اسکن افق: سیگنال های اولیه آینده

در یک سری جدید ، ما قصد داریم Scaing Horizon را بررسی کنیم ، یک فناوری ارزشمند تجاری که با استفاده از داده های خبری پیشرفته به همراه هوش مصنوعی و یادگیری ماشین (ML) ساخته شده است.

در این مقاله ، اولین مورد در یک سری سه قسمتی ، ما مفاهیم ، نحوه کار آنها و ارزش آنها را ارائه خواهیم داد. در حالت دوم ، ما نشان خواهیم داد که چگونه استفاده از یک روش راه حل قوی AI و ML-LED می تواند وظایف دستی را به صورت خودکار انجام دهد. سرانجام ، در سوم ، ما نتایج چگونگی استفاده از علم داده را برای آزمایش طراحی و مقیاس بندی نشان خواهیم داد. ما می خواهیم چگونگی استفاده از داده های خبری برای ایجاد فن آوری های پیشرفته اتوماسیون ، نحوه کار راه حل و چگونگی استفاده این تکنیک ها برای استفاده عالی برای حل مشکلات تجاری در دنیای واقعی را برجسته کنیم.

مقدمه ای برای اسکن افق

همه می خواهند آینده را بدانند: برای اینکه بتوانند آن را پیش بینی کنند ، بتوانند قبل از وقوع به چیزهایی واکنش نشان دهند. اما آینده غیر از نتایج بسیاری از وقایع کوچک که اکنون اتفاق می افتد چیست؟اگر فقط می توانستیم آنها را ببینیم ، این سیگنال های کوچک.

خیلی اوقات ، ما به دنبال جایی دیگر هستیم - توجه ما به رویدادهای بزرگ و عمومی که عناوین را ایجاد می کند ، جلب می شود. با این حال ، نگاه کردن به این رویدادهای بزرگ همیشه به ما کمک نمی کند تا آینده را ببینیم زیرا نتیجه گیری آنها در اینجا است. زمان آنها اکنون است.

منبع: اقتباس از دولت انگلستان - ابزار ابزار آینده

مفهوم مدل اسکن افق این است که در هر جدول زمانی ، سه نوع سیگنال وجود دارد (یک سیگنال از رویدادهای مربوط به یک موضوع خاص تشکیل شده است). هر سیگنال با یک افق برنامه ریزی استراتژیک متفاوت مطابقت دارد.

ابزارهای آینده دولت ایالات متحده ، افق 1 را به عنوان زمان فعلی توصیف می کند. این موضوعات مهم است که اکنون اتفاق می افتد و از طریق فرآیندهای فعلی و استراتژی مورد بررسی قرار می گیرد. Horizon 1 با گذشت زمان اهمیت خود را از دست می دهد و این می تواند به دلایل مختلف ، مانند سیگنال مربوط به رشد یک رویداد محدود زمان باشد ، می گویند یک انتخابات یا یک مشکل فعلی ، که مورد بررسی قرار می گیرد و به تاریخ منتقل می شود. روند Horizon 1 سرانجام از بین می رود و از سیگنال های Horizon 2 میان مدت بیشتر عبور می کند و به برجستگی می رسد. به چیزی فکر کنید که طی پنج سال آینده اتفاق می افتد: بذرهای چنین سیگنالهایی در حال حاضر در اینجا هستند و این یک حرکت استراتژیک مهم برای برنامه ریزی برای آنها است.

این ما را با افق 3 ترک می کند: آن سنگریزه های کوچک که به آرامی در حال حرکت هستند و در نهایت به هم می پیوندند و بهمن می شوند که آینده را جعل می کند. سیگنال های افق 3 به طور بالقوه در دراز مدت مهمترین هستند. اگر فقط می توانستیم آنها را ببینیم. AI را بگیرید: من یک بار در مورد متخصص Google AI در یک رویداد داو جونز بحث کردم و سخنان آغازین وی این بود: "هوش مصنوعی و یادگیری ماشین جدید نیست."، "هوش مصنوعی جدید نیست."او چقدر درست بود ، برای سیگنال آمدن هوش مصنوعی به دوره پس از جنگ جهانی دوم ، جایی که پیشرو اولیه آن در حال رمزگشایی پیام های مخفی جنگ سرد بود. تصور کنید اگر می توانستیم اهمیت هوش مصنوعی را به اندازه کافی زود تشخیص دهیم تا از نظر استراتژیک برنامه ریزی کنیم؟شرکت های موفق در اوایل سیگنال های Horizon 3 را گرفتند ، که آنها را در موقعیتی قرار دادند تا از این مزیت استفاده کنند. این عمل اسکن Horizon است: تشخیص سیگنال های Horizon 3 ، به نام "سیگنال های ضعیف" ، در درون روحیه پرتحرک و تسلط سیگنال های Horizon 1 ، به نام "سیگنال های قوی".

