技术聚焦:柳树人工智能模型

2021年3月1日
技术聚焦:柳树人工智能模型 2019冠状病毒病期间有效的IT资产管理|生产力、安全和弹性的基本要素

为了更好地帮助您理解像SunView Willow AI™这样的AI系统是如何工作的,我们将向您介绍AI系统构建的幕后方式。以下是AI系统组件的高级分解,解释AI系统如何学习,以及学习是如何实现的。

什么是机器学习,算法与之有什么关系?

机器学习(ML)是人工智能(AI)的一个分支,它涉及构建从数据中学习并随着时间推移提高其准确性的软件应用程序,而无需额外的编程。

SunView Software的首席执行官孙晟表示:“人们每天都在使用人工智能。我们看的节目和买的产品都是由AI推荐的。爱游戏亚博但企业采用先进技术的速度比个人慢得多。”

机器学习算法是帮助人们在复杂数据集中探索、分析和寻找意义的代码片段。每一种算法都包含一套逐步的指令,计算机可以遵循这些指令来实现特定的目标。在机器学习模型中,目标是建立或发现人们可以用来预测或分类信息的模式。机器学习算法使用的参数是基于训练代表更大数据集的数据子集。当训练数据扩展到更真实地代表“世界”时,算法计算出更准确的结果。人工智能就像一个有学习欲望的孩子。你教它的越多,它就变得越聪明。

机器学习技术

机器学习的“学习”部分是指计算机回顾现有数据并从这些数据中学习新技能和知识的过程。机器学习系统使用算法在数据集中查找模式,数据集可能包括文本、数字,甚至包括音频剪辑、图像和视频等富媒体文件。机器学习算法计算量很大,需要专门的硬件和软件才能大规模运行。不同的算法以不同的方式分析数据,因此它们通常根据所使用的机器学习技术进行分组:监督学习、无监督学习或强化学习。

监督式学习

当你提前知道你想教机器什么时,就会使用监督学习。例如,假设您为机器提供了一个数据集,其中包括员工姓名以及他们在过去一年中提交的所有支持请求。您需要确定(预测)下个月最有可能提交哪种类型的请求以及由谁提交。答案将使用数据集中已经存在的标签(例如,员工姓名、票据类型和日期)交付给您。这种技术通常需要将算法暴露给一组非常大的训练数据,允许模型检查输出,同时调整参数,直到达到预期的结果。然后,你可以通过让它对“验证数据集”做出预测来测试机器,“验证数据集”由计算机从未见过的新数据组成。常见的监督学习任务通常实现预测、回归和分类AI模型,这些将在本通讯稍后解释。

无监督学习

无监督学习使机器能够探索一组数据。在最初的探索之后,机器试图识别连接不同变量的隐藏模式。这种类型的学习可以帮助将数据分组,只基于统计属性。无监督学习不需要在大型数据集上进行训练,因此它比有监督学习模型部署起来更快、更容易。

在无监督学习中,数据点没有标记,因为算法通过组织数据或描述其结构为您标记它们。当你不知道结果应该是什么样子时,这个技巧很有用。例如,假设您提供员工数据,并希望创建报告过类似计算机问题的员工分组。由于您所提供的数据没有标记,结果中的标记是基于数据点之间发现的相似性而由计算机生成的。

强化学习

强化学习使计算机能够通过算法与环境进行交互,算法从结果中学习并决定下一步采取什么行动。在每个动作之后,算法会收到反馈,帮助它确定所做的选择是正确的、中立的还是错误的。对于需要在没有人工指导的情况下做出许多小决定的自动化系统来说,这是一种很好的技术。例如,假设您希望确保服务器的性能保持在一组特定的参数内,这些参数包括CPU和内存利用率、空闲磁盘空间、进程和线程数以及网络性能。随着AI模型获得监视组织中各种服务器的经验,并编译增强历史,它会了解需要做什么来保持这些服务器在最佳水平上运行。

机器学习算法输入人工智能模型

一个机器学习算法是一个使用数据集来创建机器学习“模型”的过程。机器学习算法执行模式识别,这允许这些算法在从数据中学习时“拟合”到数据集上。有许多种类的机器学习算法用于许多不同的应用。例如,有分类的算法,如k-Nearest Neighbors;回归算法,如线性回归;以及聚类算法,比如k-Means。

在人工智能领域,软件开发人员可以从数百种算法中进行选择,但关键是要选择最能解决公司面临的挑战的算法。在某些情况下,最好的方法是同时部署几个算法。这种方法,被称为整体建模,产生了比任何一个积分学习算法单独工作可以获得更好的预测性能。

