудник Национального бюро экономических исследований. Имеет докторскую степень Северо-Западного Университета по экономике.

Цитаты из книги

Прогнозы

К сегодняшнему дню интуиция и гипотезы аналитиков утратили свою значимость. Таким образом, машинное обучение позволяет делать прогнозы на основе непредусмотренных сопоставлений.

Принцип обучения

Когда ребенка учат слову «кошка», то повторяют его каждый раз при появлении животного; в машинном обучении действует тот же самый принцип. Снабдите компьютер фотографиями кошек с названием «кошка» и фотографиями без кошек и, соответственно, без этого названия. Машина научится распознавать паттерны пикселей, связанные с названием «кошка».

Возможности

Возможности прогностических машин огромны, но не беспредельны. Они не очень хорошо работают с ограниченным объемом данных. Логика За что же машинное обучение считается революционной вычислительной технологией и заслужило название «искусственный интеллект»? В некоторых случаях прогнозы настолько хороши, что их можно использовать вместо основанной на правилах логики.

Предпочтения

Люди обладают тремя типами данных, которых нет у машин.

Во-первых, органы чувств: глаза, уши, нос и кожа по многим показателям пока еще превосходят машинные датчики.

Во-вторых, люди определяют свои предпочтения самостоятельно. Дилемма инноватора Это классическая «дилемма инноватора» — давно существующие компании не хотят портить сложившиеся отношения с клиентами даже ради улучшений в долгосрочной перспективе.