Tekoälyn vallankumous on jo muuttamassa kuluttajamaailmaa. Joskus se tehdään päivittäin tuotesuosituksina, ja toisinaan se on hieno: Sisäkorvaistutteet, jotka tarjoavat keinotekoisen kuulon täysin kuuroille syntyneille ihmisille, ovat muutti tekoälyä mikä tekee siitä erinomaisen loppukäyttäjäkokemuksen.
Tekoälyn vallankumous johtaa älykkäämpään maailmaan, ja tämä älykkäämpi maailma on rakennettu megatrendeihin, joita olemme kaikki nähneet viimeisten 20 vuoden aikana: verkko, pilvi, sosiaalinen media, mobiililaitteet ja esineiden internet ( IoT ).
Pilviteknologian avulla meillä on kehittäjinä käytännössä rajattomasti laskenta- ja tallennuskapasiteettia, ja juuri tämä massiivisen datan ja massiivisen laskentatehon yhdistelmä ajaa tämän vallankumouksen. Nyt kun kaikki ovat yhteydessä toisiinsa ja kaikkeen tavalla tai toisella, kaikki nämä yhteydet tuottavat suuruusluokkia ja enemmän dataa käsiteltävälle tekoälypilvelle, paljon enemmän kuin ennen.
Koe tekoälyn pilvi päivittäin kuluttajana. Kun näet tuotesuosituksen Amazonissa, elokuvasuosituksen Netflixissä tai valokuvan, joka tunnistetaan ja merkitään automaattisesti Facebook-syötteesi, koet tekoälyn voiman.
Eikö olisikaan hienoa, jos työskentelemäsi sovellus - olipa kyseessä Salesforce-sovellus vai ei - voisi jotenkin tarjota myös nämä älykkäämpiä tekoälypohjaisia kokemuksia? Esimerkiksi, jos yrityksemme ja myyntisovelluksemme voivat yhdessä kertoa meille, mitkä liidit todennäköisimmin muuntuvat, tai palvelusovelluksemme voisi käyttää tekoälypilviä kertoakseen meille, mitkä tapaukset voivat laajentua?
Valitettavasti monille joukkueille vaikuttaa liian monimutkaiselta ja kalliilta tekoälyn soveltaminen sovellusliiketoimintaprosessiinsa. Ensinnäkin se alkaa datatieteestä, ja tietojenkäsittelyä varten sinun on kerättävä ja integroitava kaikki vaaditut tiedot. Ja sitten sinun on käytävä datakeskusteluja muuttamalla tietoja, jotta voit käyttää niitä koneoppimiseen. Ja sitten, kokemuksestasi riippuen, saatat tarvita datatieteilijöiden ulkopuolista apua ennustavien mallien rakentamiseen, ylläpitämiseen, päivittämiseen ja luotettavan, turvallisen ja skaalautuvan infrastruktuurin luomiseen. Sitten kaiken tämän työn jälkeen sinun on otettava nämä ennusteet ja asetettava ne yrityskäyttäjän kontekstiin.
Tietäen, että tekoäly on usein ulottumattomissa, Salesforce hankki sellaisia yrityksiä kuin MetaMind (syvällisen oppimisen asiantuntijat), Implisit Insights (tekoälyn soveltaminen nimenomaan myyntiprosessiin) ja PredictionIO (koneoppiminen ja big data -analytiikka) auttaakseen heitä kehittymään.
Salesforce Einstein on Salesforcen tekoäly ja sisäänrakennettu alustalle. Einsteinin toimitusjohtajana se sanoo 'Ota maailman johtava CRM ja tee siitä maailman älykkäin CRM.' Salesforcen tekoälytuotteiden avulla voit nyt antaa myynti-, palvelu-, markkinointi- ja IT-ammattilaisille mahdollisuuden toimia paremmin vuorovaikutuksessa kunkin asiakkaan kanssa nopeammin, älykkäämmin ja ennakoimalla tarpeita.
Salesforce Einsteinin on asetettava tekoälypilvi kehittäjien ulottuville. Kenties. Mutta mistä sinun pitäisi aloittaa? Ensimmäinen asia, jonka sinun pitäisi tietää, on tekoälyssä kolme pääkomponenttia:
Suuri data Kaiken kaikkiaan se on ollut kuuma aihe viime vuosina. Kaikki ovat innoissaan siitä, että heillä on uusia tietolähteitä, uusia tapoja analysoida niitä ja uusia tapoja säilytä sitä .
