КОГНИТИВНАЯ СИСТЕМА — это… Что такое КОГНИТИВНАЯ СИСТЕМА?

КОГНИТИВНАЯ СИСТЕМА

КОГНИТИВНАЯ СИСТЕМА

(от лат. cognito — познание, узнавание, ознакомление) — многоуровневая система, обеспечивающая выполнение всех основных когнитивных функций живого организма. Понятие «К.с.» возникло в результате широкого применения в когнитивной науке модели переработки информации и построения на ее основе разного рода когнитивных моделей человеческого познания. Модель переработки информации предполагает, что процесс познания можно разложить на ряд гипотетических этапов, каждый из которых включает набор уникальных операций, выполняемых над входной информацией. Предполагается также, что соответствующая реакция на событие (напр., распознавание образов) является результатом серии таких этапов и операций. К.с. обеспечивает выполнение всех этапов процесса познания, она включает в себя ряд гипотетических единиц — подсистем, таких как системы восприятия, внимания, памяти, мышления и т.д. Эти системы также могут состоять из соответствующих подсистем (напр., система восприятия предполагает работу нескольких подсистем — обнаружения сенсорных сигналов, распознавания образов, внимания и памяти), а те, в свою очередь, — из когнитивных структур. С этими структурами обычно связывают определенные когнитивные процессы, которые относятся к наборам операций (или функций), позволяющих извлекать, анализировать, изменять и перерабатывать когнитивную информацию (напр., забывание, мышление, формирование понятий и т.п.).
Применительно к строению К.с. термин «структура» обозначает лишь весьма условное гипотетическое представление о том, как организованы мысленные элементы (напр., деление памяти на кратковременную и долговременную можно только метафорически представить как два «хранилища» информации). Когнитивные структуры и соответствующие когнитивные процессы взаимосвязаны, каждый из них отчасти является следствием другого. Когнитивные процессы некоторым образом управляются структурами (напр., процессы запоминания, запускаемые эпизодической памятью), а некоторые когнитивные структуры образуются в процессе переработки когнитивной информации («пропозиции», «схемы» и т.д.). Поэтому когнитивные структуры и процессы вполне оправданно объединять в целостную К.с.

Философия: Энциклопедический словарь. — М.: Гардарики. Под редакцией А.А. Ивина. 2004.

.

• КОГНИТИВНАЯ НАУКА
• КОГНИТИВНАЯ ЭВОЛЮЦИЯ

Полезное

Смотреть что такое «КОГНИТИВНАЯ СИСТЕМА» в других словарях:

• Когнитивная система — Эта статья предлагается к удалению. Пояснение причин и соответствующее обсуждение вы можете найти на странице Википедия:К удалению/17 ноября 2012. Пока процесс обсуждени …   Википедия

• когнитивная система

  — Компоненты сознания разума человека и его общей человеческой когниции …   Словарь лингвистических терминов Т.В. Жеребило

• Когнитивная психотерапия — (англ. Cognitive therapy) одно из направлений современного когнитивно бихевиорального направления в психотерапии, разработанное А. Беком и опирающееся на положение об определяющей роли познавательных процессов (и в первую очередь мышления) в… …   Википедия

• Когнитивная структура — Когнитивная система система убеждений человека, сложившаяся в его сознании в результате его характера, воспитания, обучения, наблюдения и размышления об окружающем мире. На основе этой системы человек ставит себе цели и принимает решения о том… …   Википедия

• Когнитивная психология — См. также: Когнитивная психотерапия Когнитивная психология  раздел психологии, изучающий когнитивные, то есть познавательные процессы человеческого сознания. Исследования в этой области обычно связаны с вопросами памяти, внимания, чувств,… …   Википедия

• Когнитивная лингвистика —     Лингвистика …   Википедия

• Когнитивная карта — Эту статью следует викифицировать. Пожалуйста, оформите её согласно правилам оформления статей. Когнитивная карта (от лат. cognitio знание, познание) образ зна …   Википедия

• Когнитивная нейробиология

  — наука, изучающая связь активности головного мозга и других сторон нервной системы с познавательными процессами и поведением. Особое внимание когнитивная нейробиология уделяет изучению нейронной основы мыслительных процессов. Когнитивная… …   Википедия

• когнитивная психология — одно из ведущих направлений современной психологии. К. п. возникла в конце 50 начале 60 х гг. ХХ в. как реакция на характерное для господствующего в США бихевиоризма отрицание роли внутренней организации психических процессов. Первоначально… …   Большая психологическая энциклопедия

• Когнитивная графика — это совокупность приемов и методов образного представления условий задачи, которое позволяет либо сразу увидеть решение, либо получить подсказку для его нахождения. Методы когнитивной графики используются в искусственном интеллекте в системах,… …   Википедия

Книги

• Язык и система знаний. Когнитивная теория языка, Болдырев Н.Н.. В монографии представлена когнитивная теория языка как системы оперирования знанием о мире, в которой язык рассматривается в трех главных аспектах: репрезентативном, семиотическом и… Подробнее  Купить за 1767 грн (только Украина)
• Язык и система знаний. Когнитивная теория языка, Болдырев Н.Н.. В монографии представлена когнитивная теория языка как системы оперирования знанием о мире, в которой язык рассматривается в трех главных аспектах: репрезентативном, семиотическом и… Подробнее  Купить за 1366 руб
• Национальные интересы: приоритеты и безопасность № 13 (202) 2013, Отсутствует. Журнал освещает актуальные проблемы национальных интересов, приоритетные направления развития экономики, вопросы национальной безопасности России и регионов в различных сферах экономики,… Подробнее  Купить за 750 руб электронная книга

Другие книги по запросу «КОГНИТИВНАЯ СИСТЕМА» >>

Как работает когнитивная система IBM Watson

То, как работают современные технологии, объяснить зачастую сложно, а когда речь заходит о когнитивных вычислениях и системе IBM Watson, то кажется, эта тема недоступна для понимания обычного человека. Но это вовсе не так: профессионалы могут объяснить все, включая самые сложные материи, причем довольно доступными словами. Сегодня о работе когнитивной системы IBM Watson и других инновационных решениях компании рассказывают специалисты компании IBM. Это Владимир Алексеев, бизнес-консультант по индустриальным решениям IBM в России и СНГ, Александр Дмитриев, ведущий системный архитектор IBM в России и СНГ, и Юлия Пакина, менеджер по развитию бизнеса IBM в России и СНГ.

IBM уже много лет работает в сфере когнитивных технологий. Расскажите, пожалуйста, какими проектами сейчас в этом направлении занимается компания?

Александр Дмитриев

Ведущий системный архитектор IBM в России и СНГ

Чтобы ответить на этот вопрос, надо немного рассказать о самих технологиях. Когнитивные технологии — это направление развития систем искусственного интеллекта, основная задача которых — помогать человеку в принятии решений в сложной обстановке. Существует целый ряд отраслей и процессов, требующих управления при огромном количестве меняющихся параметров, сложных зависимостей, труднопредсказуемых результатов. При этом решения должны приниматься в режиме времени, близком к реальному. Самым простым примером будут электронные торги на бирже или покупки через интернет. Например, на популярных торговых сайтах зачастую проводятся акции, когда дешевый товар выставляется на продажу с определенного момента времени. Человек не успевает даже нажать кнопку, а товар уже продан: срабатывают автоматические системы закупок. Точно так же покупка и продажа акций на мировых биржах поддерживается системами, собирающими огромное количество информации из различных источников и «автоматически» принимающих решения о покупке или продаже тех или иных пакетов акций. На самом деле решение принимает человек, когда создает и обучает эту систему.

Из всего этого вытекает понимание спектра клиентов и возможных проектов, для которых подходят когнитивные технологии: это в первую очередь крупные компании из тех отраслей бизнеса, где необходимо быстро и качественно обрабатывать большие объемы данных, выявлять сложные связи и зависимости, а по алгоритмам, близким к человеческому мышлению, вырабатывать варианты решений, чтобы управляющие специалисты могли быстро сделать выбор нужных действий. Это в первую очередь крупные производства, где задействованы большие ресурсы и объемы данных — как от технических систем, так и от действий персонала (нефтяная промышленность, банки, строительство, тяжелое машиностроение и т.д.). Также это те области, где требуется освоение и понимание большого количества информации о новых разработках, учет накопленного опыта и высокие риски при принятии решений. Это относится к области медицины, социального управления. Цена при медицинских решениях — это человеческая жизнь, здоровье. Здесь когнитивные технологии особенно ценны. Они предоставляют специалистам реферативную информацию по новым достижениям в области конкретного медицинского направления, помогают подобрать лучший вариант лечения для каждого пациента с учетом истории и специфики его болезни.

Кроме того, одним из важнейших направлений является создание баз данных знаний по той или иной области науки, техники, роду деятельности, истории и т.д.

Теперь о конкретных проектах. Сегодня уже целый ряд крупных компаний создают сложные системы поддержки принятия решений, причем не только за рубежом, но и в России. Если говорить о зарубежных примерах, то крупнейшая австралийская нефтяная компания Woodside создала базу знаний по своей отрасли с учетом собственного опыта. Это позволило решить целый ряд сложных задач — в первую очередь повысить эффективность работы персонала, существенно ускорить цикл обучения, дало возможность использовать и тиражировать опыт уже реализованных проектов. Здесь огромная экономия денег в масштабах крупной компании.

Российским примером может послужить реализация системы работы с большими объемами текстов в ВИНИТИ РАН, где успешно внедряются технологии на базе Watson Explorer. Эта система поможет обрабатывать различную структурированную и неструктурированную информацию для выявления корреляций между показателями, характеризующими тематические направления научных исследований в России.

Был еще проект, осуществленный совместно с Всероссийским центром изучения общественного мнения по тематике международных отношений. Более 55 тысяч текстов из открытых источников были проанализированы с помощью когнитивных технологий Watson для того, чтобы выделить важные моменты в культурных и социальных связях между Россией и Южной Кореей.

Также сделан целый ряд пилотных проектов в области медицины на базе продукта Watson Health, и результаты показывают на широкие возможности по улучшению качества лечения пациентов.

Надо сказать, что направление когнитивных технологий еще очень новое, и поэтому почти каждый день к нам приходят новые заказчики из самых разных областей, и мы подбираем для них нужный инструментарий из всего имеющегося у компании IBM спектра решений.

Скажите, пожалуйста, что изначально представляла собой IBM Watson и почему эту систему решили использовать в таких областях, как медицина, бизнес, страхование?

Юлия Пакина

Менеджер по развитию бизнеса IBM в России и СНГ

Самый первый выход Watson в свет был в 2011 году на игре Jeopardy! Тогда Watson представлял собой большой комплекс разных программ, который был собран специально для этой игры, и заложенные в него возможности на тот момент были нацелены на понимание естественного языка. Для этого нужно было, во-первых, переводить голос в текст и, во-вторых, правильно интерпретировать полученный текстовый материал. Таким образом, система изначально умела интерпретировать текст, разбирать вопросы и «понимать» их смысл. Конечно, сейчас уровень и производительность Watson гораздо выше, чем в 2011 году.

Что еще умела тогда система Watson? Искать ответ на заданный вопрос в недрах заложенной в ней информации. Отличительной способностью той системы было то, что она не была подключена к внешним источникам — ни к интернету, ни к чему-то еще. Что заложили в ее память, то она и использовала. Самое интересное, что благодаря заложенной логике система ранжировала возможные варианты ответов и выдавала тот, в котором она благодаря своей логике была уверена как в максимально правильном. В 2011 году система Watson победила с большим отрывом остальных участников — людей, отрыв там был серьезный. И после этой игры встал вопрос: «А что дальше?»

Игра — это прекрасно! Но какое может быть дальнейшее применение системы? После этого специалисты начали думать, где можно коммерчески применять технологии Watson, в какой сфере бизнеса, на каких рынках. В компании IBM решили, что Watson нужно использовать там, где есть большой поток текстовой неструктурированной информации на естественном языке, и там, где человеку нужен интеллектуальный помощник. И мы начали работу в сфере здравоохранения. Все дело в том, что Watson, как мы уже знаем, умеет обрабатывать огромное количество информации. А, например, в онкологии ежегодно появляется 500 тысяч новых научных статей по разным областям и исследовательским сферам. И понятно, что живой человек не может справиться с таким валом информации. Но ведь новые материалы в этой сфере нельзя игнорировать, их надо перерабатывать интеллектуально, взвешивая, сравнивая, обращаясь к предыдущему опыту.

При этом обязательно нужно учитывать, что все, что сейчас умеет Watson, в него заложили талантливые программисты, лингвисты, эксперты из предметных областей.

Каково ваше видение будущего IBM Watson? Например, какие задачи система сможет решать через 5-10 лет? Что она не может делать сейчас, но в скором времени специалисты компании планируют ее научить делать?

Александр Дмитриев

Ведущий системный архитектор IBM в России и СНГ

Будущее предсказывать достаточно сложно, недаром большинство специалистов, рассказывая о современных решениях, используют фразу «в современном быстро меняющемся мире». Ситуация действительно очень быстро и зачастую непредсказуемо меняется, однако основные тенденции в области когнитивных технологий пока достаточно ясны.

В первую очередь это создание больших баз знаний на частном и государственном уровне. Сейчас этим озабочены все ведущие страны мира. Они очень активно стремятся собрать, обработать и поставить на поток систему выделения ценной информации из самых разнообразных источников. Мы видим, что этот процесс идет на двух основных уровнях. Во-первых, на уровне крупных компаний международного значения, имеющих сотни тысяч сотрудников, отделения в разных странах и сложное производство. Здесь основным двигателем является получение конкурентного преимущества. Понятно, что проекты этого уровня требуют серьезных инвестиций, но они начинают окупаться практически сразу, резко повышая эффективность работы. Упор делается на предсказательный анализ, который обеспечивают технологии Watson: управление идет не после свершения тех или иных событий, а с учетом всего опыта работы компании в режиме прогнозирования. Более высокий уровень — это уровень государства, когда создаются системы накопления и обработки знаний уже в масштабах страны и информации из других стран. Это области, связанные с развитием науки, техники, здоровья нации, социального управления.

Watson уже освоила профессии повара, врача, финансиста и переводчика. Какие еще профессии она собирается освоить в ближайшее время?

