How can AI Project Opportunities be validated?

 

 

Who are the authors?

1.Gianluca Mauro and Nicolò Valigi cofounded AI Academy, a company that advises on AI strategy and runs workshops teaching the concepts covered in this book.

- Through AI Academy, Gianluca and Nicolò have helped companies, ranging from idea-phase startups to multinational corporations, kick-start their AI journeys.

2.Gianluca has a background in engineering and entrepreneurship. His passion is to use human creativity to explore how technology can build better products and a better society. He thrives to inspire people to do the same by speaking at universities, corporations, and industry conferences. In his free time, he enjoys playing music, practicing martial arts, and lifting weights.(Book Citation)

3.Nicolò likes tinkering with code, robots, and (seemingly) intelligent software. He has worked on the brains of drones, the gears of NASA spacecraft, and helped push bits in self-driving cars. He also regularly presents at international conferences and even more regularly tries to take apart any electronic gadget around him.(Book Citation)

What is the pivotal moment in the authors life?

-In 2014, the authors received a life-changing scholarship to study and work in Silicon Valley, a pivotal moment where they witnessed the birth of modern artificial intelligence (AI). While AI technologies were developing rapidly in Silicon Valley, they returned to Europe to find that the broader business world was lagging in understanding AI's potential. Recognizing the need to democratize AI knowledge, they founded AI Academy, focusing on education and consulting to guide professionals across various industries.

-By 2018, the authors acknowledged that their reach was limited to a small group of companies, while many talented individuals worldwide sought to learn about AI. This inspired them to write a book aimed at helping those struggling with overly technical or sensationalized information about AI.

What is this book about?

1.The book aims to provide practical insights, showcasing how major companies like Google and Amazon utilized AI effectively, while also clarifying its principles and limitations.

2. It emphasizes that understanding AI is crucial for transforming organizations and uncovering new opportunities.

 3.The authors invite readers to become AI leaders and participate in the evolving landscape of technology.

A.Purpose of the Book:

   - Aims to educate readers on using AI in both for-profit and nonprofit organizations.
   - Designed to provide comprehensive insights to boost confidence in implementing AI in various settings.

B. Structure:

   - Divided into two parts with distinct goals:
     - Part 1: Focuses on understanding AI technology and principles.
     - Part 2: Concentrates on organizational strategies for value creation through AI.

C. Target Audience:

   - Aimed at industry experts looking to apply AI as a tool for solving real-world problems.
   - Includes professionals from various roles (CEOs, managers, interns) in large corporations, as well as those from smaller companies and entrepreneurs.

D. Additional Resources:
   - Access to a private web forum for readers to discuss the book and ask questions.

https://livebook.manning.com/book/zero-to-ai/discussion
   - Suggests online courses (e.g., Andrew Ng’s Machine Learning) and university courses for further technical learning.
   - Recommends other literature for business aspects of AI implementation, such as "The Lean Startup" and "The Startup Owner’s Manual."

What is AI?

1. Definition of AI:

   - Artificial Intelligence (AI) refers to intelligent machines that can perform tasks traditionally requiring human intelligence.

2. Historical Context:

   - AI has been an area of interest for decades, evolving from basic computational tools like the abacus to modern applications.
   - The term "artificial intelligence" was coined in 1955 during a research proposal at Dartmouth College.

3. Types of AI:

 - General AI (Strong AI):

-Hypothetical AI capable of performing any intellectual task that a human can. Still a distant goal.
   - Narrow AI:AI designed to perform specific tasks, such as image recognition or language translation.

4. AI Winter:
   - AI research faced several setbacks, notably the first AI winter in the 1970s, where funding and interest declined due to unmet expectations.

5. Machine Learning (ML):

   - Defined by Arthur Samuel in 1959, ML is a branch of AI that enables computers to learn from data without explicit programming.
   - Modern AI relies heavily on machine learning techniques, enabled by the availability of data and increased computing power.

6. Difference Between AI and Data Science:
   - AI: Automates tasks and predicts future events using data.
   - Data Science: Analyzes data to extract insights, often resulting in reports rather than live software applications.

7. Real-World Application:

(We will dive more into these case studies while we answer another question later)

   - Case Study 1: Google and Data Center Efficiency

- Energy Bill Reduction: 40%
- PUE Improvement:
  - Before ML: 1.58 (industry average)
  - After ML: 1.12 (in 2013)
- Achieved Accuracy: 99.6% in predicting PUE
- ML Model Implementation Date: August 2017
- Energy Savings:
  - Initially: 10%
  - After 1 Year: 30%

Case Study 2: Square Capital

- Founded: 2009
- Market Cap: $26 billion (2019)
- Employees:2,300
- Loan Amounts: More than $3.1 billion (2014-2018)
- Delinquency Rate: 4% (half of industry average)
- Loan Repayment Timeline: Must be paid back within 18 months
- Competing with Other Companies: Peer-to-peer lending (e.g., PayPal Working Capital)

These case studies encapsulates the main achievements and outcomes of both companies' case studies in utilizing AI and machine learning to enhance their business strategies.

8. Key Takeaways:
   - AI encompasses a history of both successes and failures since the 1950s.
   - Current AI applications are narrow, focusing on specific tasks rather than general intelligence.
   - Machine learning is the dominant method for AI implementation today.

What does AI for Business mean?

We will answer this question trying to understand, "Artificial Intelligence for Core Business Data"

1. Core Business Data:
   - Defined as data that directly impacts the organization's top or bottom line.
   - Includes order data, human interactions, and critical measurements relevant to the organization's operations
2. Value of Core Business Data:
   - High "dollar density," meaning it strongly influences business performance and value.
   - Examples include transaction histories, operational metrics, and customer engagement data.

3. Structured vs. Unstructured Data:
   - Core business data often takes a structured form (e.g., rows and columns).
   - Examples of structured data include sales records, financial transactions, and performance metrics.

-Examples of Unstructured data include images and written languages

4. Using AI with Core Business Data:
   - AI can significantly enhance operations by leveraging core business data to create automated tools.
   - Example: Future House, an online real estate marketplace, utilizes AI to predict property values based on historical transaction data.

5. Case Studies Highlighting AI Impact:
   - Google's Data Center Efficiency:
     - Jim Gao used machine learning to optimize energy consumption in Google's data centers, achieving a 40% reduction in energy bills.
   - Square's Business Expansion:
     - Square utilized transaction data to create a new line of business, offering low-risk loans to small businesses using machine learning models.

