Кируля Аскалонская (kirulya) wrote,
Кируля Аскалонская
kirulya

Перевод статьи

Искусственный интеллект "Эйнштейн" компании Salesforce предоставляет более одного миллиарда самостоятельных прогнозов в день




Все больше данных доступно сегодня, более, чем в любое другое время в истории человечества. К 2025 году будет существовать 163 геттабайта данных - каждый геттабайт эквивалентен одному триллиону гигабайт. Все эти данные могут открыть новый мир возможностей для бизнеса. И компании изо всех сил пытаются использовать свои данные для ответа на повседневные вопросы, которые стимулируют продвижение их бизнеса: какие сделки, скорее всего, будут закрыты? Какие клиенты, скорее всего, откажутся от подписки на маркетинговые письма? Какие служебные случаи должны быть приоритетными?

С Salesforce Einstein каждый бизнес-пользователь вооружен технологией, основанной на ИИ, который понимает их данные и помогает ответить на эти вопросы, а также дает возможность быть более продуктивными, принимать более разумные решения и предоставлять клиентам более персонализированные услуги. Сегодня мы рады объявить, что Эйнштейн ежедневно предоставляет более 1 миллиарда самостоятельных прогнозов, рассчитанных искусственным интеллектом.

Эта невероятная веха стала возможной благодаря автоматизированной системе машинного обучения Эйнштейна. Внутренняя структура Optimus Prime используется для автоматического создания персональных моделей ИИ и прогнозов для каждого клиента. Три года назад вице-президент по наукам о данных Виталий Гордон (Vitaly Gordon), старший научный сотрудник по науке Шубха Набар (Shubha Nabar), и научный сотрудник по основным данным Лиа Мекгваер (Leah McGuire), с помощью небольшой группы ученых-исследователей данных, собрались создать структуру, которая использует обширные данные клиентов, уже доверяющих многопользовательской платформе Salesforce.

В нижеследующих вопросах и ответах Виталий рассказывает о технологии, которая питает Эйнштейна, и как команда создает индивидуальный ИИ для клиентов Salesforce.

Каковы были уникальные проблемы, с которыми столкнулась ваша команда в создании Einstein AI?

Виталий Гордон: В отличие от потребительского ИИ, где одно приложение работает для миллионов пользователей, для корпоративного ИИ не существует одноразового решения. Каждый бизнес имеет уникальный набор потребностей и процессов, а корпоративные инструменты должны настраиваться для поддержки широкого спектра сложных, а в некоторых случаях и неизвестных бизнес-процессов. Кроме того, каждая компания имеет разные данные из разных источников и в разных форматах, которые сильно различаются по каждому отделу. Это означало, что модели должны были быть построены, обучены и настроены вручную для каждого отдельного клиента и использования. С 150 000 клиентов, единственный способ снять что-то из этого масштаба, не нанимая десятки тысяч ученых-исследователей данных, - это использовать ИИ для автоматизации этого процесса, и именно это мы и моя команда сделали для создания Эйнштейна. Мы создали AI для создания AI. Эйнштейн способен создавать индивидуальные модели ИИ в масштабе для каждого уникального набора данных, рабочих процессов и процессов каждого клиента.

Как работает система автоматизированного машинного обучения (ML) Эйнштейна?

В.Г.: Эйнштейн родился в подвале нашего офиса в Пало-Альто. Мы с Шубхой приступили к построению структуры auto-ML непосредственно в многопользовательской платформе Salesforce, чтобы модели AI были автоматически построены и персонализированы для каждого арендатора или клиента приложения. Эйнштейн автоматизирует все: начиная с очистки данных, балансировки данных, создания функций и разработки функций до выбора функций, выбора модели и калибровки баллов.

Приведу аналогию: сравните медицинского специалиста с ветеринаром. Специалист изучает одну и ту же область в течение многих лет, иногда специализируясь на работе особого органа или даже части органа. Именно так работает большая часть искусственных интеллектов в мире. Люди склонны специализироваться на особой проблеме и решать ее очень точно.