Александр Дмитриев

Ведущий системный архитектор IBM в России и СНГ

Что касается «профессий» Watson, то здесь два аспекта. Первый — это расширение спектра возможностей внутри уже освоенных профессий. Скажем, в области медицины, Watson используется при лечении ряда онкологических заболеваний. Но специфика медицины в том, что не только видов заболеваний существует огромное количество, но и сами пациенты отличаются и личностными характеристиками, и историями своих заболеваний. Поэтому развитие идет за счет как увеличения спектра излечиваемых заболеваний, так и за счет возможности выработки все более детального персонифицированного курса лечения для конкретного пациента.

Второе — это «освоение» других профессий. Watson уже «освоила» специализацию нефтяной отрасли: целый ряд зарубежных компаний внедрил системы поддержки принятия решений для своих специалистов-нефтяников. Еще одним перспективным направлением является работа с социальными группами и населением. Также это области, где необходима обработка информации и выработка сервисов и предложений для больших групп клиентов (сотни тысяч и миллионы человек). Таким образом, ближайшие перспективы развития — это профессии из банковской отрасли, телекоммуникаций, где объемы данных невероятно велики, а решения надо принимать в реальном режиме времени.

Если говорить в целом, то, полагаю, Watson достаточно скоро придет в виде сервиса уже просто к каждому человеку — можно будет задать вопрос по практически любой интересующей области знаний и получить квалифицированный ответ.

Юлия Пакина

Менеджер по развитию бизнеса IBM в России и СНГ

Из недавних областей, где нашлось применение IBM Watson, можно упомянуть добычу полезных ископаемых. Александр уже упоминал хороший пример истории успеха — австралийскую компанию Woodside Energy, которой когнитивная система помогла работать гораздо более эффективно, оптимизировав рабочий процесс. До Watson решение о бурении скважин специалисты Woodside Energy принимали на основании долгой и кропотливой работы по сбору всей возможной документации в данной области, включая геологическое строение местности, наличие скважин рядом, тип месторождения, возможность использования оборудования, которое необходимо применить для этого проекта.

Причем раньше этот подготовительный период занимал вплоть до 80% времени у компании. Соответственно лишь 20% времени оставалось на разработку самой скважины. Сейчас мы вместе с Woodside Energy добились того, что только 20% времени уделяется исследованиям и подготовке к бурению, а все остальное время отводится на бурение и разработку новых скважин.

Сейчас многие компании говорят о своих разработках в сфере искусственного интеллекта. IBM говорит о когнитивной платформе. Скажите, пожалуйста, в чем особенность когнитивных сервисов IBM и можно ли их называть определенным типом искусственного интеллекта?

Александр Дмитриев

Ведущий системный архитектор IBM в России и СНГ

Что касается искусственного интеллекта, я бы не стал придавать слишком серьезное значение терминологии. Пока наука в целом не до конца понимает методы мышления человека (а в этой области еще множество белых пятен), нецелесообразно спорить, что является искусственным интеллектом и что нет. Можно сказать, что система Watson в 2011 году «прошла» немного модифицированный формальный тест Тюринга на право называться искусственным интеллектом. Общая идея теста простая: если человек, общаясь с какой-то системой и задавая ей ряд вопросов в свободной форме, не может отличить, с человеком он общается или с машинной системой, то такая система может претендовать на звание «искусственного интеллекта».

Победив в игре Jeopardy, где надо было отвечать на вопросы из самых разных областей знаний, Watson опередила живых участников и прошла этот тест. Но суть не в этом. Как бы мы ни назвали когнитивные технологии, важно, чтобы они выполняли свою основную задачу, становились «усилителем» разума при принятии сложных решений, как оперативных, так и стратегических. Человеческая память не безгранична, обучение компетентных специалистов в любой отрасли — дело дорогостоящее и длительное. Когнитивные же системы как бы создают таких виртуальных специалистов-консультантов, к услугам которых сможет обратиться каждый. В этом суть искусственного интеллекта. Важно, что окончательное решение по любым вопросам все-таки останется за человеком.

Юлия Пакина

Менеджер по развитию бизнеса IBM в России и СНГ

Да, в целом когнитивная система как раз создана для того, чтобы снять с человека рутину и дать больше времени на творчество, решение сложных задач и создание новых систем. Поэтому мы и говорим о решении не искусственного интеллекта, а усиленного интеллекта, добавленного интеллекта.

Расскажите, пожалуйста, подробнее об использовании возможностей когнитивных технологий в бизнесе.

Александр Дмитриев

Ведущий системный архитектор IBM в России и СНГ

Использование когнитивных технологий в бизнесе направлено на решение целого ряда задач, связанных не просто с большими объемами быстро изменяющихся данных, а с необходимостью оперативно извлекать из этих данных нужную информацию и использовать ее для бизнеса с учетом отраслевого и собственного опыта компании. Таким образом, когнитивные системы подключаются к разнообразным источникам информации (собственным базам данных компании, интернету, потоковому видео, информации от технических датчиков различных систем, данным о событиях в той или иной области). Уже на основании этих данных когнитивные системы по специальным алгоритмам находят нужные решения и предлагают их управленцам и специалистам.

Важно, что с накоплением опыта работы и успешной деятельности в той или иной области когнитивные системы можно обучать, настраивать, а также задавать режим самообучения. Поэтому когнитивные системы для бизнеса обладают одним важным качеством, которым не обладает ни одна другая система: чем дольше они работают, тем выше их коэффициент полезного действия. Они сами по себе становятся ценнее для компании в процессе эксплуатации. И важно то, что этот накопленный опыт доступен для сотрудников компании и постоянно, таким образом, используется — повторно, многократно, всегда, когда это необходимо. Обычная ситуация — ушел специалист, для компании потеряны его личные знания и опыт. При внедренной когнитивной системы весь опыт остается в компании и может быть легко передан другим специалистам.

Чем может быть полезен бизнесу блокчейн? Сейчас говорят, что эта технология может изменить привычный мир предпринимательства. Правда ли это, и если да, то что это за изменения?

Владимир Алексеев

Бизнес-консультант по индустриальным решениям IBM в России и СНГ

Первые мнения о том, как технология может поменять мир предпринимательства, обычно сводились к созданию peer-to-peer-сетей, то есть среды, где каждая компания могла напрямую взаимодействовать с любой другой без каких-либо посредников. Надо признать, это слишком упрощенное описание, и со временем идея развивалась и дополнялась. Сейчас можно сказать, что блокчейн, во-первых, позволяет обеспечить распределенную ответственность, что крайне важно в случае, если у нас есть несколько компаний, которые не сильно доверяют друг другу и никак не связаны между собой. Во-вторых, прозрачность совершения всех операций и невозможность внесения изменений в уже проведенные транзакции. Под транзакцией понимается не только банковская транзакция, но больше факт передачи актива от одной компании другой. В-третьих, это возможность использования смарт-контрактов для бизнес-логики, а именно обеспечение всего процесса операции. В противном случае блокчейн можно было бы использовать только как систему хранения, а всю логику операций делать вне его рамок, что не обеспечивало бы ни прозрачность, ни надежность проведения операций.

Есть ли уже положительные примеры использования блокчейна коммерческими компаниями?

Владимир Алексеев

Бизнес-консультант по индустриальным решениям IBM в России и СНГ

За прошлый год IBM провела вместе с заказчиками более 400 пилотов в мире в самых разных отраслях. Это, конечно, и финансовый сектор, и ритейл, и энергетика. В частности, пилотные проекты с ABN Amro в области финансовой реструктуризации и управления недвижимостью. С Bank of Tokio-Mitsubishi был завершен проект по использованию технологии блокчейн для автоматизации аутсорсинговых контрактов в ИТ.

Говорить о практических результатах внедрений (количественных бизнес-показателях) сейчас достаточно рано: блокчейн — это все-таки новая технология, которая также требует времени для апробации. Блокчейн не может существовать изолированно, поэтому требуется интеграция с существующими системами, требуется разработка сервисов, требуются компетенции. 2016 год был посвящен пилотированию, 2017-й должен пройти под знаком интеграции технологии блокчейн в существующую ИТ-инфраструктуру организаций.

Согласно исследованию IBM Institute for Business Value, более 50% опрошенных руководителей компаний финансового сектора планируют перейти к фазе коммерческого использования технологии в 2018-2020 годах.

Блокчейн, насколько можно понять, дает большие возможности многим сферам бизнеса. А что скажете по поводу бирж по торговле ценными бумагами? Может ли там пригодиться эта технология?

Владимир Алексеев

Бизнес-консультант по индустриальным решениям IBM в России и СНГ

Стоит признать, что биржи были одними из первых организаций, которые заинтересовались технологией и активно участвовали в ее развитии. К примеру, Немецкая биржа (Deutsche Boerse) является премьер-участником блокчейн-проекта HyperLedger наряду с IBM, а Московская биржа также входит в состав участников. Из практического опыта использования технологии биржами отмечу следующее: еще в прошлом году Японская биржа при помощи IBM проводила исследование возможностей использования распределенных реестров в своих операциях. В своем отчете биржа подчеркнула перспективность технологии, отметив среди ключевых преимуществ возможность создания новых инновационных финансовых сервисов и сокращение затрат. По мнению специалистов Японской биржи, блокчейн поможет автоматизировать процессы согласования торговых процедур и повысить отказоустойчивость системы в целом за счет введения принципа распределенности.

Расскажите, пожалуйста, чем планирует заниматься компания IBM в последующие 5-10 лет? Каким компания видит мир бизнеса будущего?

Владимир Алексеев

Бизнес-консультант по индустриальным решениям IBM в России и СНГ

В начале этого года корпорация IBM представила свой взгляд на то, как технологические инновации изменят мир в будущем. Отчет был выполнен научно-исследовательским подразделением IBM Research и отражает мнение компании на то, как мир изменится через пять лет по пяти направлениям. Во-первых, компания уделяет большое внимание тому, как все мы говорим и пишем, и считает, что эти факторы будут использоваться в качестве индикаторов психологического состояния и физического здоровья. Далее — люди смогут обрести «сверхзрение» благодаря крошечным и мощным камерам, что даст возможность исследовать почти 100% электромагнитного спектра против менее 1% в настоящее время. Технология может быть встроена в мобильные устройства и помогать анализировать состав продуктов или лекарств. С другой стороны, через пять лет мы будем в состоянии понять всю сложность Земли с потрясающей точностью деталей. Это станет возможным за счет развития интернета вещей (IoT) и алгоритмов машинного обучения, на основе которых можно сделать выводы из анализа снятых параметров. Ученые IBM называют это в совокупности «макроскопом». Он поможет прогнозировать такие явления, как изменения климата, уровня воды, угрозы загрязнения или влияние внешних факторов на нашу планету.

Следующим направлением развития технологий IBM видит создание медицинских лабораторий «на чипах», чтобы отслеживать болезни на нано-уровне, что поможет предсказывать заболевания на более ранних стадиях. В лабораториях IBM специалисты работают над созданием чипов размером в 20 нм, которые могут быть подсоединены как к системам искусственного интеллекта, так и к другим датчикам в режиме реального времени. И, наконец, пятой областью является создание и распространение «умных» сенсоров для более раннего определения уровня загрязнения окружающей среды. Такие сенсоры могут также быть крайне полезны для газопроводных труб, а также возле естественных источников выбросов, к примеру, метана для оповещения увеличения концентраций различных веществ.

Стоит отметить, что по всем направлениям технологии находятся в разработке уже сейчас, так что прогноз не выглядит слишком футуристичным. С другой стороны, необходимо время и усилия, чтобы доработать существующие продукты и довести их до массового использования.

С точки зрения долгосрочной перспективы (10 и более лет) можно привести пример технологии квантовых компьютеров. В алгоритме работы квантовых компьютеров заложены абсолютно другие принципы, нежели те, по которым работают современные компьютеры. Поэтому их использование может полностью изменить существующие процессы, например, криптографии, и дать абсолютно новый уровень вычислительной мощности. IBM является одним из лидеров в этой области, уже предоставляя бесплатный тестовый доступ к реальному квантовому компьютеру через облачную инфраструктуру IBM Quantum Experience.

Подробнее про реализованные решения IBM для бизнеса и других
индустрий Поделиться статьей:

Мозг, когнитивные системы, искусственный интеллект

Мозг, когнитивные системы, искусственный интеллект

Официальный сайт научно-образовательной школы МГУ «Мозг, когнитивные системы, искусственный интеллект»

Важнейшим вызовом науке XXI века является раскрытие природы когнитивных систем. Что принципиально отличает такие системы от всех остальных? По каким законам они возникают? Что придает им свойства памяти, эмоций, интеллекта, сознания? Возможно ли воспроизвести такие свойства у искусственных систем? Решение этих вопросов, обеспечиваемое революцией в науках о мозге и искусственном интеллекте, способно преобразить исследования во многих естественнонаучных и гуманитарных дисциплинах, науках об обществе, существенно ускорить научно-технический прогресс и улучшить когнитивные возможности и здоровье человека. Все это потребует с одной стороны обширных исследований, с другой — подготовки специалистов нового поколения, образование которых будет преодолевать барьеры между традиционными естественнонаучными и гуманитарными знаниями, охватывать разные аспекты когнитивных систем. Миссия Школы состоит обеспечении прогресса в решении этих задач.

Перспективные направления научно-образовательной деятельности:

1. Физико-математические подходы к изучению мозга (Physics and mathematics of the brain) — разработка и применение методов математических наук, экспериментальной и теоретической физики к исследованию и математическому моделированию мозга как сложной динамической системы.
2. Нейробиология когнитивных систем (Neurobiology of cognitive systems) — исследование молекулярных, клеточных и системных механизмов когнитивных функций мозга в норме и при патологии с помощью методов и инструментов современной нейронауки.
3. Когнитивные функции человека и животных (Human and animal cognition) — фундаментальные и прикладные исследования процессов и механизмов поведения, интеллекта, когнитивного развития, организации языковых систем, обучения, памяти и других когнитивных функций у человека и животных.
4. Интерфейсы естественных и искусственных интеллектуальных систем (Interfaces between natural and AI systems) — исследования и разработки в области взаимодействия человека с искусственными интеллектуальными системами, разработка новых технологий и применений интерфейсов между человеком и робототехническими устройствами, интерфейсов мозг — компьютер, мозг — искусственный интеллект.
5. Разработка перспективных технологий искусственного интеллекта (Development of advanced AI technologies) — поиск и разработка перспективных приложений, новых математических методов и технологий искусственного интеллекта, в том числе основанных на принципах работы головного мозга.
6. Аппаратно-программные реализации технологий искусственного интеллекта (Hardware-software implementations of AI technologies) — исследование, разработка и применение аппаратно-программных систем для анализа, хранения, обработки больших разнородных объемов данных, в том числе фундаментальных основ теории программирования в применении к технологиям искусственного интеллекта.
7. Теория интеллектуального управления (Intelligent control theory) — разработка и применение технологий искусственного интеллекта для решения задач управления автономными системами, группами автономных объектов, технологическими процессами.
8. Извлечение знаний из данных (Data science) — разработка методов извлечения знаний из больших объемов данных разной природы, методов анализа данных, исследование фундаментальных математических основ таких методов.
    