6. Machine Learning as a Solution:
   - Machine learning allows organizations to learn from data autonomously rather than relying solely on predefined rules.
   - Involves two phases: training (feeding the model historical data) and inference (making predictions based on the model).

7. Supervised Learning:
   - A branch of machine learning that uses labeled training data to identify relationships between features and a target variable.
   - Applicable across various industries and problems, making it a versatile tool for AI implementation.

8. Key Takeaways from Case Studies:
   - Successful ML projects require access to quality data and clear objectives.
   - Open-source tools facilitate the development of proof-of-concept (POC) projects.
   - Starting with small, impactful projects lays a foundation for more complex AI initiatives.

Conclusion:
AI, especially when paired with core business data, provides significant opportunities for organizations to streamline operations, enhance decision-making, and generate new revenue streams.


How can other organizations replicate Square's success in utilizing machine learning to enhance their service offerings and optimize financial decision-making?

Summary of "How Square Used AI to Lend Billions to Small Businesses"

1. Square Overview:
   - Founded in 2009 by Jack Dorsey, Square focuses on providing financial services for small businesses.
   - Initially known for its credit card reader, Square has expanded to offer a range of services.

2. Square Capital:
   - Launched in 2014, Square Capital helps small businesses with working capital by offering loans based on transaction data.
   - The loans are integrated into the Square ecosystem, allowing businesses to manage them seamlessly.

3. Innovative Approach:
   - Square uses machine learning on retail transaction datasets to proactively offer loans, achieving a delinquency rate of 4%, which is significantly lower than the industry average.

4. Data Utilization:
   - Square leverages extensive transaction data to evaluate cash flow and size loans appropriately, thus providing tailored financial solutions for small businesses.

5. Comparison to Traditional Banking:
   - Unlike traditional banks, which often overlook small loan requests due to high overhead costs, Square is able to efficiently assess and offer loans using machine learning.

6. Challenges and Criticism:
   - While Square's model has been praised, it has faced criticism for reducing human oversight in lending decisions, leading to transparency issues in the application process.

7. Case Study Comparison:
   - Square's case highlights the successful integration of AI into its existing services, similar to how Google utilized AI to enhance energy efficiency in data centers.

8. Key Takeaways:
   - Both companies demonstrate the significant value that can be derived from applying AI to core business data.
   - The use of machine learning allows for more sophisticated and automated solutions compared to traditional methods.


What is the importance of AI in Sales and Marketing?

1. Importance of AI in Marketing:

   - AI plays a crucial role in enhancing sales and marketing strategies by analyzing customer data and improving engagement.

2. Key Applications of AI:

   - Predicting customer churn to identify those likely to leave services.
   - Targeting customers for up selling opportunities based on buying behavior.
   - Utilizing unsupervised learning for customer segmentation to understand different customer groups.

3. Challenges in Traditional Marketing:
   - Traditional segmentation often treats customers similarly despite individual differences.
   - Difficulty in managing large volumes of data for personalized marketing efforts.

4. AI-Powered Personalization:
   - AI enables detailed personalization at scale, transitioning from broad segments to highly customized marketing messages.

5. Case Studies:

   - Opower: Utilized unsupervised learning to segment energy consumers based on usage patterns and optimize energy consumption.
   - Target: Employed supervised learning to predict customer pregnancies based on purchasing behavior, allowing for early targeted marketing.

6. Churn Prediction:
   - Identifying which customers are likely to leave based on historical data and relevant features to proactively address their needs.

7. Conversion Rate Optimization:

   - AI can predict which customers are likely to upgrade from free to paid services based on historical engagement data.

8. Clustering and Unsupervised Learning:

   - Unsupervised learning helps identify customer segments without predefined labels, enhancing marketing strategies through data-driven insights.

9. Evaluating AI Performance:
   - Understanding key metrics like accuracy, recall, and precision is essential for assessing AI models and their impact on business outcomes.

What ethical considerations should we keep in mind when implementing face recognition technology? How can transfer learning be applied to our existing datasets to improve AI model performance?



1. Role of AI in Media:
   - Images and videos are rich data sources crucial for understanding the world.
   - Deep learning (DL) has enabled significant advancements in computer vision, allowing machines to understand and interpret visual content.

2. Key Applications of AI in Media:
   - Using AI for image classification, including identifying and labeling content in images.
   - Employing deep learning to address challenges in computer vision, such as face detection.
   - Creating original artwork and enhancing multimedia content with AI.

3. Improving User Experience:
   - AI can streamline processes in applications like FutureHouse's home-price-prediction tool, improving customer interaction by automating tasks like image tagging.

4. Image Classification Process:
   - The supervised learning problem involves input images and output labels (room types).
   - Collecting labeled data (images tagged by users) is essential for training models.

5. Deep Learning Advantages:
   - DL algorithms can automatically extract relevant features from raw data without manual input.
   - Neural networks operate by processing inputs through multiple layers, learning complex patterns along the way.

6. Transfer Learning:
   - A technique that allows using pre -trained models on large datasets to enhance performance on small sets of specific data.
   - Reduces the need for extensive labeled datasets by leveraging existing knowledge from other tasks.

7. Face Recognition:
   - Recognizing faces involves supervised classification, where features are extracted to identify individuals.
   - One-shot learning enables models to classify with minimal training data.

8. Content Generation and Style Transfer’s:

   - AI can generate new images or modify existing ones, applying artistic styles from one image to another using deep learning.

9. Challenges and Considerations:
   - Deep learning models are often seen as "black boxes," making it difficult to interpret decisions.
   - Ensuring representativeness of training data is crucial for real-world applications.

What are the main challenges of natural language processing (NLP)? How can sentiment analysis be used effectively?
What is the significance of width and depth in measuring NLP task complexity? How does the example of the real estate brokerage illustrate NLP applications? What are the key factors for a successful NLP project based on the Translated case study?

Let’s dive deeper and answer the above questions:
1- Natural Language Processing (NLP) Goals:
  - Enable computers to understand and generate human language.
  - Overcome the limitations of current technology for seamless human-computer interaction.
2- Challenges of NLP:
  - Difficulties in achieving human-like language understanding and generation.
  - Companies often oversell NLP solutions, leading to unmet expectations.