بنابراین ، یک سیگنال ضعیف دقیقاً چیست؟این مفهوم تا دهه 1970 برمی گردد ، و مقالات مختلف دانشگاهی از آینده شناسان درباره ماهیت خود و آنچه در آن تشکیل شده است ، بحث می کنند. برای اهداف ما ، "سیگنال ضعیف" تعریف زیر را دارد (مشتق شده از آینده نگر فنلاند الینا هیلتونن):

"مجموعه ای از رویدادهای مربوط به یک موضوع در حال توسعه که همچنان ادامه دارد. اما ، دید قابل توجهی دارد. "

اولین عنصر اصلی در اینجا این است که سیگنال همچنان ادامه دارد: این تفاوت بین یک سیگنال ضعیف و کارت وحشی است. وقایع کارت وحشی ظاهر می شوند ، رشد می کنند و سپس ناپدید می شوند. آنها پایدار نیستند و یک روند کوتاه مدت را نشان می دهند که چیزی برای برنامه ریزی استراتژیک در دراز مدت نیست. عنصر دوم این است که سیگنال ضعیف به یک موضوع مربوط می شود. معرفی مباحث ابعاد جدید و اساسی را به همراه دارد زیرا مباحث مانند سیگنال ها دارای یک چرخه عمر هستند که ما باید در تفکر خود بگنجانیم. این مربوط به جایی است که می توان موضوع را یافت.

موضوع جدیدی که سیگنال ضعیفی ایجاد می کند ، احتمالاً در مطبوعات اصلی یافت نمی شود ، زیرا به آگاهی گسترده نرسیده است. در سال 2002 ، مفهوم چرخه حیات اطلاعات توسط Chun Wei Choo اقتباس شد.

منبع: اقتباس از "چرخه حیات اطلاعات" اقتباس از Chun Wei Choo (2002)

این مفهوم پیشنهاد می کند که مباحث در ابتدا در منابع تخصصی مانند مجلات ، برنامه های ثبت اختراع و مقالات دانشگاهی ظاهر می شوند. آنها سپس قبل از رسیدن به آگاهی گسترده از طریق برنامه های رادیویی و تلویزیونی ، آثار داستانی ، روزنامه ها و مجلات محبوب ، به یک گروه نخبه ، تشکیل شده از تحلیلگران ، مجلات تجاری و رهبران تجارت ، شروع می کنند. اعتیاد به مواد مخدره افزایش می یابد تا زمانی که مورد توجه دولت ها قرار بگیرند ، که بحث و گفتگو و ایجاد سیاست ها ، شیوه های حرفه ای و حتی برنامه های درسی آموزشی می کنند. به عنوان مثال ، هوش مصنوعی در محافل داستانهای نظامی و علمی شروع به کار کرد ، سپس به فضاهای آماری و ریاضی تخصصی نقل مکان کرد و توسط کارشناسان فناوری اطلاعات که ML را برای این مشکل استفاده می کردند ، انتخاب شدند. از آنجا ، برنده های اولیه کسب و کار (مانند جستجوی گوگل) به این معنی بود که موضوع در بین کارآفرینان و روزنامه نگاران روزنامه ها به برجستگی رسیده و سرانجام در برابر دولت ها برای تصویب ظاهر شد. تبدیل یک سیگنال ضعیف به یک قوی ، مستقیماً به سفر از طریق این چرخه عمر موضوع مربوط می شود.

منبع: اقتباس از رشد سیگنال ضعیف در کانال پر سر و صدا (منبع: Coffman ، 1997d)

هنگامی که چرخه زندگی در نظر گرفته شد ، ما را به جنبه نهایی یک سیگنال ضعیف می رساند: تفسیر. این داوری است که گروهی از رویدادها در وهله اول شواهدی از یک موضوع خاص را تشکیل می دهند - که همان نیروها سنگریزه ها را حرکت می دهند. با این حال ، رسیدن به تفسیر ، از طریق جستجو نیاز به انتخاب داده ها دارد.

جستجوکردن

به طور سنتی ، اسکن Horizon با ترکیبی از منابع انسانی و تیمی از جستجوگرهای متخصص که مقالات مورد نیاز برای ثبت سیگنال ها را پیدا کرده اند ، به صورت دستی انجام می شود. این بخش از این فرآیند از اهمیت بیشتری نسبت به آنچه در ابتدا به نظر می رسد ، از اهمیت بیشتری برخوردار است ، زیرا حجم داده های خام امروزه برای پردازش در کلیت بسیار زیاد است. ابتدا باید یک فریم مرجع یا دامنه (های) دانش انتخاب شده را که در آن می توان به آن نگاه کرد ، تنظیم کرد.

نکته اصلی هنگام انجام اسکن افق ، انتخاب داده هایی است که باید با آنها کار کنید:

• باید گسترده و عمیق باشد. برای شامل یک دامنه دانش ، از جمله منابع فوق الذکر و متخصص ، باید حاوی نقاط اطلاعات کافی باشد.
• به عمق تاریخی مانند یک سری زمانی در مقیاس سالها یا حتی ده ها سال نیاز دارد.
• در حالت ایده آل ، داده ها عاری از موضوعات مجوز جایگزین است که طاعون در پشت یک Paywall قرار می دهد.
• دسترسی و جستجوی آن باید ساده باشد ، ترجیحاً توسط API ها (که می تواند از نظر برنامه ای درگیر باشد).