 

Что такое когнитивные системы?

Когнитивные системы — это системы, которые включают психологические данные, подобно тому, как люди думают и обрабатывают информацию. Они были созданы для того, чтобы задействовать неотъемлемые функции человеческого познания и повысить познавательные способности. В нетехнологическом плане этот тип системы можно рассматривать как помощника, который помогает людям с трудностями при обработке информации. Первоначальная основа для когнитивных систем была основана на теориях из психологии и также является частью движения искусственного интеллекта (ИИ).

Искусственный интеллект является очень важным фактором при обсуждении когнитивных систем и их основ. Этот термин относится к области компьютерных наук, которая фокусируется на разработке машин, которые включают в себя поведение, которое люди считают разумным. Благодаря более чем пятидесятилетним исследованиям в области искусственного интеллекта и его функций в сочетании с увлечением многих людей интеллектуальными машинами, общее достижение в разработке таких когнитивных машин очень близко к тому, чтобы стать реальностью.

Когнитивная машина — это интеллектуальное устройство, способное извлекать информацию из окружающей среды и использовать ее для принятия решений. Это очень похоже на процессы в мышлении человека. Он использует данные, собранные на основе стимулов, предоставляемых окружающей средой, и соответствует изменениям внутри себя, чтобы приспособиться к окружающей среде и ее окружению.

Исследователи во всем мире создают такие интеллектуальные когнитивные машины, которые могут имитировать многие виды поведения людей, включая мысли и речь. Эти когнитивные компьютеры даже предназначены, чтобы побить лучших шахматистов. Есть эксперты в области передовых технологий, которые надеются, что эти когнитивные компьютеры и когнитивные системы также будут включать уровни сознания.

Когнитивные системы и когнитивная теория — это два вида науки, которые в сочетании образуют очень интеллектуальную комбинацию. Когнитивная теория — это термин, используемый в психологии для объяснения поведения человека и его связи с процессами мышления в человеческом разуме. Поскольку люди считаются логическими существами, считается, что они принимают решения на основе рациональности.

Когнитивная теория противостоит идеям бихевиоризма. Бихевиоризм включает в себя концепцию, согласно которой поведение человека обусловлено исключительно причинами и следствиями. Достижения в области технологии, такие как концепции когнитивных систем, привели некоторых исследователей к синергетическому сочетанию этих двух концепций для формирования лучшего общего комплексного типа терапии.

Когнитивные процессы могут принимать различные формы, такие как естественные или имитационные, и могут быть как сознательными, так и бессознательными. Они могут входить в различные контексты, такие как лингвистика, анестезия, неврология, психология, философия, системность и информатика. Что касается дисциплин психологии или философии, познание включает в себя сложные сферы разума, рассуждения, восприятия, интеллекта, обучения и других информационных способностей, а также ожидания искусственного разума.

ДРУГИЕ ЯЗЫКИ

Harvard Business Review Россия

В 2013 году в Онкологическом центре Андерсона запустили проект поистине космического масштаба: диагностика и составление планов лечения некоторых видов рака с помощью когнитивной системы Watson фирмы IBM. Однако в 2017 году, после того как на разработки потратили более $62 млн, проект заморозили, так и не начав испытывать систему на реальных пациентах.

ИДЕЯ КОРОТКО

Проблема
Для решения бизнес-задач все чаще используют когнитивные технологии. Правда, самые амбициозные проекты часто пробуксовывают или вовсе терпят крах.
Подход
Компании должны идти к ИИ постепенно, не предполагая полной трансформации. Акцент надо делать на расширение, а не на замену человеческих навыков и умений.
Процесс
Чтобы получить максимальную отдачу от ИИ, фирмы должны понять, какие технологии подойдут для их типов задач, создать портфель приоритетных проектов на основе потребностей бизнеса и разработать план развертывания ИИ по всей компании.

ИТ-отдел онкоцентра не прекратил экспериментировать с когнитивными технологиями, но проекты стали гораздо менее амбициозными. К примеру, искусственный интеллект (ИИ) легко справился с такими задачами, как подбор гостиниц и ресторанов для семей больных; выявление нуждающихся в финансовой поддержке пациентов; консультирование сотрудников центра по ИТ. Результаты этих проектов налицо: повысилась удовлетворенность пациентов, улучшились финансовые показатели, снизилось время, затрачиваемое на утомительный ввод данных. Первая неудачная попытка достичь главной цели: заставить когнитивные технологии работать в практике лечения онкобольных — не остановила Центр Андерсона: в настоящее время в его отделе когнитивных вычислений идут проработки нескольких новых проектов.

Понимать разницу между «журавлем в небе» и «синицей в руках» важно для любой организации, планирующей проекты с ИИ. Из 250 опрошенных нами руководителей, в компаниях которых есть такие инициативы, три четверти считают, что ИИ существенно изменит их бизнес в ближайшие три года. Наш анализ 152 проектов показывает, что у «прорывных» систем меньше шансов на реальное воплощение, чем у «лежащих на поверхности» улучшений бизнес-процессов. В этом нет ничего удивительного, ведь такое случалось с подавляющим большинством новых технологий, которые внедряли прежде. Но нынешний ажиотаж вокруг мощи ИИ был настолько мощным, что некоторые организации не смогли сопротивляться соблазну.

В этой статье мы рассмотрим различные категории ИИ и дадим общую схему, которая поможет компаниям наращивать свой «когнитивный» потенциал в ближайшие годы.

Три типа искусственного интеллекта

На ИИ полезнее смотреть сквозь призму бизнеса, а не возможностей самих технологий. В целом когнитивные системы могут поддерживать три типа задач: автоматизация бизнес-процессов, получение знаний на основе анализа данных и взаимодействие с клиентами и сотрудниками (см. врезку «Типы когнитивных проектов»).

Автоматизация процессов. Среди изученных нами проектов самыми распространенными оказались системы автоматизации — чаще всего административной и финансовой работы бэк-­офиса с помощью роботизированных технологий обработки (RPA). RPA — более продвинутая, чем прежние, среда для автоматизации бизнес-процессов. В этой среде робот (то есть программа на сервере), подобно человеку, обменивается информацией сразу с несколькими ИТ-системами, решая такие задачи, как:

— перенос данных из электронной почты и сис­тем call-центра в базы данных — например, для отслеживания изменения адреса в файле клиента или сохранения запроса на дополнительные услуги;

— замена утерянных кредитных и дебетовых карт с обработкой сообщений и последующим обновлением данных по клиенту в нескольких системах;

— сверка отказов в оплате услуг через биллинговые системы с поиском информации в различных типах документов;

— «чтение» юридической и контрактной документации для извлечения решений с помощью анализа естественного языка.

RPA — самый дешевый и простой в реализации тип когнитивных технологий. Как правило, он приносит быструю и высокую отдачу от инвестиций. Но он и наименее «умный» в том смысле, что эти приложения не запрограммированы, чтобы самообучаться и совершенствоваться, хотя разработчики постепенно добавляют им «интеллекта» и «способностей к обучению». Особенно хорошо роботам удаются проекты, связывающие несколько ИТ-систем.

NASA запустило четыре пилотных RPA-проекта — для расчетов дебиторской и кредиторской задолженности, расходов на ИТ и кад­рового учета. Ими управляет единый центр. Эти проекты показали себя хорошо (например, в программе найма 86% операций проходят без участия человека) и были распространены на всю организацию. А сейчас NASA внедряет еще больше RPA-ботов и некоторые из них имеют «повышенный уровень интеллекта». По словам руководителя проекта единого обслуживания Джима Уокера, «пока все идет гладко».

Кто-то подумает, что роботизация и автоматизация процессов приведут к тому, что множество людей станут терять работу. Но в 71 RPA-проекте, которые мы рассмотрели, замена административных сотрудников не была ни главной целью, ни высокочастотным результатом. Лишь несколько проектов привели к высвобождению персонала, а в большинстве роботам передали задачи, которые прежде решались аутсорсингом. В будущем проекты роботизации и автоматизации будут сопровождаться сокращениями в первую очередь в аутсорсинговых компаниях-офшорах. Вообще, если задачу можно отдать на аутсорсинг, скорее всего, ее можно и автоматизировать.

Когнитивные инсайты. Второй по распространенности тип проектов (38% от общего числа) использует алгоритмы для выявления и интерпретации закономерностей в огромных объемах данных. Можно назвать это «аналитикой на стероидах». Такие самообучающиеся сис­темы бизнес использует для:

— предсказаний того, что определенный клиент, вероятно, купит в будущем;

— выявления мошенничества с кредитными картами и страховками в режиме реального времени;

— анализа данных гарантийного ремонта для выявления проблем с безопасностью и качеством автомобилей или других продуктов;

— автоматизации персонализированного таргетинга диджитал-рекламы;

— построения более точной и подробной актуарной модели для страховщиков.

Когнитивные решения на основе выявленных машиной закономерностей отличаются от традиционной аналитики в трех отношениях: (а) они гораздо более информационно емкие и детализированные; (б) они, как правило, обучаются на какой-то части данных; (в) со временем их способности использовать новые данные, делать прогнозы и разбивать объекты на категории улучшаются.

Некоторые виды машинного самообучения (в частности, глубинное обучение, которое пытается имитировать работу мозга с паттернами) способны на невероятные вещи, такие как распознавание изображений и «понимание» речи. Машина может и сама представить новые данные, улучшающие аналитику. Работа с данными всегда была трудоемкой, но теперь благодаря самообучающимся алгоритмам стало легче, например, находить информацию, которая скорее всего связана с одним и тем же человеком или компанией. Компания GE применила эту технологию для сличения данных о своих поставщиках и в первый же год сэкономила $80 млн за счет удаления дубликатов и пересмотра условий договоров разных отделов с одной и той же организацией. А в крупном банке эта технология использовалась для извлечения контрактной информации и сличения ее с реальными накладными. Оказалось, что десятки миллионов долларов были потрачены на продукты и услуги, которые не были получены. Компания Deloitte использует ИИ для извлечения условий из текстов контрактов. Это позволяет проводить аудит большей части документов (часто почти всех) без вычитывания аудитором-человеком.

Когнитивные решения обычно используют для улучшения работы, которую и так умеют делать только машины. Примером служит программируемый показ рекламных объявлений в сети, всегда требовавший скорости обработки данных за пределами человеческих возможностей. Подобные приложения вообще не несут угрозы для рабочих мест.

Системы взаимодействия. Это такие проекты, как: общение на естественном языке с применением чат-ботов, интеллектуальные агенты и машинное обучение. В нашей выборке этот тип составляет 16% от общего числа проектов. Вот примеры таких разработок:

— интеллектуальные агенты, обслуживающие клиентов 24/7 и решающие широкий класс проблем: от запросов на восстановление пароля до технической поддержки, причем общение идет на естественном языке;

— внутренние сайты для ответов на вопросы сотрудников, касающиеся ИТ, льгот для персонала или политик компании;

— продукты и системы рекомендаций для ритейлеров, настроенные на улучшение персонализации предложения и общения с клиентом и повышение продаж — обычно с богатыми языковыми или визуальными средствами;

— рекомендательные системы для врачей по ведению больных: помощь в разработке индивидуальных планов, учитывающих состояние здоровья и предыдущее лечение пациента.

В нашем исследовании чаще встречались когнитивные системы для взаимодействия с сотрудниками, а не с клиентами. Однако быстрый сдвиг весьма вероятен: фирмы стали проще относиться к передаче машине функций общения с клиентами. К примеру, компания Vanguard ведет пилотный проект интеллектуального агента, который помогает сотрудникам службы поддержки отвечать на часто задаваемые вопросы клиентов. Ожидается, что рано или поздно агент-робот полностью возьмет на себя общение с людьми. Шведский SEBank и медицинский производитель-гигант Becton Dickinson из США используют аватара Амелию для ИТ-поддержки своих сотрудников. SEBank недавно стала вводить Амелию и в клиентскую поддержку. Пока лишь для небольшой группы, чтобы проверить, как она работает и как на нее реагируют пользователи.

Осторожность в применении когнитивных технологий для общения с клиентами во многом объясняется их незрелостью. Например, в Facebook подсчитали, что 70% вопросов, задаваемых через мессенджер, требуют ответа человека. Как результат, Facebook и другие компании нашего списка ограничили применение ботов определенными темами и типами онлайн-бесед.

Наши исследования показывают, что когнитивные приложения для коммуникации в настоящее время не угрожают сотрудникам отделов продаж или сервиса. В большинстве проектов цель была не в сокращении штата, а в том, чтобы справиться с ростом интенсивности общения между компанией и клиентами без дополнительного найма. Некоторые организации планируют передать машинам рутинную коммуникацию, оставив службе поддержки более сложные задачи вроде клиентских проблем, требующих вмешательства руководства, ведения неструктурированных диалогов или предупреждения клиентов о риске — до того, как они сами позвонят и сообщат о неприятности.

По мере овладения когнитивными инструментами компании начинают экспериментировать с проектами, которые сочетают в себе элементы разных категорий. Итальянский страховщик, например, разработал «справочное бюро» по ИТ. В ходе взаимодействия с сотрудниками программа самообучается — выявляет часто задаваемые вопросы, ранее решенные проблемы и ссылки на документы, помогающие с ответом, (признаки принадлежности к категории когнитивных инсайтов). Смарт-маршрутизация, характерная для RPA, применяется для пересылки сложных проблем человеку, а интерфейс на естественном языке (итальянском) характерен для когнитивных технологий коммуникации.

Опыт работы с когнитивным инструментарием расширяется, но компании пока сталкиваются с серьезными препятствиями в реализации проектов. Мы разработали схему из четырех шагов. Она поможет правильно развернуть и интегрировать в работу компании когнитивные технологии любой степени амбициозности, от скромных до прорывных.

1. Понимание технологий

Прежде чем вступать в область искусственного интеллекта, надо понять, какие типы ИТ пригодны для ваших задач, разобраться в достоинствах и недостатках каждого класса ПО. Работа экспертных систем и программ автоматизации процессов понятна и прозрачна, но они не способны учиться и улучшаться. Глубинное обучение прекрасно подходит для иccледования больших объемов размеченных данных, но редко когда можно понять, по какой модели оно их анализирует. Функционирование в режиме «черного ящика» может стать серьезной проблемой в сильно зарегулированных отраслях, таких как финансовые услуги, ведь регулятор нередко хочет понимать, почему было принято то или иное решение.