3- Key Concepts:
  - Width: The diversity of topics a model must handle.
  - Depth: The complexity of the outcomes the model must produce.
  - Tasks with high width and depth increase risk and complexity in NLP projects.

4- Applications of NLP:
  - Sentiment Analysis: Classifying opinions as positive or negative.
  - Text Classification: Tagging reviews based on specific topics.
  - Document Search: Retrieving relevant information based on user queries.

5- Case Studies:
- Case Study1 - Translated:

  - Developed an algorithm to match translators with documents using machine learning.
  - Focused on incremental improvements to build a robust AI-driven translation platform.
  - Emphasized human oversight to maintain quality and address nuances in translations.

-Case Study 2:

According to the authors "The allure of natural language understanding Let’s face it. The way we consume information on the internet has been stuck in an unnatural compromise for a while: we’re still clicking buttons and selecting drop-downs, while in the real world we simply use plain language. Natural language processing is the technology that can allow us to remove this barrier and allow people to use the digital world in the same way they experience the physical one.
Let’s try to imagine how NLP could change the game in the by-now-familiar world of a real estate brokerage website. We’ll put ourselves in the shoes of one of its users: a wealthy startup investor from San Francisco who wants to purchase a home. She wants a big villa with at least four rooms, close to the Highway 101, with a mandatory ocean view.
Right now, when she visits the website, she’s faced with the classical internet portal view we all are used to: a menu, some boxes for prices, location, bedrooms, and a bunch of information for each listing (images, description, and so forth).
Playing with all these buttons, selectors, and drop-downs can feel like being in the cockpit of a jet when all you wanted was a simple answer to this question:
What are the villas in San Francisco that are close to the highway, have an amazing view of the ocean, and at least four bedrooms? I want to visit the best ones this weekend.
93Breaking down NLP: Measuring complexity Every flesh-and-blood broker can answer this question, but we can’t have a dedicated human for every person searching for homes on the internet. But what if we could, thanks to AI, This is the promise of machine language understanding: a superior experience for everyone interacting with a computer, increasing their satisfaction and efficiency, at scale.
You’re already aware that completely matching human capabilities in using lan-guage is out of reach for today’s technology. The way out of this challenge is designing solutions that reduce the complexity to fit the technology available. The first step is understanding and measuring complexity."

6- Key Takeaways for NLP Projects:
  - Understand the limitations of current technology and scope projects accordingly.
  - Start with simpler applications that deliver value and gradually increase complexity.
  - Successfully integrate AI by complementing human skills rather than replacing them.

This structured approach allows for clearer insights into the complexities and opportunities within NLP.

What are recommender systems, their applications, and their impact, and examples?

1- Role of Recommender Systems:
  - Essential for providing personalized experiences in navigating vast catalogs of media, products, and services.
  - Drive user engagement and business growth by suggesting relevant content.
2- The Curse of Choice:
  - Users often feel overwhelmed by excessive choices, leading to frustration.
  - Effective recommender systems help simplify decision-making by providing tailored suggestions.

3- Types of Recommender Systems:
  - Content-Based: Utilizes user’s past interactions with items to recommend similar options, based on defined features.
  - Collaborative Filtering: Matches users with similar tastes and preferences, suggesting items based on community ratings, ignoring specific item attributes.

4- Netflix Case Study:
  - Netflix's recommender system significantly enhances user engagement, accounting for 80% of hours watched.
  - Estimated to save the company over $1 billion annually by reducing customer churn.

5- Limitations and Considerations
  - Content-based recommendations may become repetitive and predictable over time.
  - Collaborative filtering requires a substantial user base to effectively suggest items.

- Data-Driven Insights:
  - Netflix collects extensive user data, allowing it to refine recommendations and improve user experience.
  - The evolution of recommendations is crucial for adapting to changing user preferences and maximizing engagement.



What are the key steps to successfully implement AI within an organization? How can organizations effectively identify, prioritize, and validate AI project opportunities?


- Introduction to Finding AI Opportunities:
 
 1 - Understanding AI Vision vs. AI Project:
    - Differentiates between a broad organizational vision for AI and a specific, actionable AI project.
 
 2 - Scouting for AI Opportunities:

    - Encourages organizations to identify potential AI applications relevant to their operations.
 
 3 - Prioritizing AI Projects:
    - Provides frameworks for deciding which AI projects to pursue based on feasibility and impact.
 
 4 - Breaking Down Complex AI Products:
    - Suggests decomposing intricate AI solutions into smaller, manageable components to facilitate development.
 
  5- Framing Canvas Tool:
    - Introduces the Framing Canvas as a method for translating business requirements into machine learning tasks, ensuring clarity in project objectives.

6- Key Characters in AI Implementation Discussion:
  - Initiator: Drives the AI conversation, often at the executive level.
  - Tech Expert: Focuses on technical aspects of AI, needs balance with business perspectives.
  - Skeptic: Questions the value of AI, potentially leading to resistance in adoption.
  - AI Leader: Guides the team in leveraging AI while ensuring alignment with business goals.

7- Business-Driven AI Innovation:

  - Highlights the importance of training decision-makers on AI capabilities to overcome misconceptions.
  - Stresses the necessity of forming a clear AI vision through hands-on experience and project execution rather than theoretical discussions alone.

8- Three Phases to Define an AI Project:
  A- Invention: Brainstorming and generating initial project ideas.
 B - Prioritization: Evaluating projects based on potential ROI and organizational readiness.
 C - Validation: Assessing risks associated with business and technology to ensure the viability of the AI project.

- Recommendations and Examples:
  a- Success of AI projects is often tied to their potential scalability and accuracy, with examples drawn from industry leaders.
  b- The Framing Canvas serves as a practical tool to articulate project goals, success metrics, and required data sources, streamlining communication with technical teams.


- What are the essential components needed to prepare for an AI project in an organization?

  1-Data Strategy:
    - Stresses the importance of developing a coherent data strategy specific to the AI project rather than a broad organizational strategy.
    - Differentiates between internal data (core and ancillary) and the necessity of collecting, managing, and leveraging data effectively.