جستجوگران این جریان اطلاعات را به عنوان انگار که برای طلا درآمده است ، می چرخند. روش های مختلفی برای این جستجو وجود دارد: یکی این است که با تولید یک پروفایل جستجوی اکتشافی با استفاده از کلمات کلیدی و اصطلاحات فوکوس نشده استفاده شده در رابطه با کلمات کلیدی دامنه محکم تر ، یک رویکرد از پایین به بالا استفاده کنید. مورد دیگر این است که از مجموعه ای از مباحث بالقوه شروع شود ، به عنوان قاب مرجع مفهوم سازی شود و از ترکیبی از کلمات کلیدی گرفته شده برای نشان دادن آن موضوع گرفته شود.

تفسیر

پس از انجام جمع آوری جستجوگرها ، مجموعه داده های حاصل به گروهی از متخصصان موضوع (SME) برای تفسیر منتقل می شود. این کارشناسان اوت اهمیت سیگنال های ضعیف ، فیلتر کردن نگت های واقعی از طلای احمق را ارزیابی می کنند و سیگنال های ضعیف متصل را به خوشه های مباحث می پردازند. از آنجا ، این مسئله است که به طور آزمایشی مدل های نوظهور را به روندها مدل می کند. این یکی دیگر از نکات تفسیر است ، زیرا تمرکز بر روندهایی خواهد بود که یافته های واقعی یا فرضیات قابل قبول را به روشی منطقی متصل می کند.

ارجاع متقابل

مرحله آخر از تأیید از طریق مراجعه متقابل از هر سیگنال ثانویه ناشی می شود. برای مثال نظری از این فرایند ، شاید برخی از پرونده های ثبت اختراع به شرکتی اشاره کنند که به نوآوری فناوری جدید علاقه مند است. یکی دیگر از ناگت ها نشان می دهد که چگونه یک متخصص در این فناوری اخیراً مشاغل را به این شرکت منتقل کرده است. مجموعه کوچکی از سیگنال های مربوط به موضوع (فناوری) با داده های ماهواره ای تأیید شده است ، جایی که می توان دریافت که حجم اتومبیل در پارکینگ دفتر مرکزی توسعه افزایش یافته است ، و نشان می دهد تعداد بیشتری از کارگران در این زمینه. شاید به زودی این شرکت قصد دارد چیزی را در این فضا منتشر کند که بر بازار حاکم باشد؟

SME ها تعیین می کنند که آیا این نقاط داده رویداد اضافه می شوند ، زیرا نتایج اسکن افق همیشه قابل پیش بینی یا تکرار شونده نیست و نشانه ای از عدم اطمینان بالقوه (و نحوه اندازه گیری آن) بسیار مهم است.

منبع: اقتباس از "در مورد مفاهیم و روشها در اسکن افق: درسهایی از شروع گفتگوهای سیاست در مورد موضوعات نوظهور."

تکنیک ها و روش های اسکن افق سالها در دانشگاه ها ، دولت ها و سازمان های بین المللی مورد مطالعه قرار گرفته است و رویکردهای جدید فناوری را به عنوان پایدار اتخاذ می کند. موفقیت ناشی از تعیین آنچه ثابت است ، چه چیزی تغییر کرده و چه چیزی اغلب تغییر می کند. Discovery Trend Frended ، امکان اتخاذ استراتژی هایی را که از "زمان سرب برای تأثیرگذاری به دست آمده بهره می برد" امکان پذیر می کند. به عنوان مثال ، دولت هلند توانست دو سال قبل از شروع بحران مالی سال 2008 را مشخص کند. چنین تکنیک هایی همچنین مجموعه ای از سناریوهای برنامه ریزی رو به جلو را قادر می سازد تا در یک محیط امن استراتژی های بازی را انجام دهند.

بنابراین ، این چالش است: آیا می توانیم یک طراحی کارآمد را برای خودکار سازی این روند پیچیده و اعمال آن در داده های خبری ابداع کنیم؟برای ساختن سیستمی که می تواند سیگنال های ضعیفی پیدا کند ، آنها را از حالت های قوی متمایز کند ، مباحثی را که با گذشت زمان آنها را تشکیل می دهد ، ردیابی کنید و حتی احتمال ابتلا به سیگنال ضعیف را به یک قوی پیش بینی کنید؟

در مقاله بعدی ، ما فقط با استفاده از روشی که برای رفع چالش هایی که بسیاری از شرکت ها هنگام تلاش برای به حداکثر رساندن ارزش هوش مصنوعی و ML با آن روبرو هستند ، انجام خواهیم داد.

ما با بررسی چگونگی آموختن راه سخت که هیچ سؤال گنگ وجود ندارد ، فقط پاسخ های گنگ و این فرضیات چالش برانگیز منجر به موفقیت بیشتر می شود ، شروع خواهیم کرد.