Читать Ключевые идеи книги: Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения. Аджей Агравал, Джошуа Ганс, Ави Голдфарб - Smart Reading

Авторы:

Ajay Agrawal, Joshua Gans, Avi Goldfarb

Оригинальное название:

Prediction Machines: The Simple Economics of Artificial Intelligence

www.smartreading.ru

Искусственный интеллект (ИИ) – реальность сегодняшнего дня. Он уже изменил привычки и даже судьбы миллионов людей. Например, появление навигаторов лишило профессиональных таксистов их ключевого преимущества – знания города. Теперь каждый может устроиться водителем в Uber и зарабатывать, пользуясь подсказками навигатора. Поисковые машины заменили справочные службы и библиотеки. Онлайновые магазины с умными системами предложения товаров теснят обычные магазины. И таких примеров тысячи.

Как любая технологическая новинка, ИИ с каждым днем становится дешевле – и спрос на него, соответственно, растет. Однако сейчас даже самый смелый визионер не может утверждать, как именно развитие ИИ скажется на конкретной компании.

Так что же принесет ИИ реальному бизнесу? Чтобы ответить на этот вопрос, нужно разобраться в сути инструментария ИИ и понять, на что он способен, а на что – нет.

В книге «Искусственный интеллект на службе бизнеса» канадские экономисты, создатели «Лаборатории созидательного разрушения» для наукоемких стартапов, объясняют, как умные машины строят прогнозы и чем они могут быть полезны бизнесу. Методика декомпозиции бизнес-решений и практичные советы по внедрению инструментов ИИ в деятельность компаний делают эту книгу полезной для предпринимателей, владельцев бизнеса, инженеров, менеджеров, студентов экономических и технических специальностей.

Искусственный интеллект – это прогностический инструмент, который позволяет заполнять информационные пробелы путем анализа имеющихся данных.

Современные мощные компьютеры легко справляются с объемами вычислений, которые были немыслимы еще двадцать лет назад. При этом применяются десятки методов, которые специалисты по ИИ подбирают под конкретные задачи: классификация, кластеризация, регрессия, дерево решений, байесовское оценивание, нейронные и капсульные сети, топологический анализ данных, глубокое и стимулированное обучение и т. д.