  2- Sources of Data:
    - Identifies options for obtaining data:
      - Internal data generated by the organization.
      - Open datasets available for free from government sources or online databases (e.g., Kaggle, GitHub).
      - Purchased datasets from external providers, considering potential long-term dependencies.
    - Highlights the significance of ensuring compliance with legal and ethical standards when using data.

  3- Importance of Labels:
    - Explains that labels are critical for training supervised learning algorithms and must be collected thoughtfully.
    - Labels can be gathered through natural business processes, clever hacks, or by paying for external labeling services.

4-Determining Data Requirements:
  - Discusses guidelines for estimating the amount of data needed based on structured vs. unstructured projects.
  - Emphasizes the balance between the number of examples (rows) and features (columns) in datasets for effective machine learning models.
 
5-Evaluating Data Quality:

  - Warns of biases that may arise from incomplete or misleading data collection practices.
  - Illustrates the consequences of biases through historical examples (e.g., WWII aircraft analysis and skin cancer detection).

6-Recruiting an AI Team:

  - Outlines the essential skill sets needed for a successful AI team:
    - Software Engineering:
For data extraction and infrastructure management.
    - Machine Learning and Data Science:
For algorithm selection and performance evaluation.
    - Advanced Mathematics:
For developing advanced ML models.
  - Recommends recruiting specialists in these areas instead of seeking a single "unicorn" candidate who embodies all skills.

7-Organizational Mindset:

  - Highlights the necessity for organizations to embrace a data-driven mindset, engaging in incremental AI experiments to evolve their AI vision over time.

This comprehensive summary emphasizes critical strategies and considerations for preparing data, technology, and human resources for successful AI project implementation.


What are the essential components for successfully implementing an AI project within an organization?


1- Introduction to AI Project Preparation:

    - Data: Crucial for building machine learning models; needs a coherent data strategy.
    - Model: Selection of a suitable machine learning model is vital, usually handled by the technical team.
    - Talent: Recruiting the right mix of skills is essential for effective implementation.

- Data Strategy:
  - Distinction between organizational data strategy and specific AI project data strategies.
  - Importance of defining the exact data needed for AI projects, including how to collect and manage it.

  - Types of Data:
    - Core Business Data:

Directly linked to revenue and costs (e.g., sales data).

    - Ancillary Data:*Supports business but is not directly tied to main income sources (e.g., user reviews).

- Sources for Data:

  - Internal Data:
Data generated by the organization itself.
  - Open Data: Free datasets available online (e.g., government databases).
  - Purchased Data:Buying data from providers, with considerations for long-term dependencies and quality.

- Importance of Labels:
  - Labels are crucial for training supervised learning algorithms and must be collected thoughtfully.
  - Methods for acquiring labels include natural generation, clever hacks, or hiring for labeling tasks.

- Evaluating Data Requirements:

  - Guidelines for determining how much data is necessary based on structured projects (e.g., regression and classification).
  - Emphasis on having more examples than features to ensure effective model training.

2- Recruiting an AI Team:

  - Identifies three key roles:

    - Software Engineer:
Focuses on infrastructure, data extraction, and integration of ML models.
    - Machine Learning Engineer: Specializes in data analysis, model training, and performance evaluation.
    - AI Researcher:
Develops new algorithms and addresses complex, novel problems.
  - Suggests starting with more generalist roles before hiring specialized talent.

- The Role of Seniority:
  - Senior personnel are crucial for managing complex AI projects, ensuring maintainable code, and preventing pitfalls that can arise from inexperience.

What are the key considerations for implementing an AI project effectively within an organization?

The Authors focus on integrating various components necessary for implementing AI projects, building on previous knowledge of AI tools and strategies.

1  - Building vs. Buying vs. Borrowing:
    - Discusses the trade-offs between building your own AI technology, buying from third-party providers, or borrowing a mix of both.
    - Factors to consider include implementation risks, flexibility, and cost structures associated with each option.

- Buy Option:

  - Refers to turnkey solutions offered by tech providers (MLaaS).
  - Provides quick integration and low development risk but limits control over the underlying technology and potential lock-in effects.

- Borrow Option:

  - Involves using ML platforms to customize existing models with your own data.
  - Offers more flexibility than buying but can still result in dependency on the platform provider.

- Build Option:

  - Necessary when projects require highly specialized solutions.
  - Offers maximum control and flexibility but comes with the highest risk and responsibility for development.

2-Lean AI Strategy:

  - Advocates for a gradual approach to implementing AI projects to minimize risk and waste of resources.
  - Encourages testing ideas early with a minimum viable AI (MVAI) strategy, validating concepts before full-scale implementation.

3-Risks and Challenges:

  - Addresses the importance of acknowledging business and technological risks associated with AI projects.
  - Stresses the value of real-world testing to validate business assumptions and ensure product-market fit.

4-AI Virtuous Cycle:

  - Describes the self-reinforcing loop where improved AI models lead to better products, attracting more users and generating more data to further enhance the models.

5-Managing AI Projects:

  - Highlights the need for effective management practices during the AI project implementation phase.
  - Encourages adopting incremental iteration and continuous learning to adapt to changing requirements and feedback.

6-Practical Examples:

  - Various case studies highlight the significance of testing market interest and ensuring that projects remain aligned with organizational goals.

7- Final Thoughts:
  - Reinforces that successful AI implementation requires collaboration between technical and business stakeholders, underlining the crucial role of leadership in navigating challenges.

What are the key considerations for the future of AI and its impact on society?


  1- Reflection on AI Development:

    - Consolidation of tools and understanding necessary for implementing AI projects.
    - Encouragement to consider the future impact of AI on societal structures over the next 5 to 10 years.

  2-Potential Threats of AI to Society:

    - Commentary on historical precedents of technological optimism overshadowing potential risks.
    - Concerns about the scalability of flawed AI applications and the rapid spread of misinformation.
3-Bias and Fairness:

    - Recognition of biases in AI, including training distribution and labeling biases.
    - Examples illustrate how biased data can lead to flawed AI models, with significant ethical implications.

4-Impact of AI on Jobs:

- Discussion shifts from the notion that "AI will replace human jobs" to "AI will replace human tasks
- Some jobs are more vulnerable, especially repetitive tasks, while others may evolve into AI-assisted roles.

5-AI Filter Bubble:

- Examination of how recommendation algorithms can create filter bubbles, limiting exposure to diverse viewpoints.
- Discussion of instances where AI algorithms amplify extreme content and reinforce narrow perspectives.

