Couple Sitting On Sofa Looking At Home Improvement App

Blog

In Augmented Appsonderzoeken we hoe productteams AI en machine learning verkennen om hun producten intuïtiever te maken en de gebruikerservaring te verbeteren.

Kunstmatige intelligentie transformeert producten op verrassende en ingenieuze manieren. Of het nu de kern van het product is, zoals een algoritme voor beursvoorspelling in Quants, of een randcomponent, zoals een chatbot voor het domein van de gezondheidszorg die ziektes diagnosticeert via een dialoog met een patiënt, het bouwen van betrouwbare AI-componenten in producten maakt nu deel uit van de leercurve. die productteams moeten managen.

Bepaalde beproefde methoden en use-cases zijn van onschatbare waarde om productteams te helpen begrijpen hoe ze AI in apps kunnen implementeren om bestaande successen te reproduceren en te verbeteren. In het geval van een AI die aandelen verhandelt, zijn productmanagers zich er nu bijvoorbeeld van bewust dat de gegevens die nodig zijn voor het AI-algoritme trainingsgegevens van menselijke emoties moeten bevatten voor sentiment analyse. Het blijkt dat emotionele reactie een belangrijke variabele is in het gedrag van de aandelenmarkt!

Het ontwikkelen van het juiste datamodel voor uw in-app AI is nu een cruciale tak van programmeren, omdat correct voorbereide gegevens essentieel zijn voor het algoritmemodel. Hieruit volgt dat datawetenschappers plotseling een integraal onderdeel zijn van het bouwen van embedded AI-componenten.

Enkele AI-componenten die al een hoog prestatieniveau hebben bereikt, zijn onder meer röntgen- en symptoomdiagnose in de gezondheidszorg, herkenning van menselijke emotiepatronen in apps voor aandelenhandel en innovatieve virus- en malwaredetectie in softwaresystemen. We zullen veel van deze use-cases onderzoeken om een ​​overzicht te maken van de huidige stand van zaken op het gebied van AI-componenten, te beginnen met innovatie in antivirussoftware.

Beveiliging van software en gebruikers: AI in cyberbeveiligingsapps

Een van de meest opwindende AI-use-cases van vandaag vindt plaats op het gebied van cyberbeveiliging, waar AI-methoden nu algemeen worden gebruikt om malware en kwaadaardige viruscode te detecteren die in bestanden is ingebed voordat ze kwaad kunnen doen naar systemen. In feite een doorbraak in AI-beveiligingsonderzoek vond vorig jaar plaats toen onderzoekers met succes zelforganiserende incrementele neurale netwerken (SOINN) gebruikten om malware en viruscode te identificeren.

De SOINN-methode converteert binaire bestanden naar visuele weergaven en heeft daarmee een nauwkeurigheid van meer dan 94% bereikt bij het detecteren van bestanden die zijn geïnfecteerd met virussen! SOINN zou een standaardgebruik van AI kunnen worden voor het detecteren van virussen in beveiligingsapps. Door een visuele weergave van code te gebruiken, kan de viruscode worden gedetecteerd zonder de code uit te voeren en het testsysteem in gevaar te brengen. Voorheen waren op machine learning gebaseerde malwaredetectie-algoritmen problematisch omdat, volgens Baptista en Shiaeles:

“… ze vertrouwen op een virtuele omgeving om monsters te analyseren; dit heeft niet alleen invloed op hun runtime-prestaties, maar brengt ook het hele systeem in gevaar, aangezien de samples moeten worden uitgevoerd. Bovendien verkleinen het vermogen van malware om zijn gedrag aan de uitvoeringsomgeving aan te passen, het buitensporige aantal functies dat per monster moet worden geëxtraheerd en het grote aantal malwareversies dat wordt gerapporteerd, de kans op nauwkeurige detectie. ”

Dit soort doorbraken – waarin de fundamentele representatie van het onderwerp wordt getransformeerd – zullen ons concept van AI zeker hervormen en uitbreiden en tegelijkertijd nieuwe voordelen bieden.