В некоторых организациях неправильный выбор ПО уже привел к напрасным тратам времени и денег. Чтобы удовлетворять реальные потребности своего бизнеса, надо знать и правильных поставщиков ПО, и классы программных оболочек, и примерные сроки их внедрения. ИТ-отдел или инновационная группа должны быть готовы потратить немало сил на изучение и исследование рынка.

Кроме того, надо привлекать специалистов, владеющих статистикой и достаточно разбирающихся в больших данных, чтобы понять, как устроены когнитивные системы. Главный фактор успеха — желание сотрудников учиться. Одни будут в восторге от возможности узнать новое, а другие захотят остаться со своим привычным инструментарием. Постарайтесь, чтобы в вашей команде было больше первых.

Если у вас в штате нет специалистов по данным и аналитике, вам придется опереться на внешних поставщиков услуг. Но если вы планируете вести долгосрочные проекты с использованием ИИ, лучше привлечь экспертов в свою организацию. В любом случае оцените, есть ли у вас силы и средства, необходимые для продвижения в этой сфере.

Учитывая дефицит специалистов, большинству организаций лучше вести ИИ-проекты из единого центра (его можно подчинить отделу ИТ или стратегии) и привлекать экспертов из этого центра в разные проекты в соответствии с приоритетностью. По мере того, как потребность в системах ИИ будет расти, можно будет выделить группы для нужд подразделений, но даже тогда координирующие функции по управлению проектами и развитию сотрудников лучше будет сохранить за центром.

2. Создание портфеля проектов

Следующим шагом в запуске программы ИИ должна стать системная оценка потребностей и возможностей, а затем — приоритизация проектов. Обычно это делается в рамках воркшопов или небольших консалтинговых проектов. Мы рекомендуем компаниям проанализировать три аспекта.

Поиск выгод. Первым делом необходимо определить, в какой области бизнеса можно получить наибольший выигрыш от когнитивных разработок. Как правило, перспективны те виды деятельности, которые накапливают важные, полученные из анализа данных либо извлеченные из множества текстов знания, которые не удается использовать. Причины могут быть разными.

— Информационная «пробка». В некоторых случаях отсутствие значимых выводов вызвано пробкой в потоке информации; знания в организации есть, но нельзя сказать, где и какие. Например, в медицине знания часто замкнуты в пределах одной практики, одной кафедры или научного медицинского центра.

— Проблема масштаба. Бывает, что использование знаний сложно и дорого — например, когда для анализа приходится привлекать финансовых консультантов. Вот почему многие компании по инвестированию и управлению богатством сейчас предлагают «роботов-консультантов» на основе ИИ. По сути, это недорогие системы для решения рутинных финансовых вопросов.

В фармацевтической индустрии Pfizer с помощью Watson, разработанной IBM, ускоряется трудоемкий процесс поиска иммунопрепаратов в онкологии (это новый подход, который использует иммунную систему организма для борьбы с раковым заболеванием). Вывод на рынок одного иммунопрепарата может занять до 12 лет. Проанализировав имеющиеся публикации и накопленные в лабораториях Pfizer данные, Watson помогает выявить скрытые связи и закономерности. Благодаря этому ускоряется поиск возможных применений препарата, обнаруживаются перспективные комбинации лекарств, облегчается отбор пациентов.

— Недостаток мощностей. Наконец, компании могут столкнуться с потоком данных, проанализировать которые не под силу ни человеку, ни обычным ИТ. Возьмем поведение пользователей сети: данных море, но как их применить? Чтобы решить эту проблему, компании используют машинное самообучение, например, для таких задач, как персонализированная диджитал-реклама, или, как это сделали Cisco и IBM, создают десятки тысяч «моделей предрасположенности» (они определяют, какие товары человек скорее всего купит в будущем).

Определение сценариев применения. Вторая задача — разработать сценарии для оптимального использования когнитивных приложений. Задавайте вопросы вроде: какую роль в нашей стратегии сыграет решение этой проблемы? Насколько сложно будет реализовать предложенное решение с использованием ИИ — как технически, так и организационно? Превысит ли выгода от запуска приложения затраченные на него ресурсы? Разобрав все сценарии, их можно ранжировать по краткосрочной и долгосрочной ценности. Кроме того, надо учитывать, какие из них впоследствии могут быть интегрированы в более широкую платформу или стать частью когнитивных навыков организации, повышающих ее конкурентное преимущество.

Выбор технологии. Третья задача — понять, справятся ли предлагаемые инструменты ИИ с требуемой работой. Например, чат-боты и интеллектуальные агенты могут вас разочаровать, потому что пока большинство из них еще не могут сравниться с человеком в решении проблем, за исключением самых простых. Роботы справляются с несложными процедурами вроде выставления счетов, а более сложные могут, наоборот, замедлить. Самообучающиеся системы визуального распознавания в состоянии идентифицировать объект на фотографиях и видео, но требуют много размеченных данных и не всегда могут «понять» многоплановое изображение.

Рано или поздно когнитивные технологии изменят то, как компании ведут бизнес. Сегодня, однако, разумнее делать небольшие шаги и в то же время не забывать строить планы преобразования процессов в будущем. Возможно, со временем вам удастся переложить на ботов все взаимодействие с клиентами, но до поры до времени целесообразнее автоматизировать службу внутренней ИТ-поддержки. И это будет важным шагом к вашей конечной цели.

3. Запуск пилотных проектов

Бывает нелегко оценить размер разрыва между имеющимися у компании ресурсами и навыками в сфере ИИ и теми, что потребуют большие задачи. Поэтому перед тем, как пустить в ход когнитивные приложения по всему предприятию, стоит запустить пилотные проекты.

Пилоты, подтверждающие правильность подходов, особенно важны для инициатив с высоким потенциалом ценности для бизнеса и для тех, что позволяют организации тестировать сразу несколько технологий. Соблюдайте бдительность: иногда под влиянием поставщиков кто-то из руководителей затевает ненужный проект. Процесс запуска пилота должен быть строго регламентирован, ведь менеджмент и совет директоров сейчас испытывают прессинг: «надо внедрить что-нибудь когнитивное». Такие проекты часто проваливаются, что может существенно отсрочить программу ИИ в организации.

Если ваша фирма планирует запустить несколько пилотов, стоит задуматься о создании единого когнитивного центра. Так вы сделаете шаг к наращиванию ИИ-навыков внутри организации, и вам будет легче развить из небольших пилотных проектов более крупные, которые будут иметь бóльшее воздействие на бизнес. В Pfizer запустили более 60 когнитивных проектов; одни из них в стадии пилота, а другие уже запущены в промышленном масштабе.

Функция «глобальной автоматизации» в ИТ-отделе Becton Dickinson — компании, работающей в десятках стран, — курирует сразу несколько когнитивных пилотных проектов. Одни используют интеллектуальных цифровых агентов, другие — RPA (часть проектов выполняется в партнерстве с Глобальным центром обслуживания компании). Для управления внедрением и выявления перспективных объектов автоматизации используют технологические схемы, а направления, которые больше всего выиграют от ИИ, показаны на своеобразных «тепловых картах». Центр успешно внедрил интеллектуальных агентов в службу ИТ-поддержки, но пока не готов масштабировать систему — например, на полный цикл выполнения заказов.

Редизайн бизнес-процессов. С расширением когнитивных проектов рабочие процессы неизбежно будут меняться и потребуется точно определить, что делает робот, а что человек. В одних когнитивных системах 80% решений берут на себя машины, а 20% — люди; в других соотношение противоположное. Бизнес-процессы надо реорганизовывать так, чтобы люди и машины идеально дополняли друг друга.

Инвестиционная компания Vanguard, например, предлагает нового «Персонального консультанта» (PAS), сочетающего в себе автоматизированный и «человеческий» инвестиционный консалтинг. ИИ выполняет множество стандартных задач, в том числе собирает и перетряхивает портфели инвестиций, работает с налоговыми льготами и вычетами. Консультанты выступают в качестве инвестиционных тренеров, отвечают на вопросы, приучают инвесторов к «здоровому» финансовому поведению, поддерживая их, в том числе эмоционально. Компания нацеливает консультантов на понимание психологии финансовых решений. Использование PAS позволило привлечь под управление более $80 млрд активов, причем затраты оказались ниже, а удовлетворенность клиентов осталась высокой (см. врезку «Разделение труда: человек/машина»).

В отличие от Vanguard, многие компании не понимают, сколь важно переформатировать работу при внедрении когнитивной системы. Они просто автоматизируют готовые процессы, в частности методом RPA. И даже если им удается быстро реализовать проект и добиться окупаемости инвестиций, они упускают возможность воспользоваться всеми преимуществами ИИ и значительно улучшить свои процессы.

Переосмыслить работу с внедрением ИИ помогают принципы дизайнерского мышления, такие как понимание потребностей клиента или конечного пользователя; подключение к разработке сотрудников, деятельность которых будет реструктурирована; переход к проектированию с множеством черновых вариантов. Лучше одновременно с проектированием вести учет когнитивных технологий. Большинство когнитивных проектов также подходят для итеративного и адаптивного (agile) подхода к разработке.

4. Масштабирование

Многие организации успешно справились с когнитивным пилотом, но столкнулись с трудностями на этапе развертывания проекта. Для серьезного масштабирования нужен проработанный план, в создании которого должны участвовать как ИТ-специалисты, так и эксперты по тем бизнес-процессам, которые предстоит автоматизировать. Поскольку когнитивные технологии, как правило, решают отдельные задачи, но не берут на себя весь процесс, в ходе развертывания потребуется увязать работу автомата с действующими процессами. Наши респонденты отмечали, что именно интеграция модуля ИИ с уже работающими системами была самой большой проблемой внедрения.

Если система строится на редкой технологии, это может застопорить проект. Убедитесь, что руководитель, ответственный за бизнес-процесс, обсуждает план масштабирования с ИТ-отделом: работа «в обход» профессионалов вряд ли будет успешной даже для относительно простых технологий, таких как RPA.

Медицинский страховщик Anthem внедряет когнитивные технологии параллельно с масштабной модернизацией. Компания решила не строить ИИ-приложения на старой ИТ-инфраструктуре, а пересмотреть заодно и ее, чтобы максимизировать ценность ИИ и снизить стоимость разработки и интеграции. По словам ИТ-директора Тома Миллера, компания перестраивает бизнес-процессы, чтобы «когнитивные технологии вывели ее на новый уровень».

Сеть фэшн-ритейла США начала применять машинное самообучение в небольшой части магазинов: для товарных рекомендаций в онлайне, для расчета и оперативного пополнения запасов и — что самое сложное — для закупок товаров. И закупщики, которые всегда делали заказы «интуитивно», почувствовав угрозу со стороны ИИ, стали говорить: «Если вы доверяете роботу, зачем вам мы?». После запуска пилотного проекта они пришли к директору по закупкам и попросили прекратить программу. Однако директор отметил, что результаты обнадеживают, и дал добро на расширение проекта. Он заверил закупщиков, что освободит их от некоторых товароведческих задач, чтобы они могли взять на себя более важную работу, которую люди делают лучше машин: понять запросы молодежи или задать планы изготовителям одежды. В то же время он признал, что новым методам работы придется поучиться.

На этапе масштабирования в первую очередь надо думать о повышении продуктивности — например, о росте числа клиентов и сделок без привлечения дополнительного персонала. Компании, которые обосновывали свои инвестиции в ИИ сокращением штата, в идеале должны достигать этой цели за счет обычного оттока персонала или ликвидации аутсорсинга.

Будущее когнитивных компаний

Наши опросы показали, что менеджеры радужно смотрят на перспективы когнитивных технологий. Пока успехи довольно скромны, но мы верим, что ИИ суждено преобразовать работу. Компании, которые сейчас постепенно внедряют когнитивные технологии и одновременно строят амбициозные планы, окажутся в выигрыше как первопроходцы.

За счет применения искусственного интеллекта информационно емкие области: маркетинг, медицина, финансовые и юридические услуги, образование — могут стать и более ценными, и менее затратными для общества. Рутинные процессы и контроль за простыми операциями вроде ответов на типичные вопросы или извлечения данных из бесконечного потока документов можно будет отдать на откуп машинам. Когнитивные технологии послужат катализатором и для других ресурсоемких отраслей, в том числе беспилотных автомобилей, интернета вещей, мобильных и многоканальных приложений.

Один из главных нынешних страхов — в том, что когнитивные технологии оставят тысячи людей без работы. Действительно, ряд профессий, вероятно, уйдет в прошлое. Однако большинству работников сейчас бояться совершенно нечего. Когнитивные системы могут выполнять отдельные задачи, но не всю работу. Потери рабочих мест пока не превышают естественного оттока работников. В тех компаниях, которые мы наблюдали, просто не заменяли уволившихся либо автоматизировали процессы, прежде отдаваемые на аутсорсинг. Когнитивные системы берут на себя одну операцию из широкого арсенала специалиста, либо же делают нечто в принципе неподвластное человеку (например, анализ больших данных).

Многие управленцы привержены стратегии интеграции человека и машины, а вовсе не вытеснения человека. В ходе нашего опроса только 22% руководителей сочли сокращение персонала основным преимуществом ИИ.

Мы считаем, что каждая крупная компания должна исследовать когнитивные технологии. Этот путь не будет легким, и на нем не стоит игнорировать проблемы вытеснения рабочей силы и создание этики умных машин. Но при правильном планировании и развитии когнитивные технологии способны привести нас к золотому веку высокой производительности, удовлетворенности работой и процветания.

Об авторах

Томас Дейвенпорт (Thomas Davenport) — почетный профессор ИТ и менеджмента в Бэбсон-колледже, исследователь цифровой экономики Массачусетского технологического университета и старший советник Deloitte Analytics.

Раджив Ронанки (Rajeev Ronanki) — директор Deloitte Consulting; возглавляет направление когнитивных вычислений и инновационных практик в здравоохранении. Некоторые из компаний, упомянутых в этой статье, являются клиентами Deloitte.

Когнитивные исследования: Проекты направления

1. Плеяды (скопление молодых звезд по спектру похожих на Сириус)
2. Влияние использования технологий виртуальной реальности на эффективность образовательной деятельности

Описание проектов
 

1. Плеяды (скопление молодых звезд по спектру похожих на Сириус)

Руководитель проекта: Бибилов И.В., Дикая Л.А.