6-AI-Generated Content:

- Concerns about the realistic generation of fake content leading to misinformation and ethical dilemmas.
- The arms race between creators of fake content and algorithms designed to identify and mitigate it.

7-Opportunities for AI:

    - Insights into how AI can democratize access to services, enhance operational efficiency, and reshape industries like healthcare, energy, and education.
    - Potential for AI to improve accessibility of knowledge and services, especially in underserved regions.

8-General AI:
  - Reflection on the long-term goal of achieving artificial general intelligence (AGI).
  - Current limitations of AI technologies and skepticism from noted experts regarding their applicability for AGI.

To sum up, the book's aim to empower readers to utilize AI in their organizations and foster meaningful discussions around its implementation. Encouragement for readers to feel equipped and inspired to pursue their AI projects with a critical mindset.

This book encapsulates the key reflections on AI's future and emphasizes the importance of thoughtful engagement with the technology to navigate its implications for society.

من هم المؤلفون؟

1. Gianluca Mauro و Nicolò Valigi هم المؤسسون في أكاديمية AI.
شركة متخصصة في التدريبات والاستشارات.

2. Gianluca Mauro و Nicolò Valigi Cofainted AI Academy ، وهي شركة تنصح باستراتيجية الذكاء الاصطناعي وتدير ورش عمل تقوم بتدريس المفاهيم المغطاة في هذا الكتاب.  من خلال AI Academy ، ساعدت Gianluca و Nicolò الشركات ، بدءًا من الشركات الناشئة في المرحلة إلى الشركات متعددة الجنسيات ، وبدء رحلات الذكاء الاصطناعي.

3.Gianluca: لديه خلفية في الهندسة وريادة الأعمال.  شغفه هو استخدام الإبداع الإنساني لاستكشاف كيف يمكن للتكنولوجيا بناء منتجات أفضل ومجتمع رهان.  إنه يزدهر لإلهام الناس لفعل الشيء نفسه من خلال التحدث في الجامعات ، و COR-Porations ، والمؤتمرات الصناعية.  في وقت فراغه ، يستمتع بتشغيل الموسيقى ، وممارسة فنون القتال ، ورفع الأثقال. (اقتباس الكتاب)


4.nicolò: يحب العبث بالرمز والروبوتات والبرامج الذكية (على ما يبدو).  لقد عمل على أدمغة الطائرات بدون طيار ، وتروس مركبة الفضاء في ناسا ، وساعد في دفع البتات في السيارات ذاتية القيادة.  كما أنه يعرض بانتظام في المؤتمرات الدولية ويحاول بانتظام تفكيك أي أداة إلكترونية من حوله. (استشهاد بالكتاب)



ما هي اللحظة المحورية في حياة المؤلفين؟

في عام 2014 ، تلقى المؤلفون منحة دراسية غيرت الحياة للدراسة والعمل في وادي السيليكون ، وهي لحظة محورية حيث شهدوا ولادة الذكاء الاصطناعي الحديث (AI).  في حين أن تقنيات الذكاء الاصطناعى كانت تتطور بسرعة في وادي السيليكون ، فقد عادوا إلى أوروبا لتجد أن عالم الأعمال الأوسع كان متخلفًا في فهم إمكانات الذكاء الاصطناعي.  وإدراكًا للحاجة إلى ديمقراطية المعرفة من الذكاء الاصطناعي ، أسسوا أكاديمية الذكاء الاصطناعي ، مع التركيز على التعليم والاستشارات لتوجيه المهنيين في مختلف الصناعات.

بحلول عام 2018 ، أقر المؤلفون أن وصولهم كان يقتصر على مجموعة صغيرة من الشركات ، في حين سعى العديد من الأفراد الموهوبين في جميع أنحاء العالم إلى التعرف على الذكاء الاصطناعي.  ألهمهم ذلك لكتابة كتاب يهدف إلى مساعدة أولئك الذين يكافحون من خلال المعلومات الفنية أو المثيرة المفرطة حول الذكاء الاصطناعي.

ما هو ملخص الكتاب؟

يهدف الكتاب إلى توفير رؤى عملية ، وعرض كيف استخدمت الشركات الرئيسية مثل Google و Amazon الذكاء الاصطناعي بشكل فعال ، مع توضيح مبادئها وقيودها.  ويؤكد أن فهم الذكاء الاصطناعي أمر بالغ الأهمية لتحويل المنظمات والكشف عن فرص جديدة.  يدعو المؤلفون القراء إلى أن يصبحوا قادة منظمة العفو الدولية والمشاركة في المشهد المتطور للتكنولوجيا

1. غرض الكتاب:
    - يهدف إلى تثقيف القراء حول استخدام الذكاء الاصطناعى في كل من المنظمات الربحية وغير الربحية.
    - مصمم لتوفير رؤى شاملة لزيادة الثقة في تنفيذ الذكاء الاصطناعي في إعدادات مختلفة.

2. الهيكل:
    - مقسمة إلى جزأين بأهداف متميزة:
      - الجزء 1: يركز على فهم تقنية الذكاء الاصطناعي والمبادئ.
      - الجزء 2: يركز على الاستراتيجيات التنظيمية لخلق القيمة من خلال الذكاء الاصطناعي.

3. الجمهور المستهدف:
    - يهدف خبراء الصناعة الذين يتطلعون إلى تطبيق الذكاء الاصطناعي كأداة لحل مشاكل العالم الحقيقي.
    - يشمل محترفين من مختلف الأدوار (الرؤساء التنفيذيين والمديرين والمتدربين) في الشركات الكبيرة ، وكذلك الأشخاص من الشركات الأصغر ورجال الأعمال.

4. موارد إضافية:
    - الوصول إلى منتدى ويب خاص للقراء لمناقشة الكتاب وطرح الأسئلة.
    - يقترح الدورات التدريبية عبر الإنترنت (على سبيل المثال ، التعلم الآلي في Andrew NG) والدورات الجامعية لمزيد من التعلم التقني.
    - يوصي الأدب الآخر للجوانب التجارية بتنفيذ الذكاء الاصطناعي ، مثل "بدء التشغيل الهزيل" و "دليل مالك بدء التشغيل".