Natuurlijke taalverwerking: AI leren praten

Natuurlijke taalverwerking (NLP) verenigt veel van de andere takken van AI via een mensgerichte, op AI gebaseerde interface. De NLP-prestaties verbeteren aanzienlijk wanneer de app wordt getraind in een specifiek kennisdomein, zoals symptoomdiagnose. Dit komt doordat een gespecialiseerde context de reikwijdte van de trainingsgegevens die worden gebruikt bij het trainen van het dialoogalgoritme, beperkt. Een direct gerelateerde tak van data science, natural language querying (NLQ) genaamd, richt zich op het gebruik van NLP om bepaalde doelen te bereiken.

Krediet waar het verschuldigd is: AI-kredietagenten begrijpen

Een speciale use case van NLP en NLQ is het helpen van kredietverstrekkers bij het evalueren van de kredietwaardigheid van potentiële kredietnemers zonder eerdere kredietgeschiedenis – de traditionele basis van kredietverleningsbeslissingen. NLP kan nu enorme en diverse datastores ontginnen met behulp van getrainde patronen op alternatieve databronnen die kunnen helpen bij het aangeven van de waarschijnlijkheid van een betrouwbare terugbetaling van de lening.

De meeste kredietaanvragers gebruiken bijvoorbeeld smartphones. Een AI kan hun surfpatronen op internet controleren en zien hoe nauw ze aansluiten bij die van betrouwbare klanten. Dit soort begeleid leren vereist substantiële datavoorbereiding: belangrijke factoren voor correlatiealgoritmen zijn onder meer de sociale media-activiteiten van een potentiële lener, geolocatiegegevens, blogbijdragen, peer-netwerken en de sterkte en duur van relaties. In feite kunnen trainingsstatistieken voor deze kredietwaardigheidsalgoritmen gebaseerd zijn op duizenden variabelen om een ​​alternatieve kredietscore te genereren en ook de eigen nauwkeurigheid ervan te voorspellen.

blog-Embedded-Trends-20191218-bl-blog-banner

Voorspellende analyse AI verhoogt de prestaties van webapps

Buitengewone vooruitgang in diverse toepassingen, zoals bezoekers- en loganalyses, danken hun succes aan patroonherkenning op basis van AI en machine learning (ML). Laten we eens kijken naar een paar van dergelijke apps en hun AI-componenten en ontdekken hoe we kunnen profiteren van hun gebruiksscenario’s:

  • Analyse van bezoekers van webapps: BI-inzichten worden afgeleid uit ML-analyse van bezoekersstatistieken en -statistieken en weergegeven via datavisualisaties
  • Logboekanalyse: De effectiviteit van traditionele foutenlogboeken wordt verbeterd door app-prestatieproblemen te detecteren en door gerichte eindpunten intelligent via e-mail en Slack te waarschuwen voor kritieke gebruikersproblemen
  • Geautomatiseerd testen: Ontdekt bugs in nieuwe app-releases met behulp van computer vision om de volledigheid van de paginaweergave te bepalen

Het mogelijke gebruik van app-gedrag en gegevensopslag van bezoekersactiviteiten wordt alleen begrensd door de vindingrijkheid van de data-engineer. Analyse- en BI-platforms zoals Sisense kunnen onmiddellijk gegevensvisualisaties en waarschuwingen bieden over problemen met bezoekersactiviteiten. Loggly en Timber verbeteren ook de traditionele foutregistratie door routerproblemen te herkennen, evenals mislukte implementatie en release. SmartBear en Tricentis verbeteren Selenium om AI-gestuurde app-testautomatisering te bieden. Er is echt geen limiet aan wat kan worden bereikt met een creatief idee dat op gegevens wordt toegepast!