一个机器学习模型是针对特定数据集运行的机器学习算法的输出。模型表示通过机器学习算法获得的知识(即学习到的知识)。模型是对训练数据运行机器学习算法后保存的输出。它表示进行预测所需的规则、数字和任何其他特定于算法的数据结构。理解机器学习模型的一个简单方法是把它想象成一个计算机程序。机器学习模型(即计算机程序)由数据和使用数据进行预测的过程组成。理想情况下,模型还应该揭示决策背后的基本原理(通过书面描述),以帮助解释决策过程。下面的例子描述了一个使用线性回归算法的机器学习模型:

线性回归:

算法:找到训练数据集上误差最小的系数集

模型:

模型数据:向量的系数

预测算法:与输入行相乘和系数

将正确的AI模型与正确的数据匹配是组织在数字化转型过程中可能遇到的最大挑战之一。选择正确的模型不仅需要对组织想要实现的目标有全面的了解,而且这个过程还涉及到平衡需求,如模型性能、准确性、可解释性和计算能力等其他因素。你还需要有正确类型的数据来使用特定的AI模型。

幸运的是,您不必手动执行这些任务中的任何一个!选择正确的人工智能模式是SunView Software在竞争中脱颖而出的地方。我们的高级智能包包含文本相似度、聊天机器人、回归、预测和分类AI模型的“完美融合”(专利组合),可以应用于各种业务类型和行业。最常用的模型使用回归和分类来预测目标类别和值,找到不寻常的数据点,并发现相似性。

文本相似度模型

文本相似性是一种算法,它使AI应用程序能够理解来自用户的语义相似的查询(即不同的问题意味着相同的事情),并提供统一的响应。该算法的目的不仅是提高人工智能(如SunView Willow AI™)做出的回答的质量,而且是让人与计算机之间的问答互动感觉更自然。

例如,假设一个用户问:“我可以订购哪种笔记本电脑?”或者“我的笔记本电脑有什么选择?”用户应该期望(并收到)相同的响应,不管问题用了多少种方式。这种对语义相似性的强调努力创建一个能够识别语言和单词模式的系统,这样它就可以生成听起来像属于“正常”人类对话的应答。该算法是通过一系列系统和过程来实现的,这些系统和过程相互连接,从而创建一个理解语音模式的AI应用程序。

为了生成真实和自然的响应模式,SunView Willow AI™使用了一个专门的系统架构,可以识别文本和预测句子。我们先进的人工智能平台执行自定义文本分类、释义检测和聚类等任务,所有这些都有助于您在我们的自助门户中看到高质量的结果。

自然语言处理(NLP)用于将用户输入分为句子和单词。NLP还使用一系列技术对文本进行标准化,这些技术将所有内容转换为小写字母、纠正拼写错误、确定单词是形容词还是动词,以及执行更多的任务。在AI分析的这一阶段,也会考虑其他因素,比如情绪。

聊天机器人模型

聊天机器人也被称为对话AI机器人、AI聊天机器人、AI助手、虚拟助手、数字助手、虚拟代理和对话代理等,越来越受欢迎。亚搏注册官网但就像聊天机器人有很多不同的名字一样,它们也有不同程度的智能,被用于各种各样的应用程序。

在基本层面上,聊天机器人是一种计算机程序,它允许人类使用各种输入方法(如语音和文本)与技术进行交互,同时为用户提供全天候的信息访问。如果有人打电话给您的服务台并留下描述问题的语音邮件,我们的智能语音技术将语音输入转换为文本。然后聊天机器人分析该消息中的文本,考虑最佳响应,并通过文本消息将该响应返回给最终用户。

自然语言理解(NLU)帮助聊天机器人使用编程语言对象(如词汇、同义词和主题)理解用户所说的话。然后将这些对象与算法一起使用,来构建对话流,告诉聊天机器人如何回应。提供有意义的、个性化的体验,而不是预先脚本化的响应需要NLP。这使聊天机器人能够查询数据存储库,包括集成知识库、您的CMDB和其他后端系统,并使用该信息生成适当的响应。对话式AI技术将NLP和NLU提升到了一个新的高度。它允许公司创建先进的对话系统,利用历史数据、个人偏好和上下文理解来提供现实和迷人的自然语言界面。