5. دعوة إلى العمل:
    - يشجع القراء على الانضمام إلى ثورة الذكاء الاصطناعي من خلال تجهيز أنفسهم بالمعرفة حول قدرات الذكاء الاصطناعي والتطبيقات.

يلتقط هذا الملخص المنظم العناصر الأساسية لـ "صفر إلى الذكاء الاصطناعى" وهدفها إلى مساعدة المهنيين على الاستفادة من الذكاء الاصطناعي بفعالية في منظماتهم.

.
.
https://livebook.manning.com/book/zero-to-ai/discussion. ; يمكنك أيضًا معرفة المزيد عن منتديات Manning وقواعد السلوك في https://livebook.manning.com/ #!/مناقشة.


ما هو الذكاء الاصطناعي؟

ملخص "مقدمة للذكاء الاصطناعي"

1. تعريف الذكاء الاصطناعي:
    - يشير الذكاء الاصطناعي (AI) إلى الآلات الذكية التي يمكن أن تؤدي المهام التي تتطلب تقليديًا الذكاء البشري.

2. السياق التاريخي:
    - كانت الذكاء الاصطناعى مجال اهتمام لعقود من الزمن ، وتطور من الأدوات الحسابية الأساسية مثل Abacus إلى التطبيقات الحديثة.
    - تم صياغة مصطلح "الذكاء الاصطناعي" في عام 1955 خلال اقتراح بحثي في ​​كلية دارتموث.

3. أنواع الذكاء الاصطناعي:

    - منظمة العفو الدولية العامة (AI قوية): AI افتراضية قادرة على أداء أي مهمة فكرية يمكن للإنسان.  لا يزال هدفا بعيدا.
    - ضيقة الذكاء الاصطناعي: AI مصمم لأداء مهام محددة ، مثل التعرف على الصور أو ترجمة اللغة.

4. شتاء الذكاء الاصطناعي:
    - واجهت أبحاث الذكاء الاصطناعي العديد من النكسات ، لا سيما أول فصل الشتاء الذكاء الاصطناعي في السبعينيات ، حيث انخفض التمويل والفائدة بسبب التوقعات غير الملباة.

5. التعلم الآلي (ML):
    - تم تعريفه بواسطة آرثر صموئيل في عام 1959 ، ML هو فرع من الذكاء الاصطناعى يمكّن أجهزة الكمبيوتر من التعلم من البيانات دون برمجة صريحة.
    - يعتمد الذكاء الاصطناعى الحديث اعتمادًا كبيرًا على تقنيات التعلم الآلي ، ويمكّنه توافر البيانات وزيادة قوة الحوسبة.

6. الفرق بين الذكاء الاصطناعي وعلوم البيانات:
    - الذكاء الاصطناعي: أتمتة المهام ويتوقع الأحداث المستقبلية باستخدام البيانات.
    - علم البيانات: تحليل البيانات لاستخراج رؤى ، وغالبًا ما يؤدي إلى تقارير بدلاً من تطبيقات البرامج الحية.

7. منهجية التدريس:

    - يؤكد الكتاب على فهم مبادئ AI الأساسية ، مع التركيز على أنواع البيانات ذات الصلة بتطبيقات الذكاء الاصطناعي.
    - يقدم كل فصل مفاهيم ML من خلال أمثلة عملية لتسهيل التعلم.

8. تطبيق العالم الحقيقي:

    - دراسة الحالة 1: كفاءة Google ومركز البيانات

- تخفيض فاتورة الطاقة: 40 ٪
- تحسين بوي:
   - قبل ML **: 1.58 (متوسط ​​الصناعة)
   - بعد مل: 1.12 (في عام 2013)
- حقق الدقة **: 99.6 ٪ في التنبؤ بالفلو
- ML Model Depanization تاريخ: أغسطس 2017
- وفورات الطاقة:
   - في البداية: 10 ٪
   - بعد سنة واحدة: 30 ٪

  دراسة الحالة 2: رأس المال المربع
- تأسست: 2009
- الحد الأقصى للسوق: 26 مليار دولار (2019)
- الموظفين ؛ 2،300
- مبالغ القرض **: أكثر من 3.1 مليار دولار (2014-2018)
- معدل الجنوح: 4 ٪ (نصف متوسط ​​الصناعة)
- الجدول الزمني لسداد القرض: يجب سداده في غضون 18 شهرًا
-التنافس مع الشركات الأخرى: إقراض نظير إلى نظير (على سبيل المثال ، رأس المال العامل PayPal)

هذه دراسات الحالة تغلف الإنجازات والنتائج الرئيسية لدراسات الحالة في كلتا الشركتين في استخدام الذكاء الاصطناعي والتعلم الآلي لتعزيز استراتيجيات أعمالهما.


9. ** الوجبات السريعة:
    - تشمل الذكاء الاصطناعي تاريخًا من النجاحات والفشل منذ الخمسينيات.
    - تطبيقات الذكاء الاصطناعى الحالية ضيقة ، مع التركيز على مهام محددة بدلاً من الذكاء العام.
    - التعلم الآلي هو الطريقة السائدة لتنفيذ الذكاء الاصطناعي اليوم.


ماذا يعني الذكاء الاصطناعي للعمل؟
ملخص "الذكاء الاصطناعي لبيانات الأعمال الأساسية"

1. بيانات الأعمال الأساسية:
    - تم تعريفها على أنها البيانات التي تؤثر بشكل مباشر على أعلى أو القاع للمؤسسة.
    - يتضمن بيانات الطلب والتفاعلات البشرية والقياسات الحرجة ذات الصلة بعمليات المنظمة
2. قيمة بيانات الأعمال الأساسية:
    - "كثافة الدولار" عالية ، مما يعني أنه يؤثر بشدة على أداء الأعمال وقيمتها.
    - تشمل الأمثلة تاريخ المعاملات والمقاييس التشغيلية وبيانات مشاركة العملاء.

3. بيانات منظمة مقابل غير منظمة:
    - غالبًا ما تأخذ بيانات الأعمال الأساسية نموذجًا منظمًا (على سبيل المثال ، الصفوف والأعمدة).
    - تشمل أمثلة البيانات المهيكلة سجلات المبيعات والمعاملات المالية ومقاييس الأداء.