Аннотация:  На программы Сириуса приезжает множество людей из разных городов и стран, разной специализации и интересов. Во время работы на программах участники активно общаются, обмениваются контактами и формируют команды. Однако поддержание таких тесных контактов после программ, а также поиск новых затруднены.

Проблема

Несмотря на разнообразие площадок для общения, для эффективного сотрудничества между участниками программ Сириуса и поиска соратников требуется единая платформа. Цель проекта — разработка мобильного приложения, которое помогает в знакомствах для проектной коллаборации, общении, обмене мнениями и опытом, экспертизе, построении эффективного комьюнити на программах. Помогать в этом будут кейсы создания мероприятий, задач, опросников, запросы на помощь или экспертизу. По сути, это локальная социальная сеть и интеллектуальный «секретарь», ориентированные на формирование ядра программы, синергию от взаимодействия, упрочнение социальных и рабочих связей. 

Создавая приложение, участники пройдут все этапы разработки, включая консультации с сообществом Сириуса о наборе интересных кейсов, тестирование, техподдержку, изменение и дополнение функционала. Ведь пользователи приложения будут рядом, на расстоянии вытянутой руки. Как только будет создана система, в которой пользователи оставляют свои информационные следы, появится возможность анализировать эти действия. Начнется исследовательская часть проекта. Будут построены графы взаимодействий по типам, временные графики различных активностей, социальные портреты пользователей.  На основе этих данных будут приниматься решения об эффективности работы приложения и дальнейших шагах на повышение этой эффективности.  Кроме того, стоит отметить, что проект имеет перспективу стать традиционным для программ (можно сравнивать активности на разных программах, приняв условные критерии успешности), а также будет предпринята попытка интегрироваться с инфраструктурой Сириуса и его официальным приложением.  Возможен вариант, когда приложение будет работать и вне программ, поддерживая совместную работу и общение.

Партнер проекта: Общество с ограниченной ответственностью «Яндекс»


2. Повышение качества общего образования на основе нейрокогнитивных исследований

Руководители проекта: Ковалев А.И., Бермус А.Г.

Аннотация:  В настоящее время в связи с широким распространением цифровых технологий одним из наиболее актуальных направлений исследований в области наук об образовании является проблема повышения качества общего образования. Однако вопросы об эффективности применения цифровых технологий (в частности технологий виртуальной реальности), методологии их внедрения, параметрах устройств и сред виртуальной реальности остаются открытыми.

Проблема

Для измерения качества образования часто применяются методики международного исследования PISA (Programme for International Student Assessment), использование которых в том числе зависит от способов предъявления учебной информации, параметров используемых устройств, содержания и способов организации учебного процесса, способов анализа и обработки учебной информации.

Гипотезы данного исследования заключаются в том, что:

1. уровень усвоения учебного материала с применением технологий виртуальной реальности будет выше, чем в случае использования классических средств предъявления учебной информации в виде текстов и 2D-средств визуализации;

2. качество образования, определяемое по методикам международных исследований PISA, будет зависеть от способов предъявления учебной информации (текстовый, 2D или 3D) и от способов обработки учебной информации при решении задач.

В ходе проекта будут сформированы три группы испытуемых, каждой из которых предстоит изучить учебный материал, предъявляемый в одной из указанных форм (виртуальная реальность, текст, 2D-формат). В качестве устройства виртуальной реальности будет использован шлем HTC Vive Pro.

В качестве ожидаемого результата проекта будут получены данные о различиях в уровне успешности освоения учебного материала, предъявляемого с помощью различных средств, а также предикторов такой успешности. Также участники познакомятся с основными показателями читательской и естественнонаучной грамотности, как способами обработки поступающей информации и актуальными компонентами качества образования; разработают наборы заданий, позволяющих диагностировать индивидуальные показатели качества образования.

Партнеры проекта: Московский государственный университет имени М.В. Ломоносова, Южный федеральный университет

 

Когнитивные вычисления – работа быстрее мысли / Хабр

Когнитивные вычисления (cognitive computing) — тренд последних нескольких лет. Это технологии, которые силами многих специалистов развиваются очень быстрыми темпами и помогают человеку справляться с огромным потоком информации. Причем поток этот очень глубокий и широкий, образно говоря, это весь поток информации, генерируемый человечеством. Мозг человека — мощнейшая система, способная анализировать неструктурированные массивы данных, обрабатывать их и «раскладывать по полочкам». Но даже этот инструмент не справляется с информационными потоками современности, поэтому на службу себе человек поставил компьютеры, как обычные персональные, так и сверхпроизводительные системы. Но тут возникла проблема уже иного характера, а именно — необходимость структурирования данных, которые обрабатываются. Каждый день человечество генерирует около 2,5 квинтиллионов байтов данных, и 80% из них являются неструктурированными. А это означает, что эти 80% невидимы для современных компьютерных систем, созданных по обычной технологии.

На помощь приходят когнитивные вычисления, технологии, которые частично повторяют особенности работы мозга человека и способные работать во много крат эффективнее своего органического предтечи. Здесь стоит оговориться, что речь идет лишь о малой части функций мозга, ответственных за обработку и анализ поступающей извне информации. Также можно говорить и о самообучении системы, с определенными допущениями. Но, тем не менее, когнитивные технологии способны на многое, упрощая жизнь как отдельно взятому человеку, так и бизнес-структурам.



Использовать такие системы можно в огромном множестве различных сфер и направлений, включая банки, материаловедение, оптимизацию бизнеса, управление инфраструктурой городов, оценку состояния окружающей среды, исследования в различных областях науки и в медицине. Основная задача когнитивных технологий — дать человеку возможность работать с неструктурированными данными удобным ему способом.
При этом постепенно создаются системы нового типа, которые не просто следуют заданному алгоритму, а способны учитывать множество сторонних факторов во время работы, самообучаться, использовать результаты прошлых вычислений и сторонние ресурсы (Интернет, в качестве примера). Архитектура новых систем будет отличаться от архитектуры фон Неймана.


Джон фон Нейман

Как известно, принципы фон Неймана гласят следующее:

Принцип однородности памяти. Команды и данные хранятся в одной и той же памяти и внешне в памяти неразличимы. Распознать их можно только по способу использования; то есть одно и то же значение в ячейке памяти может использоваться и как данные, и как команда, и как адрес в зависимости лишь от способа обращения к нему. Это позволяет производить над командами те же операции, что и над числами, и, соответственно, открывает ряд возможностей. Так, циклически изменяя адресную часть команды, можно обеспечить обращение к последовательным элементам массива данных. Такой прием носит название модификации команд и с позиций современного программирования не приветствуется. Более полезным является другое следствие принципа однородности, когда команды одной программы могут быть получены как результат исполнения другой программы. Эта возможность лежит в основе трансляции — перевода текста программы с языка высокого уровня на язык конкретной вычислительной машины.

Принцип адресности . Структурно основная память состоит из пронумерованных ячеек, причем процессору в произвольный момент доступна любая ячейка. Двоичные коды команд и данных разделяются на единицы информации, называемые словами, и хранятся в ячейках памяти, а для доступа к ним используются номера соответствующих ячеек — адреса.

Принцип программного управления. Все вычисления, предусмотренные алгоритмом решения задачи, должны быть представлены в виде программы, состоящей из последовательности управляющих слов — команд. Каждая из которых предписывает некоторую операцию из набора операций, реализуемых вычислительной машиной. Команды программы хранятся в последовательных ячейках памяти вычислительной машины и выполняются в естественной последовательности, то есть в порядке их положения в программе. При необходимости с помощью специальных команд эта последовательность может быть изменена. Решение об изменении порядка выполнения команд программы принимается либо на основании анализа результатов предшествующих вычислений, либо безусловно.

Принцип двоичного кодирования. Согласно этому принципу вся информация, как данные, так и команды, кодируются двоичными цифрами 0 и 1. Каждый тип информации представляется двоичной последовательностью и имеет свой формат. Последовательность битов в формате, имеющая определенный смысл, называется полем. В числовой информации обычно выделяют поле знака и поле значащих разрядов. В формате команды можно выделить два поля: поле кода операции и поле адресов.

Далее представлены основные элементы когнитивной вычислительной системы (Redbook ИБМ — Роб Хай – «Эпоха когнитивных систем»):

Для того, чтобы соответствовать своему предназначению (упрощение работы человека со своим информационным окружением), когнитивные системы должны быть:

• Адаптивными. Необходимо изучать изменения информационного окружения, включая изменяющиеся цели и задачи. Также при анализе информации требуется учитывать непредсказуемые факторы. Когнитивные системы должны уметь обрабатывать динамические данные и предоставлять результат в режиме реального времени или близко к этому.
• Интерактивными. Они должны взаимодействовать с пользователем таким образом, чтобы он, пользователь, чувствовал себя комфортно, получая нужный результат. Также подобные системы должны уметь работать с другими системами, устройствами, облачными сервисами и людьми.
• Самообучаемыми. Работа когнитивных систем должна основываться не только на новых данных, но и на результатах своей работы в прошлом. Они должны «запоминать» предыдущие итерации и обращаться к этой информации при необходимости.
• Контекстуальными. Они должны понимать, идентифицировать и выделять контекстуальные элементы, такие как значение, время, местоположение, профиль пользователя, цель, процесс и задачу. Уметь обращаться к нескольким источникам информации, включая структурированные и неструктурированные данные, а также к устройствам ввода.

Также когнитивные системы могут быть интегрированы или использовать существующие информационные системы (включая системы с архитектурой фон Неймана), уметь работать с различными интерфейсами и инструментами.

Сфера применения когнитивных систем весьма обширна:

В бизнесе когнитивные системы позволяют обнаруживать проблемные места в инфраструктуре, распорядке дня предприятия и прочих элементах. В результате ликвидации «узких мест» увеличивается производительность труда работников, эффективность труда целых отделов. Экономятся значительные средства и время сотрудников, а также машинное время.

Когнитивные технологии могут пригодиться в бизнесе во многих случаях, включая перечисленные ниже:


• Вовлечение: понимая аспекты каждого конкретного человека, когнитивная система может осуществлять индивидуальное взаимодействие с пользователями, покупателями.
• Экспертиза: когнитивная система может использоваться для аудита деятельности предприятия, включая финансовый вопрос. В результате компания осуществляет индивидуальный подход к клиенту.
• Продукты и сервисы: те же системы помогают постоянно совершенствовать сервисы некоторых компаний, показывая слабые места, которые можно было бы улучшить и усовершенствовать.
• Открытия: да, в научных исследованиях, которые проводят корпорации или отдельные ученые, когнитивные технологии могут принести много пользы, поскольку самые неявные данные могут быть вынуты на поверхность, изучены и зафиксированы.
• Принятие решений: выявляя все большее количество зависимостей в какой-либо информации, работая с этими данными, система может улучшить принятие решений в отдельно взятой компании или ее подразделении.


Прикладное применение возможностей когнитивной системы IBM Watson — изучение трендов

В здравоохранении когнитивные системы помогают постепенно двигаться к такой цели, как индивидуальный подход к лечению пациента. Особенно это актуально в сложных случаях, например, при раковых заболеваниях. Анализ ДНК человека и сопоставление дополнительных факторов (место проживания, нагрузки и т.п.) помогает лечить гораздо более эффективно, чем ранее. Изучая генотип и особенности организма конкретного человека, врачи могут назначать наиболее эффективные в том или случае лекарства и процедуры.

В кулинарии когнитивные системы могут предложить нечто совсем неожиданное, открыть новую сферу, добавить новые сочетания продуктов. Уже сейчас некоторые когнитивные системы (например, Watson) могут составлять рецепты различных блюд, исходя из заранее заданного списка продуктов.

В спорте когнитивные вычисления помогают в режиме реального времени проводить оценку тренировки различных спортсменов, а также набирать команды игроков с необходимыми тренеру характеристиками.

И это все — лишь малая толика того, на что способны когнитивные системы. Более подробно по этой тематике мы поговорим в одной из следующих статей.

Над созданием когнитивных систем работают многие организации и правительства разных стран. Но на данный момент наиболее совершенной и целостной когнитивной системой, включающей огромное число подсистем и элементов, является IBM Watson. В блоге IBM об этой системе писали уже не раз, и мы планируем продолжать рассказывать о ней, ведь каждый день система развивается и совершенствуется. Это попытка оперировать категориями будущего, не просто думать, а думать на опережение.

Источник: материалы IBM.

когнитивных систем и искусственного интеллекта, по данным IBM | by Ameet Ranadive

Я только что обнаружил официальный документ 2015 года Джона Э. Келли, старшего вице-президента IBM Research, под названием «Вычисления, познание и будущее познания». В этой статье представлен отличный обзор искусственного интеллекта и машинного обучения.

Келли начинает с того, что знакомит нас с «когнитивными вычислениями».

“ Когнитивные вычисления относятся к системам, которые учатся масштабно, разумно рассуждают и естественным образом взаимодействуют с людьми.Вместо того, чтобы быть явно запрограммированными
, они учатся и рассуждают на основе своего взаимодействия с нами и своего опыта взаимодействия с окружающей средой. Они стали возможными благодаря
достижениям в ряде научных областей за последние полвека и во многом отличаются от предшествовавших им информационных систем.

«Эти системы были детерминированными; когнитивные системы вероятностны. Они генерируют не только ответы на числовые задачи, но и гипотезы,
аргументированных аргументов и рекомендаций относительно более сложных и значимых массивов данных.

Другими словами, мы переходим из мира детерминированных программируемых систем , которые выполняют операции, в мир вероятностных когнитивных систем , которые создают гипотезы и дают рекомендации.

Келли пишет, что эти когнитивные системы не предназначены для замены человеческих мыслей или действий, а скорее для их дополнения. Он приводит пример Гарри Каспарова, одноразового чемпиона мира по шахматам, проигравшего IBM Deep Blue в 1997 году. После поражения от Deep Blue Каспаров участвовал в «вольных» шахматных лигах, где игроки могли соревноваться в шахматных турнирах с помощь компьютеров.Некоторые игроки играли без посторонней помощи, другие полностью полагались на компьютеры, а третьи сочетали компьютерный ввод со своими инстинктами и стратегией. Наиболее успешные игроки объединили компьютерный ввод со своими собственными стратегиями.

