第 88 章 原始 AI
当您考虑人工智能(AI)时,可能会考虑机器学习和大量数据。但是,机器学习只是图片的一部分。智能功能包括以下技术:
- robotics:技术、科学和工程的集成,生成可执行由人执行的物理任务的机器
- 机器学习:在向数据公开到数据时了解或改进算法的功能,而无需明确编程到数据
- 自然语言处理:机器学习的一个子集,用于处理人为指纹
- 数学优化:使用条件和约束来查找问题的最佳解决方案
- 数字决定:使用定义的标准、条件以及一系列机器和人类任务做出决策
虽然科学人填写了什么称为人工常规智能(AGI),但其执行比人员更好,且无法与他们区分开,并在不人为干预或控制的情况下了解和演进,但 AGI 正在努力。同时,我们有多大的 AI,目前我们非常低,对我们来说更有用。Eagmatic AI 是 AI 技术的集合,在合并时为问题提供解决方案,如预测客户行为、提供自动化客户服务,有助于客户做出销售决策。
主要行业领导报告,以前机构已经与 AI 技术合作,因为它们认为是 AI 的潜在情况,而不是现在提供 AI 的可能性。AI 项目没有满意,因此减少了 AI 项目的 AI 缓慢和预算。使用 AI 进行这种差异通常被称为 AI winter。AI 有几个 AI winters 周期,后跟 AI spring,现在我们决定在 AI spring 中。机构认为 AI 可交付的实际情况。因为实际来说是可行的。AI 的方法认为现在可用的 AI 技术,在很有用的情况下将它们合并,并在创建实际问题的解决方案时添加人为干预。
原始 AI 解决方案示例
一个逻辑卷的 AI 应用程序是客户支持。客户文件有一个报告问题的支持问题单,例如登录错误。机器学习算法应用于票据,以将票据内容与现有解决方案匹配,具体取决于关键字或自然语言处理(NLP)。关键字可能会出现在许多解决方案中,有些相关和一些不相关。您可以使用数字决定来确定客户要呈现哪些解决方案。但是,有时,算法建议的任何解决方案都适合客户传播。这是因为,所有解决方案都有非常可靠的分数,或者多个解决方案具有非常强的分数。如果无法找到适当的解决方案,则数字决定涉及人工支持团队。要找到基于可用性和专家的最佳支持人员,数学优化通过考虑员工更严格的限制来选择支持票据的最佳分配者。
如本例所示,您可以组合机器学习,从数据分析和数字决定中提取信息,以建模人知识和体验。然后,您可以应用数学优化来调度人为帮助。这是一个适用于其他情况的模式,例如信用卡吞吐量和信用卡入侵检测。
这些技术使用四个行业标准:
问题单管理模型和表示法(CMMN)
CMMN 用于建模工作方法,其包括可能以无法预计的顺序执行的各种活动,具体取决于情况。CMMN 模型是事件中心。CMMN 克服了通过支持较少结构化工作任务和由人驱动的结构化工作任务和任务进行建模的限制。通过组合使用 IaaS 和 CMMN,您可以创建更强大的模型。
商业流程模型和表示法(DSLN2)
Tailoring2 规范是一种对象管理组(OMG)规范,用于定义以图形方式代表业务的标准,定义元素的执行语义,并以 XML 格式提供进程定义。Dan2 可以建模计算机和人类任务。
决策模型和表示法(DMN)
决策模型和表示法(DMN)是由 OMG 建立的标准,用于描述和建模操作决策。DMN 定义了一个 XML 模式,它允许在 DMN 兼容平台和机构间共享 DMN 模型,以便开发人员能够互动并实施 DMN 决策服务。DMN 标准与流程类似,并可与用于设计和建模的 Business Process Model 和 Notation (DSLN)标准一起使用。
预测模型标记语言(PMML)
PMML 是用于代表预测模型、数学模型使用统计技术在大量数据中取消或学习模式的语言。预测模型使用他们学习的模式来预测新数据中存在模式。使用 PMML 时,您可以在应用程序间共享预测模型。这些数据作为 PMML 文件导出,可由 DMN 模型使用。随着机器学习框架继续参与模型,更新的数据可以保存到现有的 PMML 文件中。这意味着,您可以使用任何应用程序创建的预测模型,这些模型可将模型保存为 PMML 文件。因此,DMN 和 PMML 集成良好。
全部放在一起
本图演示了预测决策自动化如何工作。
- 业务数据进入系统,例如来自 loan 应用程序的数据。
- 与预测模型集成的决策模型决定是否批准 loan 还是需要额外的任务。
- 例如,业务操作结果将发送给客户。
下一部分演示了预测决策自动化如何与 Red Hat Process Automation Manager 配合使用。