С другой стороны, ветеринар работает с широким кругом животных, от лошадей до кошек. Даже если ветеринар никогда не работал с каждым животным, он все равно будет знать, как делать логические выводы для животного, которого он никогда не видел. Это то, что мы пытаемся сделать с Эйнштейном. Мы хотим дать ему общее представление об искусственном интеллекте, чтобы он мог решать проблемы, которые он никогда не наблюдал раньше, на наборах данных, которые он никогда раньше не видел.

Секретный соус для этого уровня автоматизации - это метаданные. В то время как мы, люди, никогда не видим, что такое данные на самом деле, метаданные говорят нам, является ли поле текстом или простым числовым полем, какая у него категория, номер телефона, адрес электронной почты, координаты широты и долготы, валюта или процент. Кроме того, метаданные также соединяют точки между кажущимися разными частями данных в базе данных и идентифицируют, как они соотносятся друг с другом, чтобы генерировать еще больше прогнозов.

Благодаря этому, система Auto-ML Einstein может наращивать и обрабатывать эти поля различными способами и генерировать богатый набор предикторов для каждого индивидуального варианта использования в течение нескольких часов, а не недель или месяцев.

Каковы некоторые примеры прогнозов, которые сегодня строят клиенты?

В.Г.: Прогнозы Эйнштейна столь же уникальны, как и компании, использующие их, и даются во многих формах. Существуют прогнозы относительно того, насколько вероятно, что лидер по продажам должен предоставить скидку клиентам, что именно предложить для обслуживания, какие продукты рекомендовать вместе и как оценивать прогнозируемые значения учетной записи.

Ведущий американский банк использует Sales Cloud Einstein и Einstein Discovery, чтобы предсказать, какие перспективы будут определять приоритет в цикле продаж.

Еще один замечательный пример - современный мебельный бренд Room & Board использует Marketing Cloud Einstein для лучшего согласования своих онлайн-клиентов с опытом работы в магазине, оптимизируя рекомендации по продуктам в каждом электронном письме. В результате компания увидела 150-процентный коэффициент конверсии для клиентов, которые сначала заказывают, а затем покупают. В дополнение к улучшению работы с клиентами повысилась производительность персонала, поскольку сотрудники больше не отвечают за ручное создание рекламных акций и предложений.

Многое произошло за три года с тех пор, как вы начали строить Эйнштейна. Что вас больше всего удивило на этом пути?

В.Г.: Когда мы начали строить Эйнштейна, масштаб и разнообразие проблем ML, которые нам пришлось решать, были сложными. Мы должны работать, автоматизируя ИИ, и когда мы предложили Эйнштейна своих первым пилотным заказчикам, мы знали, что мы что-то делаем по-новому. Система сразу же начала создавать модели, ориентированные на клиента, без какого-либо вмешательства или ввода данных человеком и с такой невероятной точностью и скоростью, что мы думали, что в наших контрольных панелях мониторинга произошла ошибка. Я не знаю, как чувствовал себя Алан Тьюринг, когда его машина расколола первый код Enigma, который, конечно, был гораздо более значительным и повлиял на ход истории, но мне нравится думать, что наши чувства волнения были схожими.

Ощущение такого импульса - это то, что мотивировало нас с первого дня, но мы по-прежнему находимся на верхушке айсберга. Есть так много других прогнозов, где Эйнштейн сможет помочь, и я очень рад видеть, что мы двигаемся вперед.

Поздравляем всю команду, которая помогла сделать эти миллиарды прогнозов реальностью. Теперь очередь за следующим миллиардом!
Tags: дети в Америке
Subscribe
  • Post a new comment

    Error

    Anonymous comments are disabled in this journal

    default userpic

    Your reply will be screened

    Your IP address will be recorded 

  • 2 comments