«Команды человек плюс машина доминировали даже в самых сильных компьютерах. Человеческое стратегическое руководство в сочетании с тактической остротой компьютера было ошеломляющим. Мы [люди] могли бы сосредоточиться на стратегическом планировании вместо того, чтобы тратить так много времени на вычисления.В этих условиях человеческое творчество стало еще более важным ». — Гарри Каспаров

По мере роста объема структурированных и неструктурированных данных когнитивные системы смогут помочь нам обработать поток данных для принятия эффективных решений. Согласно докладу, «Gartner оценивает, что объем информации в мире
вырастет на 800 процентов в следующие пять лет, и что 80 процентов этих данных будут неструктурированными». Как когнитивные системы смогут помочь нам в этом? И как эти вероятностные когнитивные системы соотносятся с детерминированными программируемыми системами прошлого?

«Программируемые системы основаны на правилах, которые передают данные через ряд заранее определенных процессов для достижения результатов.Хотя они
мощные и сложные, они детерминированы — процветают на структурированных данных, но неспособны обрабатывать качественные или непредсказуемые входные данные. Эта жесткость ограничивает их полезность при рассмотрении многих аспектов сложного, возникающего мира, в котором много двусмысленности и неопределенности.

«Когнитивные системы являются вероятностными, то есть они предназначены для адаптации и понимания сложности и непредсказуемости неструктурированной информации. Они могут «читать» текст, «видеть» изображения и «слышать» естественную речь.И они интерпретируют эту информацию, систематизируют ее и предлагают объяснения того, что она означает, вместе с обоснованием своих выводов. Они не дают однозначных ответов. Фактически, они не «знают» ответ. Скорее, они предназначены для взвешивания информации и идей из нескольких источников, их обоснования, а затем предложения гипотез для рассмотрения. Когнитивная система присваивает уровень уверенности каждому потенциальному пониманию или ответу ».

Итак, в мире, где объем данных вырастет на 800% в следующие 5 лет, и 80% из них будут неструктурированными, вам нужны когнитивные системы, чтобы иметь возможность интерпретировать данные и делать выводы.Вы со временем улучшите производительность этих когнитивных систем, предоставив им данные для обучения и обратную связь.

Какие возможности обеспечивают когнитивные системы?

1. Более глубокое человеческое участие и персонализация . Когнитивные системы могут использовать все доступные им данные — веб-взаимодействия, историю транзакций, данные датчиков с носимых устройств — для персонализации взаимодействия с человеком. Когнитивные системы «находят то, что действительно важно в привлечении человека. Благодаря постоянному обучению эти занятия приносят все большую и большую ценность и становятся более естественными, предвосхищающими и эмоционально уместными.”
2. Повышение квалификации и обработки знаний . Используя когнитивные системы, люди смогут идти в ногу с огромным потоком создаваемых данных и знаний. Когнитивные системы становятся постоянным спутником, которого профессионалы могут использовать для быстрого доступа и обработки всей новейшей информации и знаний, чтобы помочь им принимать оптимальные решения. Эта возможность может помочь в таких различных областях, как медицина, юриспруденция или обслуживание клиентов.
3. Способность продуктов и услуг чувствовать и мыслить .«Познание позволяет новым классам продуктов и услуг воспринимать, рассуждать и узнавать о своих пользователях и окружающем мире». Приложения будут включать такие продукты, как беспилотные автомобили, робототехника и домашняя автоматизация.
4. Улучшение бизнес-процессов и операций . Компании смогут получать и обрабатывать огромные объемы данных; контролировать собственные операции и рабочий процесс; быстро принимать эффективные решения; и учиться, адаптироваться и даже прогнозировать изменения, которые могут повлиять на их бизнес.Когнитивные системы обеспечат непрерывное обучение, лучшее прогнозирование и предсказание, а также автоматизацию рутинных задач и тактических действий.
5. Ускоренные открытия и инновации . Компании могут использовать когнитивные системы для выявления закономерностей и гипотез развития на основе огромных массивов данных. Эта возможность поможет предприятиям ускорить НИОКР и инновации в таких областях, как фармацевтика, материаловедение и даже мобильные стартапы.

Келли завершает официальный документ, обсуждая, как, по мнению IBM, когнитивные системы будут помогать людям в продвижении вперед, а не конкурировать с ними.

«Разрекламированная драма« человек против машины »отвлекает… и основана на захватывающей, но ошибочной художественной литературе. Когнитивные системы не являются нашими конкурентами и не станут ими. Ни наука, ни экономика таких опасений не подтверждают. Когнитивные системы в том виде, в каком они существуют, являются инструментом для углубления действительно важных отношений — отношений между людьми и миром … Это правда, что когнитивные системы — это машины, вдохновленные человеческим мозгом. Но верно также и то, что эти машины вдохновят человеческий мозг, увеличат нашу способность к разуму и изменят способы, которыми мы учимся.”

Прочитав этот технический документ, я чувствую себя гораздо более информированным и вдохновленным возможностями когнитивных систем, машинного обучения и искусственного интеллекта. Мы все еще находимся на заре эры когнитивных вычислений — и возможности впереди нас кажутся почти безграничными. Я рад продолжить следить за тенденциями в области когнитивных вычислений и искусственного интеллекта в течение следующих нескольких лет!

Педагогическая психология, интерактив: когнитивная система

Педагогическая психология, интерактив: когнитивная система

Когнитивная система

Образец цитирования: Huitt, W.(2006). Познавательная система. Психология образования Интерактивная . Валдоста, Джорджия: Валдостский государственный университет. Получено [дата], из http://www.edpsycinteractive.org/topics/cognition/cogsys.html

---

Вернуться в: | Курсы | Домашняя страница | более подробная статья | когнитивное развитие |

---

Познание можно определить как «акт или процесс познания в самом широком смысле; в частности, интеллектуальный процесс, посредством которого знания получают из восприятия или идеи »(Словарь Вебстера).Познание занимает центральное место в развитии психологии. как научная дисциплина. Основание лаборатории Вильгельма Вундта в 1879 г. Изучение мыслительных процессов человека часто используется как начало современной психологии. Когнитивная психология — одна из основные подходы в психологии и могут быть противопоставлены поведенческий взгляд (акцент на наблюдаемых поведение), психоаналитический взгляд (фокус на бессознательное), гуманистический взгляд (акцент на личностном росте и межличностных отношениях) и социальный когнитивный взгляд (акцент на социальное окружающая среда, поскольку она влияет на личные качества, такие как мышление и чувства.) An важное различие между поведенческими и когнитивными или гуманистическими взглядами важность обратной связи. Для бихевиористы, самая важная обратная связь приходит в виде приложения последствий от окружающей среды. Познавательные, а также гуманистический, был бы сосредоточьтесь на важности внутренней обратной связи. В социальная когнитивная точка зрения рассматривает оба типа. Cunia (2005) дает отличный обзор познавательный теория применительно к обучению.

Есть множество точек зрения и акцентов внутри когнитивная психология (Winn & Снайдер, 1996), которые в настоящее время влияет на мышление педагогов о том, как улучшить преподавание / обучение процесс.Обработка информации подход фокусируется на изучении структуры и функции мысленной обработки в конкретный контекст, окружающая среда или экология. Бенджамин Блум и его коллеги разработал Таксономию когнитивной области как способ классифицировать различные образовательные цели, связанные с тем, что и как люди знать. Исследователи в области интеллект изучает, как люди учатся опыт, рассудок, запоминание важной информации и адаптация к среда.Теория Жана Пиаже познавательный разработка описывает процесс и этапы с помощью какие люди развивают способность к абстрактному символическому мышлению, одна из отличительных черт человеческой деятельности. Теория Пиаже часто в отличие от взглядов Джером Брунер и Лев Выготский.

Несколько различных областей исследования дают возможность протестировать эти разные теории. Например, в области критического мышления исследователи изучают, как люди применяют когнитивные процессы для оценки аргументов (предложений) и принятия решений.На с другой стороны, в районе исследователи творческого мышления изучают, как люди генерируют идеи и альтернативы, не соответствующие «норме». Эти две области часто противопоставляются как разница между конвергентным мышлением (образ мышления, используемый, когда конечным результатом является сужение и оценка идеи) и дивергентное мышление (образ мышления, используемый для расширения или развития новые идеи). Аналогичное сравнение проводится между ориентацией левого и правого полушарий. (т.е. латерализация мозга доминирование).

Метапознание — еще одна область в познание, которое опирается на множество различных точек зрения и является изучением того, как частные лица развивать знания о собственной когнитивной системе.Различные методы обучения, такие как SQ4R, предоставьте информацию о том, как люди могут быть наиболее эффективен и действенен в процессе обучения.

Материалы, доступные в этом разделе, дают краткий обзор этих разные подходы к изучению познания. Джоан Руттан предоставляет обзор некоторых из терминология используется в когнитивном подходе.

Список литературы

---

| Интернет-ресурсы | Электронные файлы |

---

Вернуться в: | EdPsych: Курсы | Домашняя страница |

Все материалы на сайте [http: // www.edpsycinteractive.org], если не указано иное, являются собственностью Уильям Г. Хайтт. Авторские права и другие законы об интеллектуальной собственности защищают эти материалы. Воспроизведение или ретрансляция материалов, полностью или частично, любым способом, без предварительного письменного согласия правообладателя, является нарушение закона об авторском праве.

Что такое когнитивные вычисления? — Определение с сайта WhatIs.com

Когнитивные вычисления — это использование компьютеризированных моделей для моделирования мыслительного процесса человека в сложных ситуациях, когда ответы могут быть неоднозначными и неопределенными.Эта фраза тесно связана с когнитивной компьютерной системой IBM, Watson. Когнитивные вычисления частично совпадают с ИИ и включают многие из тех же базовых технологий для поддержки когнитивных приложений, включая экспертные системы, нейронные сети, робототехнику и виртуальную реальность (VR).

Как работают когнитивные вычисления

Когнитивные вычислительные системы могут синтезировать данные из различных источников информации, взвешивая контекст и противоречивые данные, чтобы предложить наилучшие возможные ответы.Для этого когнитивные системы включают технологии самообучения, которые используют интеллектуальный анализ данных, распознавание образов и обработку естественного языка (НЛП), чтобы имитировать работу человеческого мозга.

Использование компьютерных систем для решения проблем, с которыми обычно сталкиваются люди, требует огромных объемов структурированных и неструктурированных данных, передаваемых в алгоритмы машинного обучения. Со временем когнитивные системы могут уточнить способ выявления закономерностей и способ обработки данных, чтобы они могли предвидеть новые проблемы и моделировать возможные решения.

Для реализации этих возможностей системы когнитивных вычислений должны обладать пятью ключевыми атрибутами, перечисленными Консорциумом когнитивных вычислений.

Адаптивная: Когнитивные системы должны быть достаточно гибкими, чтобы учиться по мере изменения информации и развития целей. Системы должны быть способны обрабатывать динамические данные в реальном времени и вносить коррективы по мере изменения данных и среды.

Интерактивный: Взаимодействие человека с компьютером (HCI) является важным компонентом когнитивных систем.Пользователи должны иметь возможность взаимодействовать с когнитивными машинами и определять свои потребности по мере их изменения. Технологии также должны иметь возможность взаимодействовать с другими процессорами, устройствами и облачными платформами.

Итеративные и отслеживающие состояние: Технологии когнитивных вычислений также могут выявлять проблемы, задавая вопросы или извлекая дополнительные данные, если заявленная проблема нечеткая или неполная. Системы делают это, сохраняя информацию о подобных ситуациях, которые произошли ранее.

Контекстный: Понимание контекста имеет решающее значение в мыслительных процессах, поэтому когнитивные системы также должны понимать, идентифицировать и анализировать контекстные данные, такие как синтаксис, время, местоположение, область, требования, профиль конкретного пользователя, задачи или цели. Они могут использовать несколько источников информации, включая структурированные и неструктурированные данные, а также визуальные, слуховые или сенсорные данные.

Чем когнитивные вычисления отличаются от AI

Когнитивные вычисления часто используются как взаимозаменяемые с ИИ — общим термином для технологий, которые полагаются на данные для принятия решений.Но между этими двумя терминами есть нюансы, которые можно найти в их целях и приложениях.

Технологии

AI включают, помимо прочего, машинное обучение, нейронные сети, NLP и глубокое обучение. В системах искусственного интеллекта данные вводятся в алгоритм в течение длительного периода времени, чтобы системы изучали переменные и могли предсказывать результаты. Приложения, основанные на ИИ, включают интеллектуальных помощников, таких как Amazon Alexa или Apple Siri, а автомобили без водителя основаны на ИИ.

Самая большая разница между когнитивными вычислениями и ИИ заключается в их назначении.

Термин когнитивные вычисления обычно используется для описания систем искусственного интеллекта, которые призваны моделировать человеческое мышление. Человеческое познание включает в себя анализ окружающей среды, контекста и намерений в реальном времени, а также многих других переменных, которые определяют способность человека решать проблемы. В компьютерной системе требуется ряд технологий искусственного интеллекта для построения когнитивных моделей, имитирующих человеческие мыслительные процессы, включая машинное обучение, глубокое обучение, нейронные сети, НЛП и анализ настроений.

В общем, когнитивные вычисления используются для помощи людям в процессе принятия решений. Некоторые примеры приложений когнитивных вычислений включают поддержку врачей в лечении болезней. IBM Watson for Oncology, например, использовался в онкологическом центре Memorial Sloan Kettering Cancer Center для предоставления онкологам основанных на фактических данных вариантов лечения онкологических больных. Когда медицинский персонал вводит вопросы, Watson генерирует список гипотез и предлагает врачам варианты лечения.

Там, где ИИ полагается на алгоритмы для решения проблемы или выявления закономерностей, скрытых в данных, системы когнитивных вычислений имеют более высокую цель — создавать алгоритмы, имитирующие процесс рассуждений человеческого мозга, для решения множества проблем по мере изменения данных и проблем.

Что такое когнитивные вычисления? Особенности, объем и ограничения

Каковы возможности когнитивных вычислений?

В то время как компьютеры десятилетиями производили вычисления и обработку данных быстрее, чем люди.Но они с треском провалились в выполнении задач, которые люди считают само собой разумеющимися, таких как понимание естественного языка или распознавание уникальных объектов на изображении. Таким образом, когнитивные технологии делают этот новый класс задач вычислимым. Они могут реагировать на сложные ситуации, характеризующиеся двусмысленностью и иметь далеко идущие последствия для нашей частной жизни, здравоохранения, бизнеса и т. Д.

Согласно исследованию IBM Institute for Business Value — «Ваше когнитивное будущее», область когнитивных вычислений состоит из взаимодействия, принятия решений и открытий.Эти 3 способности связаны с тем, как люди думают и демонстрируют свои познавательные способности в повседневной жизни.