4. استخدام الذكاء الاصطناعى مع بيانات الأعمال الأساسية:
    - يمكن لمنظمة العفو الدولية تعزيز العمليات بشكل كبير عن طريق الاستفادة من بيانات الأعمال الأساسية لإنشاء أدوات آلية.
    - مثال: يستخدم FutureHouse ، وهو سوق عقارات عبر الإنترنت ، الذكاء الاصطناعي للتنبؤ بقيم الممتلكات بناءً على بيانات المعاملة التاريخية.

5. دراسات الحالة التي تسليط الضوء على تأثير الذكاء الاصطناعي:
    - كفاءة مركز البيانات في Google:
      - استخدم Jim Gao التعلم الآلي لتحسين استهلاك الطاقة في مراكز بيانات Google ، مما حقق انخفاضًا بنسبة 40 ٪ في فواتير الطاقة.
    - توسع أعمال سكوير:
      - بيانات المعاملات المستخدمة المربعة لإنشاء خط جديد من الأعمال ، وتقديم قروض منخفضة المخاطر للشركات الصغيرة باستخدام نماذج التعلم الآلي.

6. التعلم الآلي كحل:
    - يسمح التعلم الآلي للمؤسسات بالتعلم من البيانات بشكل مستقل بدلاً من الاعتماد فقط على القواعد المحددة مسبقًا.
    - يتضمن مرحلتين: التدريب (تغذية البيانات التاريخية النموذجية) والاستدلال (إجراء التنبؤات بناءً على النموذج).

7. التعلم الخاضع للإشراف:
    - فرع من التعلم الآلي الذي يستخدم بيانات التدريب المسمى لتحديد العلاقات بين الميزات والمتغير المستهدف.
    - ينطبق على مختلف الصناعات والمشاكل ، مما يجعلها أداة متعددة الاستخدامات لتنفيذ الذكاء الاصطناعي.

8. الوجبات الرئيسية من دراسات الحالة:
    - تتطلب مشاريع ML الناجحة الوصول إلى بيانات الجودة والأهداف الواضحة.
    -تسهل أدوات المصدر المفتوح تطوير مشاريع إثبات المفهوم (POC).
    - بدءًا من المشاريع الصغيرة المؤثرة يضع أساسًا لمبادرات الذكاء الاصطناعى الأكثر تعقيدًا.

  خاتمة:
توفر الذكاء الاصطناعي ، خاصة عند إقرانها مع بيانات الأعمال الأساسية ، فرصًا كبيرة للمؤسسات لتبسيط العمليات ، وتعزيز اتخاذ القرارات ، وتوليد تدفقات إيرادات جديدة.


كيف يمكن للمنظمات الأخرى تكرار نجاح Square في استخدام التعلم الآلي لتعزيز عروض الخدمات الخاصة بهم وتحسين اتخاذ القرارات المالية؟


ملخص "كيف استخدم مربع الذكاء الاصطناعي لإقراض مليارات الشركات للشركات الصغيرة"

1. نظرة عامة مربعة:
    - تأسست في عام 2009 من قبل جاك دورسي ، يركز سكوير على توفير الخدمات المالية للشركات الصغيرة.
    - معروف في البداية بقارئ بطاقات الائتمان ، توسعت Square لتقديم مجموعة من الخدمات.

2. رأس المال المربع:
    - تم إطلاقه في عام 2014 ، يساعد Square Capital الشركات الصغيرة ذات رأس المال العامل من خلال تقديم قروض بناءً على بيانات المعاملات.
    - يتم دمج القروض في النظام البيئي المربع ، مما يسمح للشركات بإدارتها بسلاسة.

3. النهج المبتكر:
    - يستخدم Square التعلم الآلي على مجموعات بيانات معاملات البيع بالتجزئة لتقديم قروض بشكل استباقي ، مما يحقق معدل جنوح قدره 4 ٪ ، وهو أقل بكثير من متوسط ​​الصناعة.

4. استخدام البيانات:
    - يعزز Square بيانات معاملات واسعة لتقييم التدفق النقدي وقروض الحجم بشكل مناسب ، وبالتالي توفير حلول مالية مخصصة للشركات الصغيرة.

5. مقارنة مع الخدمات المصرفية التقليدية:
    - على عكس البنوك التقليدية ، التي غالباً ما تغفل عن طلبات القروض الصغيرة بسبب ارتفاع التكاليف العامة ، فإن Square قادر على تقييم القروض وتقديمها بكفاءة باستخدام التعلم الآلي.

6. التحديات والنقد:
    - في حين تم الإشادة بنموذج Square ، فقد واجه انتقادات للحد من الرقابة البشرية في قرارات الإقراض ، مما أدى إلى مشكلات الشفافية في عملية التقديم.

7. مقارنة دراسة الحالة:
    - تبرز حالة Square's Case التكامل الناجح لـ AI في خدماتها الحالية ، على غرار كيفية استخدام Google AI لتعزيز كفاءة الطاقة في مراكز البيانات.

8. الوجبات الرئيسية:
    - تُظهر كلتا الشركتين القيمة الكبيرة التي يمكن اشتقاقها من تطبيق الذكاء الاصطناعي على بيانات الأعمال الأساسية.
    - يتيح استخدام التعلم الآلي حلولًا أكثر تطوراً وأتمتة مقارنة بالطرق التقليدية.


ما هي أهمية الذكاء الاصطناعي في المبيعات والتسويق؟

1. أهمية الذكاء الاصطناعي في التسويق:

    - تلعب الذكاء الاصطناعي دورًا مهمًا في تعزيز استراتيجيات المبيعات والتسويق من خلال تحليل بيانات العملاء وتحسين المشاركة.

2. التطبيقات الرئيسية لـ AI:

    - التنبؤ بتشويش العميل لتحديد أولئك الذين يحتمل أن يتركوا الخدمات.
    - استهداف العملاء لفرص البيع على أساس سلوك الشراء.
    - استخدام التعلم غير الخاضع للإشراف لتجزئة العملاء لفهم مجموعات العملاء المختلفة.

3. التحديات في التسويق التقليدي:
    - غالبًا ما يعامل التجزئة التقليدية العملاء بالمثل على الرغم من الفروق الفردية.
    - صعوبة في إدارة كميات كبيرة من البيانات لجهود التسويق الشخصية.

4.
    - تتيح الذكاء الاصطناعي التخصيص التفصيلي على نطاق واسع ، والانتقال من قطاعات عريضة إلى رسائل تسويقية مخصصة للغاية.

