Sztuczna inteligencja zaczęła się w latach 50 i jest bardzo szerokim zagadnieniem, które można zamknąć w definicję: że jest to zabieg mający na celu automatyzację procesu myślowego standardowo wykonywanego przez ludzi. Dziedzina AI ewoluuje z każdym rokiem dając nowe rozwiązania. Zakres Sztucznej inteligencji możemy przedstawić za pomocą schematu


Jak widzimy Sztuczna Inteligencja jest raczej zbiorem metod, rozwiązań, niż samodzielnie myślącym tworem z książek science-fiction. Jednak niektóre firmy dążą do globalnych rozwiązań, które miały zastosowanie do wszystkiego. My raczej dążymy do eksperckich, przez niektórych nazywanych wąskimi rozwiązaniami sztucznej inteligencji, które rozwiązują określone problemy na bardzo wysokim poziomie. 

Pewnie zastanawiasz się, dlaczego obecnie jest taki bum na AI.

 

Ponieważ jest to potężne narzędzie umożliwiające uzyskać przewagi konkurencyjnej. Sam wiesz, że czynniki produkcyjne to:

  • ziemia- w rozumieniu surowce, zasoby,
  • praca – czynności do wykonania, włożony nakład wysiłku,
  • kapitał -  zarówno ten gotówkowy jak i czynnik ludzki,
  • wiedza – umiejętności, informacje.

Sztuczna inteligencja daje olbrzymie wsparcie w przetwarzaniu informacji i dostarczaniu wiedzy, zmniejsza nakłady pracy, wpływa na kapitał, podwyższ wykorzystanie zasobów. Dlatego widzisz, że wpływ AI na czynniki jest kluczowe, a dzięki temu przedsiębiorstwo zyskuje nowe możliwości.

Dlaczego teraz?


Ponieważ moc jest dostępna dla każdego, to co 10 lat temu wymagało centrum komputerowego, obecnie można wykonać na średniej klasy komputerze stacjonarnym. Poza tym przygotowane modele można uruchamiać na układach scalonych pobierających kilka mW i bardzo małych zasobach pamięci, procesora. Jak myślisz, czy używając asystenta głosowego w telefonie, translatora, filtrów obrazów – wszystkie procesy są przesyłane przez sieć i tam analizowane dane i budowane rozwiązanie? Cały proces odbywa się w twoim urządzeniu, a dane są przesyłane, aby profilować i zbierać do następnych nauki.


Jak zaczęliśmy


Klasycznie od metod matematycznych PCA, PLS, SVG, klasyfikatory, drzewa decyzyjne, mapy, ROC….  W roku 2011, pierwszy raz napisałem program, który dobierał predyktory (czyścił dane) do analizy PLS Partial Least Squares Regression, mimo że wymagał kilkunastu dni obliczeń rozwiązał mój problem – czyli zbudowanie dobrego modelu do przewidywania zapadania na pewną chorobę. Potem skupialiśmy się na badaniach naukowych, ale zawsze wracały dane i data science…. ,a obecnie postawiliśmy, że warsztat badawczy i naukowy mamy już tak rozwinięty, a technologia poszła do przodu, że pora zanurzyć się głęboko w  AI.


Dlaczego warto do nas:
- jesteśmy naukowcami, większość z nas to doktorzy nauk technicznych,
- rozumiemy lepiej dane niż informatycy, 
- konstruujemy urządzenia laboratoryjne, a niektóre są nawet w przemyśle,
- lubimy wyzwania
- jesteśmy uczciwi i nawet jeżeli nie można rozwiązać problemu to o tym informujemy.

Case study.