1. Помолвка

Когнитивные системы имеют обширные хранилища структурированных и неструктурированных данных. У них есть возможность развивать глубокое понимание предметной области и предоставлять экспертную помощь. Модели, построенные этими системами, включают контекстные отношения между различными объектами в мире системы, которые позволяют ей формировать гипотезы и аргументы. Они могут согласовать неоднозначные и даже противоречивые данные.Таким образом, эти системы могут вести глубокий диалог с людьми. Технология чат-ботов — хороший пример модели взаимодействия. Многие чат-боты AI предварительно обучены знанию предметной области для быстрого внедрения в различных бизнес-приложениях.

2. Решение

На шаг впереди систем взаимодействия, они обладают способностью принимать решения. Эти системы моделируются с использованием обучения с подкреплением. Решения, принимаемые когнитивными системами, постоянно развиваются на основе новой информации, результатов и действий.Автономное принятие решений зависит от способности отследить, почему было принято конкретное решение, и изменить показатель достоверности реакции системы. Популярным вариантом использования этой модели является использование IBM Watson в здравоохранении. Система может сопоставлять и анализировать данные пациента, включая его историю болезни и диагноз. Решение основывает рекомендации на его способности интерпретировать значение и анализировать запросы в контексте сложных медицинских данных и естественного языка, включая заметки врачей, записи пациентов, медицинские аннотации и отзывы о клиниках.По мере того, как решение учится, оно становится все более точным. Предоставление возможностей поддержки принятия решений и сокращение объема бумажной работы позволяет врачам проводить больше времени с пациентами.

3. Открытие

Discovery — это наиболее продвинутая область когнитивных вычислений. Открытие включает в себя поиск идей и понимание огромного количества информации и развитие навыков. Эти модели построены на глубоком обучении и неконтролируемом машинном обучении. При постоянно увеличивающихся объемах данных существует очевидная потребность в системах, которые помогают использовать информацию более эффективно, чем люди могли бы самостоятельно.Хотя они все еще находятся на ранней стадии, некоторые возможности обнаружения уже появились, и ценностные предложения для будущих приложений убедительны. Оболочка управления когнитивной информацией (CIM) в Университете штата Луизиана (LSU) является одним из когнитивных решений. Распределенные интеллектуальные агенты в модели собирают потоковые данные, такие как текст и видео, для создания интерактивной системы измерения, проверки и визуализации, которая обеспечивает мониторинг и анализ в реальном времени. CIM Shell не только отправляет предупреждение, но и на лету меняет конфигурацию, чтобы изолировать критическое событие и исправить сбой.

Пейзаж когнитивных вычислений

В современном мире когнитивных вычислений доминируют более крупные игроки — IBM, Microsoft и Google. IBM, будучи пионером этой технологии, инвестировала 26 миллиардов долларов в большие данные и аналитику и теперь тратит почти треть своего бюджета на исследования и разработки на разработку технологий когнитивных вычислений. Многие другие компании и организации разрабатывают продукты и услуги, которые не уступают, если не лучше, чем Watson. IBM и Google приобрели некоторых конкурентов, и рынок движется к консолидации.Давайте посмотрим на известных игроков на этом рынке —

1. IBM Watson

Первоначально Watson — это суперкомпьютер IBM, который сочетает в себе искусственный интеллект (ИИ) и сложное аналитическое программное обеспечение для обеспечения оптимальной производительности в качестве «машины для ответов на вопросы», которая была широко представлена ​​в шоу «Jeopardy». Теперь он использует набор трансформационных технологий, таких как обработка естественного языка, распознавание изображений, текстовая аналитика и виртуальные агенты. IBM Watson использует глубокий анализ содержимого и аргументацию, основанную на фактах.В сочетании с массивными методами вероятностной обработки Watson может улучшить процесс принятия решений, снизить затраты и оптимизировать результаты.

2. Когнитивные службы Microsoft

Когнитивные службы Microsoft, ранее известные как Project Oxford, представляют собой набор API, SDK и когнитивных служб, которые разработчики могут использовать для повышения интеллектуальности своих приложений. С помощью Cognitive Services разработчики могут легко добавлять в свои приложения интеллектуальные функции, такие как обнаружение эмоций и настроений, зрение и распознавание речи, знания, поиск и понимание языка.Фактически, первая версия нашего чат-бота — «Spectre» (нижний правый угол) была создана с использованием Microsoft Bot Framework для повышения эффективности нашей маркетинговой команды. Затем мы создали его, используя нашу собственную платформу разработки чат-ботов WotNot.

3. Google DeepMind

DeepMind была приобретена Google в 2014 году и считается ведущим игроком в исследованиях искусственного интеллекта. Команда состоит из многих известных экспертов в области глубоких нейронных сетей, обучения с подкреплением и моделей, вдохновленных системной нейробиологией.DeepMind стал популярным благодаря AlphaGo, узкому ИИ для игры в го, китайской настольной стратегической игре для двух игроков. AlphaGo стала первой программой ИИ, победившей профессионального игрока-человека в октябре 2015 года на полноразмерной доске.

4. CognitiveScale

CognitiveScale, основанная бывшими членами команды IBM Watson, предоставляет предприятиям программное обеспечение для когнитивного облака. Платформа расширенного интеллекта Cognitive Scale предоставляет аналитические данные как услугу и ускоряет создание когнитивных приложений в здравоохранении, розничной торговле, путешествиях и финансовых услугах.Они помогают компаниям разобраться в «темных данных» — беспорядочных, разрозненных, собственных и сторонних данных, а также позволяют получать полезные сведения и непрерывное обучение.

5. SparkCognition

SparkCognition — это стартап из Остина, основанный в 2014 году. SparkCognition разрабатывает киберфизическое программное обеспечение на базе искусственного интеллекта для обеспечения безопасности и надежности ИТ, ОТ и IIoT. Технология больше ориентирована на производство. Он способен использовать данные датчиков в реальном времени и непрерывно учиться на них, что позволяет более точно определять меры по снижению и предотвращению рисков для вмешательства и предотвращения стихийных бедствий.

Успех

Watson и DeepMind вдохновил другие компании на разработку когнитивных платформ с использованием инструментов с открытым исходным кодом. Другие ведущие технологические компании, такие как Qualcomm и Intel, предпринимают осторожные шаги по включению когнитивных решений для специализированных отраслей. Uber создала исследовательское подразделение, посвященное искусственному интеллекту и машинному обучению, и приобрела компании Geometric Intelligence и Otto. Otto — это стартап по производству автономных грузовиков и транспортных средств, и компания Geometric Intelligence сосредоточена на создании аналитических данных на основе меньшего количества данных с помощью машинного обучения.Гамалон разработал технику искусственного интеллекта с использованием байесовского синтеза программ. Требуется всего несколько элементов, чтобы обучить систему достижению такого же уровня точности, как нейронные сети.

Здравоохранение — самый популярный сектор для внедрения когнитивных решений. Такие стартапы, как Lumiata и Enlitic, разработали небольшие и мощные аналитические решения, которые помогают поставщикам медицинских услуг в диагностике и прогнозировании заболеваний. Другие компании на этом рынке — аналитика когнитивных угроз Cisco, CustomerMatrix, Digital Reasoning и Narrative Science.

Ограничения когнитивных вычислений

Ограниченный анализ риска

Когнитивные системы не могут проанализировать риск, который отсутствует в неструктурированных данных. Это включает социально-экономические факторы, культуру, политическую среду и людей. Например, прогнозная модель обнаруживает место для разведки нефти. Но если в стране происходит смена правительства, когнитивная модель должна учитывать этот фактор. Таким образом, вмешательство человека необходимо для полного анализа рисков и принятия окончательного решения.

Тщательный тренировочный процесс

Изначально когнитивные системы нуждаются в обучающих данных, чтобы полностью понять процесс и улучшить его. Трудоемкий процесс обучения когнитивных систем, скорее всего, является причиной его медленного внедрения. Финансовое руководство WellPoint столкнулось с аналогичной ситуацией с IBM Watson. Процесс обучения Watson для использования страховщиком включает в себя изучение текста каждого медицинского полиса с инженерами IBM. Медперсонал продолжает кормить пациентов до тех пор, пока система полностью не поймет конкретное заболевание.Более того, сложный и дорогостоящий процесс использования когнитивных систем только усугубляет ситуацию.

Больше увеличения интеллекта, чем искусственного интеллекта

Возможности современных когнитивных технологий ограничиваются вовлечением и принятием решений. Системы когнитивных вычислений наиболее эффективны в качестве помощников, которые больше похожи на увеличение интеллекта, а не на искусственный интеллект. Он дополняет человеческое мышление и анализ, но зависит от людей при принятии критических решений.Умные помощники и чат-боты — хорошие примеры. Такие специализированные проекты — это не внедрение в масштабах всего предприятия, а эффективный способ начать использовать когнитивные системы.

Когнитивные вычисления, безусловно, являются следующим шагом в вычислениях, начатых с автоматизации. Он устанавливает ориентир для вычислительных систем, достигающих уровня человеческого мозга. Но у него есть некоторые ограничения, которые затрудняют применение ИИ в ситуациях с высоким уровнем неопределенности, быстрыми изменениями или творческими требованиями.Сложность проблемы растет с увеличением количества источников данных. Такие неструктурированные данные сложно агрегировать, интегрировать и анализировать. Сложное когнитивное решение должно включать множество технологий, которые сосуществуют, чтобы дать глубокое понимание предметной области.

Таким образом, помимо AI, ML и NLP, такие технологии, как NoSQL, Hadoop, Elasticsearch, Kafka, Spark и т. Д., Должны составлять часть когнитивной системы. Это полное решение будет способно обрабатывать динамические данные в реальном времени и статические исторические данные.Предприятиям, желающим внедрить когнитивные решения, следует начинать с определенного сегмента бизнеса. У этих сегментов должны быть строгие бизнес-правила для управления алгоритмами и большие объемы данных для обучения машин.

Машинное обучение и когнитивные системы: следующая эволюция корпоративного интеллекта (часть I)

Недавнее объявление IBM о трех новых сервисах, основанных на технологии Watson, дает понять, что в сфере корпоративного программного обеспечения существует потребность в внедрении новых технологий, как аппаратных, так и аппаратных. и программное обеспечение, чтобы идти в ногу с современным бизнесом.Похоже, мы приближаемся к другому поворотному моменту в технологиях, когда многие концепции, которые ранее ограничивались академическими исследованиями или очень узкими отраслевыми нишами, теперь рассматриваются для основных корпоративных программных приложений.

Машинное обучение, наряду со многими другими дисциплинами в области искусственного интеллекта и когнитивных систем, набирает популярность и в недалеком будущем может оказать колоссальное влияние на индустрию программного обеспечения. В этой первой части моей серии по машинному обучению исследуются некоторые базовые концепции дисциплины и ее потенциал для преобразования бизнес-аналитики и аналитики.

Итак, что такое машинное обучение?

Проще говоря, машинное обучение — это ветвь более широкой дисциплины искусственного интеллекта, которая включает в себя проектирование и создание компьютерных приложений или систем, которые могут обучаться на основе их входных и / или выходных данных. По сути, система машинного обучения учится на собственном опыте; то есть, основываясь на конкретном обучении, система сможет делать обобщения на основе ее описания для ряда случаев, а затем сможет выполнять действия после новых или непредвиденных событий.

Дисциплина машинного обучения также включает в себя другие дисциплины анализа данных, от прогнозной аналитики и интеллектуального анализа данных до распознавания образов. И для этой цели используются различные конкретные алгоритмы, часто организованные в таксономии, эти алгоритмы могут использоваться в зависимости от типа требуемых входных данных (список алгоритмов можно найти в Википедии в зависимости от их типа).

Машинное обучение как дисциплина не новость. Первоначальные документы и ссылки можно проследить до начала пятидесятых годов с работами Алана Тьюринга, Артура Сэмюэля и Тома М.Митчелл. И с тех пор эта область претерпела широкое развитие.

Одним из наиболее важных приложений машинного обучения является автоматизация получения баз знаний, используемых так называемыми экспертными системами, системами, которые призваны имитировать процесс принятия решений человеческим опытом в той или иной области. Но сфера его применения растет. В разделе «Приложения машинного обучения и индукции правил» Лэнгли и Саймон рассматривают некоторые основные парадигмы сценариев машинного обучения, основанные на очень важной предпосылке:

Для повышения производительности некоторой задачи, и общий подход включает поиск и использование закономерностей в обучающих данных.

Основные подходы включают использование нейронных сетей, обучение на основе конкретных случаев, генетические алгоритмы, индукцию правил и аналитическое обучение. Если в прошлом они применялись независимо, в последнее время эти парадигмы или модели используются гибридным образом, закрывая границы между ними и позволяя разрабатывать более эффективные модели. Комбинация аналитических методов может обеспечить эффективные, повторяемые и надежные результаты, что является необходимым компонентом для практического использования в основных бизнес-решениях и отраслевых решениях.

Согласно «Несколько полезных вещей, которые нужно знать о машинном обучении», хотя дисциплина сама по себе далеко не проста, она основана на простом (но не упрощенном) принципе:

ОБУЧЕНИЕ = ПРЕДСТАВЛЕНИЕ + ОЦЕНКА + ОПТИМИЗАЦИЯ

Где:

• Представление означает использование элемента классификатора, представленного на формальном языке, который компьютер может обрабатывать и интерпретировать;
• Оценка состоит из функции, необходимой для различения или оценки хороших и плохих классификаторов; и
• Оптимизация представляет метод, используемый для поиска среди этих классификаторов в пределах языка, чтобы найти самые высокие баллы.

Как указано в документе:

Основная цель машинного обучения — обобщение за пределами примеров в обучающей выборке.

Таким образом, система может принимать новые решения или правильные ответы, которые затем служат для улучшения обучения и оптимизации точности и производительности.

Кроме того, каждый компонент процесса машинного обучения включает хорошее сочетание математических методов, алгоритмов и методологий, которые можно применить (рис. 1).

Рисунок 1. Три компонента алгоритмов обучения. Источник: Несколько полезных сведений о машинном обучении

В этом контексте машинное обучение может выполняться путем применения определенных стратегий обучения, например:

• Контролируемая стратегия для сопоставления входных данных и моделирования их в соответствии с желаемыми выходными данными, а
• Неконтролируемая стратегия для сопоставления входных данных и их моделирования для поиска новых тенденций.

Производные, которые объединяют их для полууправляемого подхода, и другие также могут использоваться.Это открывает двери для множества приложений, для которых машинное обучение может использоваться во многих областях, чтобы описывать, предписывать и обнаруживать, что происходит в больших объемах разнообразных данных.