Tämä tulee olemaan suuri osa siitä, miten tuotamme tekoälyn liiketoimintaan, mutta suuri osa tekoälyn kehittämisestä on ollut algoritmi . Nämä ovat monimutkaisia algoritmeja, joihin rakennetaan, niitä laajennetaan ja joilla on todella uutta tutkimusta yksityiseltä ja julkiselta sektorilta. Voit olla varma, että tekoälyn pilvialgoritmit ovat edelleen innovatiivisia ja ohjaavat edelleen uusia ominaisuuksia sovelluksillesi ja asiakaskokemuksillesi.
Laskentakysymys, josta olet todennäköisesti kuullut, viime aikoina: GPU, TPU Kaikkien parhaiden laitteistoyritysten uudet investoinnit ja tutkimus kohdistuvat tietojenkäsittelytehoon ja varmistavat, että näillä algoritmeilla on tarvittava infrastruktuuri, jotta ne pysyvät innovatiivisina ja antavat tietoa tiedoistasi.
Ennen kuin perehdymme siihen, miten voit kehittää jotain, joka hyödyntää tätä tekniikkaa, sukelkaamme syvemmälle joihinkin yksityiskohtiin, joita kohtaat.
Tässä on otettava huomioon kaksi tietomuotoa: jäsennelty ja strukturoimaton.
Strukturoidut tiedot sisältävät ERP-tiedot ja suuren osan CRM-tiedoistasi. Se voi olla tietoja, jotka tulevat laitteista IoT , esimerkiksi. Tämän tyyppisiä tietoja voidaan jo etsiä helposti perusalgoritmeilla.
Strukturoimattomat tiedot voivat olla kuvadataa, sähköposteja, PowerPoint-esityksiä, Word-asiakirjoja jne. Tällöin syvällinen oppiminen ja koneoppimisalgoritmit tulevat esiin, mikä yksinkertaistaa huomattavasti tämäntyyppisen datan hakua.
Syvä oppiminen on monimutkainen termi - monet DevOps-kehittäjät ja insinöörit ovat hukkua siihen. He luulevat, ettei heillä ole infrastruktuuria hermoverkkojen ylläpitoon. He uskovat tarvitsevansa tohtorin tutkinnon, jotta heillä olisi riittävä käsitys kärjessä olevasta mallista, joka sisällytetään hajottamaan se hallittavammaksi ajatteluprosessiksi. Onneksi tietäminen tarpeeksi sen hyödyntämiseksi on paljon helpompaa kuin näyttää.
Aloitetaan tällä tavalla: sinulla on syötetiedosto. Tämä voi olla kuva, äänitiedosto tai tekstitiedosto. Ja haluat saada paljastavan tuloksen. Salesforce Einsteinilla on joukko sovellusliittymiä, joiden avulla voit tehdä prosessista todella saumattoman - sinun ei tarvitse tietää mitään siitä, mitä tapahtuu prosessin keskellä.
Salesforce Einsteinin avulla on helppo integroida syvä oppiminen sovelluksiisi. Se tarjoaa hyvin isännöidyn infrastruktuurin, joka hallinnoi mallejasi palveluna ja huolehtii näin ollen kaikesta skaalattavuudesta. Joten sen avulla sinun on helppo ladata, kouluttaa ja ymmärtää mallisi mittareita ja tarjota lopulta reaaliaikaisia ennusteita ennalta muodostetusta mallista tai luomastasi mukautetusta mallista.
Jos edes tämä kuulostaa oudolta sinulle, seuraavat esimerkit vievät sinut nopeasti vauhtiin.
Tämä on yksi syväoppimispalveluista, joita Salesforce Einstein tarjoaa. Kaikki syväoppimismallit tai hermoverkot eivät ole samat: erityisongelmiin käytetään erityisiä arkkitehtuureja. Tietokonenäön tapauksessa tekoälypilvessä käytetään ns. 'Konvoluutioista' hermoverkkoa, mikä tarkoittaa, että jokainen vaihe oppii edellisestä. Joten kun tällainen verkko koulutetaan kuvadataan, se rakentaa kuvan uudelleen tyhjästä ymmärtääkseen sen eri komponentit. Ensin näet kuvan pienimmän yksikön, pikselin, ja sitten ymmärrät reunat, ja seuraava vaihe ymmärtää kohteen osat tai elementit ja saavuttaa lopulta kokonaiset objektit.