回归模型

回归分析是一种统计建模技术,用于根据一个或多个自变量的值预测事件的发生或连续变量(即因变量)的值。例如,假设您决定开车去一个遥远的城市(因变量)。有几个因素会影响你到达目的地所需的时间:开始时间、距离、实时交通状况、道路上的施工活动和天气状况。所有这些因素都有可能影响你到达目的地的实际时间,但有些因素对因变量的值的影响会比其他因素更大。使用回归分析,计算机可以从数学上分类出哪些变量会影响结果以及影响的程度。此分析帮助您了解哪些因素最重要,哪些因素影响很小或没有影响,以及这些因素如何相互关联。

回归分析也是机器学习中的一个基本概念。它属于监督学习,算法使用输入特征和输出标签进行训练,这有助于通过估计一个变量如何影响其他变量来建立变量之间的关系。在机器学习和ITSM的背景下,回归具体指的是对一个连续因变量或输入变量列表的响应的估计。ChangeGear ITSM与Willow AI™使用的回归模型可以帮助识别由于测量波动而发生的问题和事件,例如,当服务器通信量增加时出现的容量问题。

有各种各样的回归技术,从最简单的(如线性和逻辑回归),到复杂的统计经典回归模型(如Ridge、Lasso、Elastic Net),再到更复杂的技术,如神经网络。然而,神经网络可以简化为回归模型,这意味着神经网络可以“假装”成ChangeGear希望它成为的任何类型的回归模型。

预测模型

预测分析利用历史数据,结合统计建模、数据挖掘和机器学习,对未来的结果进行预测。基本上,您可以通过分析过去的数据来确定趋势,从而帮助您做出明智的业务决策。虽然机器学习和预测分析曾经被视为两个完全不同和不相关的概念,但它们现在却交织在一起。如今,预测分析领域广泛使用机器学习进行数据建模,因为机器学习能够准确处理大量数据并识别模式。

ChangeGear ITSM与Willow AI™使用历史数据建立数学模型,可以捕捉重要的趋势。然后,预测分析模型被应用到当前数据中,以预测接下来会发生什么,或者为获得最佳结果而建议采取的行动。ChangeGear可以预测未来的趋势,比如在特定的日子将打开、关闭或分配的门票数量。IntellAssign确保票分配给正确的团队和员工,最大化您的操作效率。

基于之前的历史和结果,您的组织可以更深入地了解关于您的员工、客户和竞争对手的趋势和模式。您还可以通过从多个来源(包括电子邮件、文件、即时消息、关系数据库和Microsoft Teams和Slack等协作工具)捕获和分析当前数据来降低风险并预测成功。

分类模型

当一个问题或支持票证来到您的服务台时,第一步是检查并将其分配到一个类别,以便将其路由到正确的团队成员。这个过程包括阅读票证,以便支持技术人员知道选择哪个类别。不幸的是,手工分类系统通常是复杂和杂乱的,有太多的类别可供选择。在花了无数个小时阅读门票之后,支持代理通常会将门票分配到“其他”类别,以便更快地对它们进行排序,避免花费宝贵的时间搜索正确的类别。

机器学习售票分类通过使用预测分析自动将数据分配到预设类别,避免了这个问题。自动票务分类不是依靠人来解释内容并正确分类,而是使用NLP,它帮助计算机解析、理解并有效地生成人类语言响应。

票务情感分类是票务自动分类的另一种方式。ChangeGear的高级智能包中包含的情绪分析模型允许您将每张票的情绪(即极性)分类为积极、消极或中立。就像IntellAssign根据紧急情况的表达来排序门票一样,我们的情绪分析模型也可以根据消极的表达来排序问题。分类算法根据输入数据进行训练,这些数据可以用来回答如下问题:“给定句子的情绪(积极、消极或中立)是什么?”

ChangeGear ITSM利用了AI模型的“完美融合”

由SunView Willow AI™支持的ChangeGear精确地代表了下一代ITSM,因为它利用了AI模型的完美混合,针对组织中每个部门的特定问题。由于服务台技术人员每天执行更广泛的事务性任务,ITSM从AI中获益的潜力巨大。

SunView Software的首席执行官Seng Sun表示:“企业也可以从人工智能中受益,通过自动化和可操作的见解来增强人类的努力。这可以让员工把精力集中在更关键的业务项目上,而不是重复的任务上。”

然而,在把一堆AI模型扔到墙上,等着看哪个能成功之前,对你想要解决的问题有一个清晰的理解(并获得解决这些问题的支持)是很重要的。人工智能的概念必须被接受,并在所有层次上接受,以充分实现其对信息技术管理的潜在影响。如果没有收购,人工智能及其带来的好处将有未实现的潜力。

相关的帖子