Op alle gebieden van voorspellende analyse presteren AI-componenten het beste wanneer het AI-model zijn neurale netwerk kan updaten tijdens realtime transacties. Dit betekent dat de huidige voorkeuren van de klant direct aan de trainingsgegevens worden doorgegeven. AI-webapps zoals aanbevelers zijn de meest voor de hand liggende voorbeelden van realtime begeleide trainingsmodellen die zichzelf bijwerken bij elke nieuwe transactie, zodat gebruikers daadwerkelijk kunnen zien dat het systeem bezig is met leren. En op AI gebaseerde aanbevelers die hun eigen neurale netwerken bijwerken per transactie, bieden een levendiger gevoel in de gebruikerservaring met apps als:

  • Swype gepersonaliseerde spellingsuggesties (NLP)
  • App-apps die bestemmingen en beste routes suggereren (geolocatie)
  • “Net als bij favoriete” muziekaanbevelingen zoals Spotify

Gezondheidszorg profiteert van AI-diagnostiek

Zoals gezegd, kunnen NLP-aangedreven chatbots met domeinspecifieke expertkennis ziekte diagnosticeren na een Q & A-dialoog met een patiënt. Het volgende niveau in diagnostiek is een AI-aangedreven app die ook een weefselmonster van de patiënt neemt en de laboratoriumoutput gebruikt in combinatie met medische dossiers en dialogen om ziekten, waaronder kanker, te diagnosticeren.

Dit geweldig biotech-toepassing van AI gebruikt genoomsequentiebepaling in combinatie met neurale netten om ziekten te diagnosticeren, waardoor de mogelijkheden van traditionele diagnosemethoden worden overtroffen. De app neemt het weefselmonster van een patiënt als input en vergelijkt het vervolgens met een database van elke bekende ziekteverwekker (meer dan 37.000 genomen genomen!). Het resultaat is een uitgebreid diagnostisch rapport van mogelijke ziekteverwekkers.

Luchtvaarthubs beveiligen met AI

Voor degenen onder ons die gefrustreerd zijn door lange beveiligingslijnen bij luchthavenpoorten, zullen nieuwe AI-toepassingen die de herkenning van verboden voorwerpen in handbagage automatiseren, een verfrissende verandering zijn om een ​​trage menselijke procedure te versnellen. AI breidt zich ook snel uit op het gebied van emotieherkenning en sentimentanalyse. Dit zal de reikwijdte van preventieve beveiliging veranderen en biometrische gegevens bevatten van passagiers die potentiële bedreigingen vormen.

AI in apps: de toekomst is vandaag

AI-apps zijn de toekomst. Aan elke horizon zien we geautomatiseerde systemen die klaar staan ​​om aan onze veiligheid, beveiliging en comfort te besteden. Op dit moment zijn deze systemen van elkaar geïsoleerd omdat datavoorbereiding voor AI-apps een wilde grens is en er geen wederzijds begrijpelijke standaarden zijn voor AI-systemen om uitkomsten met elkaar te delen.

Echter, net zoals het dataprotocol voor transmissiecontrole evolueerde naar een standaard, zo zal data-wrangling uiteindelijk normen ontwikkelen voor AI-systemen om van elkaar te leren in plaats van exclusieve datasets. Wanneer dit gebeurt, zullen we getuige zijn van een exponentiële verbetering van de mogelijkheden van AI die nu in de kinderschoenen staat. Het is een spannende grens die belooft adembenemende voordelen te bieden voor iedereen. Blijf inchecken, want we brengen u meer inzichten uit de opkomende wereld van AI.

Inna Tokarev-Sela, Sisense’s Head of AI Research, heeft meer dan 15 jaar ervaring in de technische industrie. Ze bracht het afgelopen decennium door bij SAP en stimuleerde innovaties in cloudarchitectuur, in-memory producten en video-analyse door machine learning. Inna is een veelgevraagd spreker op branche-evenementen zoals IBC, NAB, Wonderland AI en Media Festival, en heeft een BS in natuurkunde en informatica, een MBA en een MS in informatiesystemen, nadat ze haar proefschrift over neurale netwerken heeft geschreven.