Гибкие методы обучения машин позволяют им сочетать множество переменных самым неожиданным образом таким, какой не пришел бы в голову даже самому квалифицированному аналитику.
Ярким примером того, как человеческий мозг не справляется с анализом множества переменных, можно считать финансовый кризис 2008 года. Аналитики по отдельности изучали локальные сегменты рынка недвижимости и были уверены, что рынок обеспеченных долговых обязательств стабилен. Но когда кризис разразился сразу во многих локациях США, эти прогнозы провалились: в них не было данных о взаимном влиянии рынков.
ИИ умеет обрабатывать колоссальные объемы данных и сопоставлять множество переменных, формируя таким образом полную картину происходящих процессов. Прогноз ИИ создается в том числе на основе не предусмотренных заранее сопоставлений.
Данные топливо для ИИОбъемы цифровых данных, их разнообразие и качество за последние 20 лет выросли драматически. Все вокруг оснащено датчиками, машины распознают и оцифровывают тексты и изображения и все это может стать пищей для ИИ. Чем больше данных, тем точнее прогноз. Но данные стоят денег. И только такие гиганты, как Google и Facebook, сегодня могут собирать бесконечные объемы данных с конечных пользователей. Большинство организаций должно решить для себя вопрос, сколько именно средств они могут вложить в получение необходимых для эффективного развития данных. Чтобы рассчитать объем капиталовложений в данные, нужно ответить на следующие вопросы:
что именно нужно прогнозировать;
какие типы данных для этого требуются;
как часто нужно собирать данные;
сколько объектов требуется для обучения ИИ.
Данных должно быть достаточно, чтобы уловить существенные закономерности и построить прогноз. И в то же время стоит помнить, что 100-процентная точность прогноза, купленная ценой сбора огромного количества данных, может быть излишней.