Ja koko prosessi on ratkaistu sinulle, joten voit keskittyä liiketoiminnan arvoon, jonka voit avata tietokoneesi visioasiakkaille, eikä itse prosessiin.
Ajattele, kuinka kuljetusalaa voitaisiin muuttaa käyttämällä droneja teiden tarkkailuun - kenenkään ei tarvitse lähettää siivoojaa.
Tai kuinka CPG-yritykset voisivat ottaa kuvan ja analysoida sen sen sijaan, että lähettäisivät ihmisiä rekisteröimään tuotteita manuaalisesti hyllylle. Tai kuinka voit mullistaa kuluttajien vähittäiskaupan visuaalisen haun avulla, tai kuinka vakuutusyhtiöt voivat automatisoida korvausten luokittelun tai kuinka terveydenhuoltojärjestelmä voi hyödyntää kuvankäsittelyä.
Kaikki nämä skenaariot voidaan kattaa Einstein-kuvaluokituksella, joka on osa Einsteinin visiota. Tarvitset vain mallin, joka on enemmän tai vähemmän joukko luokittelutarroja.
Voit luoda omia mukautettuja malleja ja integroida ne sitten työnkulkuihisi, olipa se sitten Salesforce-työnkulku tai ulkoinen sovellus.
Oman mukautetun mallin luominen edellyttää vain kolmea vaihetta:
Luo oma tietojoukko, sen perusteella, mitä mukautetun mallisi on tehtävä. Oletetaan, että haluat tietää eron kolmen oven ja kaksiovisen jääkaapin välillä. Sinun on kerättävä joukko kaksiovisia jääkaappikuvia ja laitettava ne yhteen kansioon, ja sitten joukko kolmen oven jääkaappikuvia ja laitettava ne toiseen kansioon.
Harjoittele malliasi. Minkä tahansa edellisessä vaiheessa keräämäsi tietojoukot, lataa ne ja tekoälypilvi kouluttaa mallia kyseisen tietojoukon perusteella. Harjoitteluun tarvitaan kaikki se, että olet jo erottanut kuvat. Kun uusi tietomalli on koulutettu, saat henkilötodistuksesi.
Käytä sitä ennustamiseen! Nyt saat ennusteita kuvista, joita malli ei ole koskaan ennen nähnyt. Se on yhtä helppoa kuin API-puhelun soittaminen uuden mallitunnuksen avulla.
Jos kuvia ei tarvitse käsitellä, yrität todennäköisesti kouluttaa tekstiä. Tätä varten Salesforce AI -pilvessä on Einstein Language, joka koostuu tällä hetkellä kahdesta palvelusta: Einstein Intent ja Einstein Sentiment.
Einsteinin aikomus on luonnollinen kielenkäsittelytyypin yleinen luokittelija ( NLP ). Sen avulla voit määrittää omat luokat ja ladata tietoja, jotka edustavat näitä luokkia.
Einsteinin mielipide on ennalta muotoiltu malli, joka voi analysoida ihmisen kieltä johtaakseen sisällön ja sitä ympäröivien käyttäjien lausuntojen tunteet ja luokitellakseen ne positiivisiin, negatiivisiin ja neutraaleihin luokkiin.
Einstein-kielipalvelut toimivat samalla tavalla kuin kuvaluokitusesimerkkimme. Tässä määritellään myös luokat.
Yllä olevassa esimerkissä tarkoitus on reitittää tapauksia. Joka kerta, kun tapaus esitetään, haluamme analysoida sen ja ohjata sen oikeaan osastoon: toimitus, laskutus, tuote, myynti ... voimme määrittää niin monta luokkaa kuin tarvitsemme. Mutta Einstein Sentimentin tapauksessa luokat ovat kiinteät, joten meillä on vain positiivisia, negatiivisia tai neutraaleja.
Kun olet jakanut tiedot eri luokkiin, voit kouluttaa mallejasi. Mallikoulutus on erittäin helppoa toimitetun sovellusliittymän avulla. Kuten Einstein Visionissa, kun malli on otettu käyttöön, sinulla on mallin tunnus ja olet valmis saamaan ennusteita.
Nyt kun olet maistanut mahdollisuuksia, joita Salesforce Einstein tarjoaa hyppysissäsi Salesforce-kehittäjä , ja kuinka helppoa olisi auttaa asiakkaitasi tai pomoasi hyödyntämään tekoälypilviä, se vain vie perustaa tili .
Odotamme innolla kuulevamme, kuinka käytät tekoälypilviä mullistamaan oman sovelluksesi!