Машинное обучение способствует развитию бизнеса, особенно для аналитики

Благодаря успеху применения машинного обучения в определенных дисциплинах, таких как распознавание речи, компьютерное зрение, бионаблюдение и управление роботами, интерес к технологиям машинного языка и их внедрение выросли, особенно за последнее десятилетие.Интересно также то, как во многих областях машинное обучение выходит из-под контроля научных лабораторий и достигает коммерческих и бизнес-приложений.

Есть несколько сценариев, в которых машинное обучение может сыграть ключевую роль: в тех системах, которые настолько сложны, что алгоритмы очень трудно спроектировать, или когда приложение требует, чтобы программное обеспечение адаптировалось к операционной среде, или в сложных системах, которые должны работать с обширными и сложными наборами данных. Таким образом, методы машинного обучения играют все более важную роль не только в области информатики в целом, но и с точки зрения корпоративных программных приложений, особенно для тех типов приложений, которые требуют глубокого анализа данных и адаптируемости.Эти области включают аналитику, бизнес-аналитику и большие данные.

Почему бизнес-аналитика и большие данные?

В 1958 году Х. П. Лун написал, возможно, первый документ по бизнес-аналитике. Реферат начинается как:

Разрабатывается автоматическая система для распространения информации в различных отделах любой промышленной, научной или правительственной организации. Эта интеллектуальная система будет использовать машины для обработки данных для авто-абстрагирования и автоматического кодирования документов, а также для создания профилей интересов для каждой из «точек действия» в организации.Как входящие, так и внутренние документы автоматически абстрагируются, характеризуются шаблоном слов и автоматически отправляются в соответствующие точки действий. Этот документ демонстрирует гибкость такой системы в выявлении известной информации, в поиске тех, кому она нужна, и в эффективном ее распространении либо в абстрактной форме, либо в виде полного документа.

Предпосылка систем бизнес-аналитики осталась почти такой же: собирать данные организации из разрозненных источников и обрабатывать их наилучшим возможным способом для получения полезной информации, чтобы — и, возможно, это самая важная часть — помочь лицам, принимающим решения, принять необходимые решения. наилучшее обоснованное решение на благо организации.Простое определение, а не простая задача.

В этом отношении Business Intelligence адаптируется и развивается с большей или меньшей степенью точности и неспособностью предоставить информационным работникам возможность принимать эти решения, и играет очень важную роль в платформе поддержки принятия решений во многих организациях.

Эта эволюция изменила роль систем бизнес-аналитики не только для обеспечения поддержки принятия решений на высоком стратегическом уровне, но и для информирования все большего числа областей, связанных с менеджментом среднего звена и операциями.Это также увеличило потребность в развитии систем и инициатив бизнес-аналитики, чтобы они могли решать все более сложные задачи анализа данных. Приложения должны быть усилены, чтобы они могли работать с большими и сложными объемами данных и могли не только предоставлять результаты текущего статуса, но также прогнозировать, играть с гипотетическими сценариями и, наконец, научиться делать точные предложения — зеленое поле для машинного обучения ( Фигура 2).

Рис. 2. Некоторые факторы, вызывающие потребность в более быстрых, лучших и улучшенных способах поддержки принятия решений, аналитики и систем бизнес-аналитики

Хорошей моделью для понимания эволюции систем бизнес-аналитики является Д.История систем поддержки принятия решений Дж. Пауэром, важной частью которых, конечно же, является бизнес-аналитика. По словам г-на Пауэра, системы поддержки принятия решений и приложения развивались в следующие этапы:

1. Модель с приводом . Подчеркивает доступ к финансовым моделям, моделям оптимизации и / или имитационным моделям и манипулирование ими. Простые количественные модели обеспечивают самый элементарный уровень функциональности. Используйте ограниченные данные и параметры, предоставленные лицами, принимающими решения, чтобы помочь лицам, принимающим решения, в анализе ситуации, но в целом большие базы данных не требуются для модели, управляемой.
2. Управляемый данными . В целом, DSS, управляемая данными, делает упор на доступе к временным рядам внутренних данных компании, а иногда и к внешним данным и данным в реальном времени, и манипулированию ими. Простые файловые системы, к которым обращаются инструменты запросов и поиска, обеспечивают самый элементарный уровень функциональности. Системы хранилищ данных, которые позволяют манипулировать данными с помощью компьютеризированных инструментов, адаптированных к конкретной задаче и настройке, или с помощью более общих инструментов и операторов, обеспечивают дополнительную функциональность. Управляемая данными DSS с оперативной аналитической обработкой OLAP обеспечивает высочайший уровень функциональности и поддержки принятия решений, связанных с анализом больших коллекций исторических данных.
3. Связь с управлением . Управляемая связью DSS использует сетевые и коммуникационные технологии для облегчения совместной работы и общения при принятии решений. В этих системах коммуникационные технологии являются доминирующим архитектурным компонентом. Используемые инструменты включают программное обеспечение для совместной работы, видеоконференцсвязь и компьютерные доски объявлений.
4. Работа с документами . Использует компьютерные технологии хранения и обработки для поиска и анализа документов. Большие базы данных документов могут включать отсканированные документы, гипертекстовые документы, изображения, звуки и видео.Примерами документов, к которым может обращаться DSS, управляемая документами, являются политики и процедуры, спецификации продуктов, каталоги и корпоративные исторические документы, включая протоколы встреч и переписки. Поисковая машина — это основной инструмент помощи в принятии решений, связанный с DSS, управляемым документами. Эти системы также называются текстовыми DSS.
5. На основе знаний . Управляемая знаниями DSS может предлагать или рекомендовать действия менеджерам. Эти DSS — это человеко-компьютерные системы со специализированным опытом решения проблем.«Опыт» состоит из знаний о конкретной области, понимания проблем в этой области и «навыков» в решении некоторых из этих проблем.

В этих описаниях есть четкие элементы, способствующие внедрению технологий и методологий, таких как машинное обучение — сотрудничество, интенсивное управление и увеличение количества нетрадиционных данных (реляционных). Потребность в системах для решения сложных задач совпадает с появлением таких явлений, как большие данные и расширенная аналитика в бизнесе, что дает естественное пространство для машинного обучения, которое позволяет обрабатывать большие наборы сложных данных и быть частью все более сложных. наличие оборудования для анализа данных и принятия решений.

Наряду с такими дисциплинами, как интеллектуальный анализ данных, обработка естественного языка и т. Д., Машинное обучение рассматривается в бизнесе как инструмент выбора для преобразования того, что использовать в качестве прикладного подхода бизнес-аналитики, в более широкую корпоративную интеллектуальную или аналитическую платформу или экосистему, которая выходит за рамки традиционной бизнес-аналитики — фокусируется на ответе «что происходит с моим бизнесом?» — дать все возможные ответы на вопрос «почему мы делаем то, что делаем?» и «как мы можем сделать это лучше?» и даже «что делать?».

По мере того, как бизнес-модели становятся все более сложными и производят огромные объемы данных, которые нужно обрабатывать с все меньшей задержкой, системы поддержки принятия решений и бизнес-аналитики должны усложняться и увеличивать свою способность обрабатывать эти объемы данных. Этот спрос стимулирует рост более сложных решений для решения конкретных деловых и отраслевых проблем; Недостаточно просто ждать результата, системы должны обеспечивать руководство для бизнеса.

Некоторые сценарии, в которых машинное обучение становится все более популярным в контексте аналитики и бизнес-аналитики, можно найти в приложениях для анализа рисков, маркетинговой аналитики и расширенной аналитики для источников больших данных.

Машинное обучение — реальность для бизнеса

Как утверждает Тим ​​Негрис в книге «Подготовка к машинному обучению»:

Несмотря на то, что многие деловые люди могут догадаться, машинное обучение еще не зародилось. Он стал очень эффективно использоваться в широком спектре приложений.

И он все чаще применяется во многих инициативах в области аналитики, больших данных и бизнес-аналитики в виде компонента, лежащего бок о бок с другими аналитическими решениями, или в составе решения, которое уже приняло его как часть своего функционального стека. .

В любом случае машинное обучение готовится стать частью следующей эволюции бизнес-предложений корпоративной аналитики.

В следующей части этой серии, посвященной машинному обучению, я рассмотрю некоторые особенности использования машинного обучения как части больших данных и расширенной аналитики, а также его роль в формировании новой так называемой области когнитивных систем. . А пока поделитесь комментариями ниже и поделитесь своими мыслями.

Хорхе Гарсиа — старший аналитик бизнес-аналитики и управления данными в Центрах оценки технологий.

Верхнее изображение: Penn Sate / Flickr

Автор сообщения:

Хорхе Гарсия Вернуться к началу. Перейти к: Начало статьи.

Когнитивная система человека — обзор

Решение проблем и технологии

Считается, что в процессе решения проблемы (в смысле Тонегава и др., 2003) среда, как внутренняя, так и внешняя по отношению к организму, представлена как паттерны связанной информации или пути в нервной системе организма (например,г., Эдельман, 2007). Взаимодействие таких паттернов в STM и LTM позволяет развивать поведенческие реакции посредством таких быстро действующих процессов, как формирование предиктивного паттерна, а также посредством других более медленных процессов (например, Bullock, 2002; Calvin, 2004; Cotterill, 2001). Когнитивная система, которая способствует этой функции решения проблем у беспозвоночных и позвоночных организмов, была сохранена и улучшена в рамках эволюционных мутаций и генетической рекомбинации, что привело к состоянию, наблюдаемому в современной когнитивной системе человека (Calvin, 1996, 2004; Finlay, Darlington, И Никастро, 2001).

Воспоминания (как STM или LTM), сформированные в результате сознательного решения проблем или взаимодействия с окружающей средой, а также посредством бессознательных процессов, считаются находящимися в основном внутри соединений сети нейронов и связанных структур, связанных с мозгом и внутри него (например, Эдельман , 2007; Sporns, 2010). Похоже, что у людей возникла гораздо большая степень связи или ассоциаций, чем у других животных (Cotterill, 2001; Finlay et al., 2001). Такая взаимосвязь использовалась в обучении, которое происходит через социальное взаимодействие (Godfrey-Smith, 2002), включая структурированные взаимодействия, наблюдаемые в образовании (Goswami, 2008), и оказала влияние на культурное накопление и культурный рост в человеческих обществах (Woolcott , 2013а).Благодаря процессам культурного накопления человеческое общество смогло использовать быструю экологическую оценку и способность прогнозирования или планирования, наблюдаемую в реакции человека на стимулы при решении проблем (Calvin, 2002, 2004). Использование этой возможности для манипулирования окружающей средой — это то, что здесь рассматривается как технология (например, Lane, 2009).

Основные возможности когнитивных систем

Технологии, лежащие в основе когнитивных систем, значительно выросли за последние годы, что привело к увеличению количества и типов приложений для этой технологии.Одна из таких инициатив включает применение когнитивных вычислений для обеспечения кибербезопасности.

Когнитивные вычисления имеют пять основных возможностей. Рассмотрение способов их применения в сфере безопасности может пролить свет на некоторые интересные возможности для ИТ-специалистов.

Основные возможности когнитивных систем

Когнитивные технологии позволяют глубже вовлекать человека. Системы когнитивной безопасности анализируют все доступные структурированные и неструктурированные данные, чтобы найти то, что действительно важно — для человека или группы.Имея возможность лучше понять человека, пользователи могут понять мотивы злоумышленника, а также потребности защитника.

Схема использования системы, основанная на реальных рабочих схемах, а не только на спецификациях, может указывать на области, которые могут быть частью поверхности атаки, которая осталась незамеченной наблюдателем. Точно так же шаблоны атак в целом могут привести к лучшему пониманию истинных целей злоумышленника, а не к простому списку целей.

Еще одна возможность, которую предлагают эти системы, — это возможность масштабировать и повышать квалификацию, используемую для решения проблемы.Когнитивные вычисления могут служить помощником для профессионалов в повышении их производительности. Более широкий спектр опыта и понимания может быть применен к рассматриваемой проблеме посредством когнитивного сбора и анализа данных, которые в противном случае могли бы остаться незамеченными.

Продукты и услуги также могут быть дополнены когнитивными системами. Это означает увеличение их возможностей для предоставления услуг, о которых раньше даже не догадывались. Методы, используемые в настоящее время для целей кибербезопасности, могут расширять свои варианты использования, например, когда соответствующие возможности инструмента безопасности увеличиваются или расширяются.

Когда процессы интегрированы с когнитивными возможностями, они могут собирать данные из внутренних и внешних источников. Затем эти процессы могут учиться на неструктурированных данных, что мешает другим видам вычислений. Это огромно, потому что неструктурированные данные — это то, что будет стимулировать более широкое использование совпадающей информации при автоматизированном принятии решений.

Это огромный пул неиспользуемой в настоящее время информации, которой нет в текущих базах данных, что должно привести к более широкой перспективе отношений данных.

Как это влияет на безопасность

Cognitive может улучшить исследования и открытия. Его основные возможности — это именно то, что нужно области кибербезопасности.

Обнаружение и обработка данных позволяет когнитивным функциям помогать профессионалу, который должен принимать решения в данной ситуации. Он служит ценным инструментом для лиц, принимающих решения, ищущих информацию и связи в удаленных районах.

Это также может сделать сбор данных действительно непрерывным фоновым процессом, доступ к которому осуществляется только при необходимости.Таким образом, у вас могут быть данные, о которых вы даже не подозревали, поскольку они были собраны автоматически. Когнитивный расширяет объем данных, которые можно исследовать, делая последующий анализ более широким.

IBM Security объявила, что прямо сейчас Государственный политехнический университет Калифорнии, Помона; Государственный университет Пенсильвании; Массачусетский Институт Технологий; Нью-Йоркский университет; Университет штата Мэриленд, округ Балтимор; Университет Нью-Брансуика; Оттавский университет; и Университет Ватерлоо работают над объединением когнитивных вычислений и кибербезопасности.Они также находят способы наилучшим образом сообщать результаты анализа людям, которым необходимо знать, увеличивая шансы на то, что результаты действительно будут использованы.

Необработанная вычислительная мощность сама по себе может быть бесполезной, если она не сфокусирована. Когнитивные системы сосредоточены на выявлении наиболее важных аспектов инцидентов безопасности и передаче этих критических результатов. Эта характеристика — простота использования даже со сложными запросами — является одной из причин, по которой когнитивные функции будут оказывать наибольшее влияние на безопасность в ближайшие дни.

Посмотрите видео: Шагните в эру когнитивных технологий с IBM Watson for Cyber ​​Security

.