[ad_1]
До того, как генеративный ИИ стал массовой отраслевой тенденцией, как и сегодня, существовал прогнозирующий ИИ, который, как следует из названия, помогает прогнозировать будущие события на основе данных. Но что, если бы вы могли объединить обе технологии в одну?
Это цель Pecan AI. Восьмилетний стартап уже предлагает платформу прогнозной аналитики для предприятий и с момента своего запуска привлек финансирование в размере 116 миллионов долларов, включая раунд в размере 66 миллионов долларов в феврале 2022 года.
Сегодня компания запускает новый инструмент Predictive GenAI, который сочетает в себе некоторые возможности современного генеративного искусственного интеллекта с прогнозирующим машинным обучением.
«Пока мы работали на нашей стороне района над классическими решениями для прогнозной аналитики на основе машинного обучения, на другой стороне района произошла целая революция поколения искусственного интеллекта», — рассказал VentureBeat Зохар Бронфман, генеральный директор и соучредитель Pecan AI. «Одна вещь, в которой ИИ поколения ужасен, — это создание прогнозов».
Хотя поколение искусственного интеллекта не идеально подходит для прогнозирования, методы прогнозного машинного обучения не особенно удобны для пользователя. Predictive GenAI от Pecan AI сочетает в себе оба подхода, позволяя ученым, работающим с данными, теперь легче создавать и генерировать модели прогнозного ИИ.
Делаем прогнозный ИИ доступным для бизнес-пользователей
Основная цель Pecan AI — помочь компаниям максимально простым способом внедрить машинное обучение и искусственный интеллект.
Исторически сложилось так, что специалисты по обработке данных были основными пользователями платформ искусственного интеллекта и, в частности, технологии прогнозного машинного обучения.
Бронфман сказал, что искусственный интеллект Pecan создан с учетом доступности и направлен на демократизацию возможностей искусственного интеллекта и доведение его до людей, которые ближе к деловой стороне вещей внутри компаний.
Возможности Pecan AI Predictive GenAI состоят из двух частей.
- Predictive Chat — это функция, которая позволяет пользователям делать запросы на естественном языке через интерфейс в стиле чат-бота. Бронфман сказал, что цель состоит в том, чтобы помочь пользователю, у которого возникла конкретная бизнес-проблема, легче использовать конкретную систему прогнозирования, соответствующую потребностям бизнеса.
- Новый Predictive Notebook использует генеративный искусственный интеллект для создания блокнота для анализа данных, который используется в качестве основы для построения прогнозной модели. Бронфман объяснил, что интеллектуальный блокнот — это собственный блокнот Pecan AI, основанный на SQL. Он содержит сгенерированные ячейки, которые определяют преобразование собственных данных компании в готовый к использованию набор данных для прогнозного моделирования. Каждая сгенерированная ячейка отвечает за элемент этого преобразования, такой как запрос, структурирование и объединение данных. Ячейки могут автоматически запускаться на серверной стороне Pecan AI прозрачным для пользователя способом. Однако, если пользователь хочет принять более глубокое участие, он может настроить ячейки с помощью SQL. В конце процесса блокнот создает набор запросов, которые применяются к таблицам данных пользователя для преобразования их из исходного состояния в набор данных, готовый к использованию ИИ для библиотеки моделирования Pecan AI.
Почему ИИ обычного поколения не может предсказывать (ну, если вообще может)
Как подтверждают мои пользователи, поколение ИИ хорошо справляется со многими разными задачами, такими как создание чат-ботов, обобщение контента и написание отчетов.
Однако, по мнению Бронфмана, ген ИИ сам по себе не подходит для прогнозирования по нескольким причинам.
Он рассказал Venturebeat, что наборы данных, с которыми инструменты искусственного интеллекта работают во время обучения, не находятся в надлежащем формате, готовом к использованию искусственного интеллекта, необходимом для прогнозного моделирования.
Бронфман объяснил, что для прогнозной модели в наборе данных должна быть каждая строка как отдельный объект, где каждый столбец представляет конкретный объект и столбец метки для целевой переменной.
Однако в реальных бизнес-сценариях получение наборов данных в этом формате требует значительной работы по обработке данных.
Генеративные модели ИИ не умеют брать необработанные табличные данные из разных источников и преобразовывать их в плоский двумерный формат, необходимый для прогнозного моделирования. Это навык, для достижения которого обычно требуется опытный специалист по данным.
По словам Бронфмана, использования векторной базы данных также недостаточно для полноценного прогнозного моделирования ИИ.
Он объяснил, что, хотя векторные базы данных и встраивания могут поддерживать базовые возможности прогнозирования, работая с ограниченным набором функций, этого недостаточно.
Бронфман сказал, что либо модели должны быть очень простыми, охватывающими только ограниченный шаблон, либо, в качестве альтернативы, специалисту по обработке данных все равно придется выполнять относительно сложную разработку функций, чтобы подготовить данные в правильном формате перед подачей их в более богатую прогнозирующую модель.
Инновации в подготовке данных помогают улучшить прогнозирование
В то время как диалоговый предсказательный ИИ, возможно, является наиболее заметной новой возможностью, Pecan AI продвигается вперед со своими запатентованными инновациями в области автоматизации подготовки данных и разработки функций.
Среди инноваций в подготовке данных, над которыми работает Pecan AI, — автоматизация, помогающая решить такие проблемы, как утечка данных, которая может подорвать точность модели. В машинном обучении утечка данных означает использование информации, полученной в процессе обучения, которая обычно недоступна при составлении прогноза.
«Выявить утечку непросто, особенно если вы не профессиональный специалист по данным», — сказал Бронфман. «Итак, у нас есть, например, автоматизированные способы выявления утечек».
[ad_2]
Источник