5. دراسات الحالة:
    - OPOWER: التعلم غير الخاضع للإشراف لتقسيم مستهلكي الطاقة بناءً على أنماط الاستخدام وتحسين استهلاك الطاقة.
    - الهدف: التعلم الخاضع للإشراف للتنبؤ بحمل العملاء على أساس سلوك الشراء ، مما يسمح بالتسويق المستهدف المبكر.

6. التنبؤ بالقرن:
    - تحديد العملاء الذين يحتمل أن يتركوا بناءً على البيانات التاريخية والميزات ذات الصلة لتلبية احتياجاتهم بشكل استباقي.

7. تحسين معدل التحويل:

    - يمكن لمنظمة العفو الدولية التنبؤ بالعملاء الذين يحتمل أن يتراجعوا من الخدمات المجانية إلى الخدمات المدفوعة بناءً على بيانات المشاركة التاريخية.

8. التعلم التجميع والتعلم غير الخاضع للإشراف:

    - يساعد التعلم غير الخاضع للإشراف في تحديد قطاعات العملاء دون تسميات محددة مسبقًا ، مما يعزز استراتيجيات التسويق من خلال رؤى تعتمد على البيانات.

9. تقييم أداء الذكاء الاصطناعي:
    - يعد فهم المقاييس الرئيسية مثل الدقة والاستدعاء والدقة ضرورية لتقييم نماذج الذكاء الاصطناعي وتأثيرها على نتائج الأعمال.

### أسئلة للتفكير:
1. كيف يمكن للاستفادة من الذكاء الاصطناعي لتجزئة العملاء تحسين استراتيجيات التسويق في مؤسستي؟
2. ما هي التحديات المحتملة التي قد تنشأ من تنفيذ تكتيكات التسويق التي تحركها الذكاء الاصطناعي؟
3. كيف يمكنني التأكد من أن تطبيقات الذكاء الاصطناعى تظل أخلاقية ومحترمة لخصوصية العميل مع تحقيق استهداف فعال؟

ما هي الاعتبارات الأخلاقية التي يجب أن نضعها في الاعتبار عند تنفيذ تقنية التعرف على الوجه؟ كيف يمكن تطبيق التعلم النقل على مجموعات البيانات الحالية لتحسين أداء نموذج الذكاء الاصطناعي؟

  ملخص "منظمة العفو الدولية لوسائل الإعلام

1. دور الذكاء الاصطناعي في وسائل الإعلام:
    - الصور ومقاطع الفيديو هي مصادر بيانات غنية ضرورية لفهم العالم.
    - مكّن التعلم العميق (DL) تقدمًا كبيرًا في رؤية الكمبيوتر ، مما يسمح للآلات بفهم المحتوى البصري وتفسيره.

2. التطبيقات الرئيسية لمنظمة العفو الدولية في وسائل الإعلام:
    - باستخدام الذكاء الاصطناعي لتصنيف الصور ، بما في ذلك تحديد المحتوى ووضع العلامات في الصور.
    - توظيف التعلم العميق لمعالجة التحديات في رؤية الكمبيوتر ، مثل اكتشاف الوجه.
    - إنشاء عمل فني أصلي وتعزيز محتوى الوسائط المتعددة مع الذكاء الاصطناعي.

3. تحسين تجربة المستخدم:
    -يمكن لمنظمة العفو الدولية تبسيط العمليات في تطبيقات مثل أداة التسهيل المنزلية في FutureHouse ، مما يؤدي إلى تحسين تفاعل العملاء من خلال أتمتة المهام مثل وضع علامة على الصور.

4. عملية تصنيف الصور:
    - تشتمل مشكلة التعلم الخاضعة للإشراف على صور الإدخال وملصقات الإخراج (أنواع الغرف).
    - جمع البيانات المسمى (الصور الموسومة من قبل المستخدمين) أمر ضروري لنماذج التدريب.

5. مزايا التعلم العميق:
    - يمكن خوارزميات DL تلقائيًا استخراج الميزات ذات الصلة من البيانات الخام دون إدخال يدوي.
    - تعمل الشبكات العصبية عن طريق معالجة المدخلات من خلال طبقات متعددة ، وتعلم أنماط معقدة على طول الطريق.

6. نقل التعلم:
    - تقنية تسمح باستخدام نماذج مسبقة على مجموعات البيانات الكبيرة لتعزيز الأداء على مجموعات صغيرة من بيانات محددة.
    - يقلل من الحاجة إلى مجموعات بيانات مكثفة من خلال الاستفادة من المعرفة الحالية من المهام الأخرى.

7. التعرف على الوجه:
    - يتضمن الاعتراف بالوجوه تصنيفًا خاضعًا للإشراف ، حيث يتم استخراج الميزات لتحديد الأفراد.
    - يمكّن التعلم ذو اللقطة الواحدة النماذج من التصنيف مع الحد الأدنى من بيانات التدريب.

8. توليد المحتوى ونقل النمط: أنا

    - يمكن لـ AI إنشاء صور جديدة أو تعديل الصور الموجودة ، وتطبيق أنماط فنية من صورة إلى أخرى باستخدام التعلم العميق.

9. التحديات والاعتبارات:
    - غالبًا ما يُنظر إلى نماذج التعلم العميقة على أنها "صناديق سوداء" ، مما يجعل من الصعب تفسير القرارات.
    - ضمان تمثيل بيانات التدريب أمر بالغ الأهمية للتطبيقات الواقعية.

### أسئلة للتفكير:
1. كيف يمكن لمؤسست بلدي الاستفادة من التعلم العميق لتعزيز المنتجات أو الخدمات المتعلقة بالوسائط؟
2. ما هي الاعتبارات الأخلاقية التي يجب أن نضعها في الاعتبار عند تنفيذ تكنولوجيا التعرف على الوجه؟
3. كيف يمكن تطبيق التعلم النقل على مجموعات البيانات الحالية لتحسين أداء نموذج الذكاء الاصطناعي؟

### أسئلة
- ما هي التحديات الرئيسية لتجهيز اللغة الطبيعية (NLP)؟
- كيف يمكن استخدام تحليل المشاعر بفعالية؟
- ما هي أهمية العرض والعمق في قياس تعقيد مهمة NLP؟
- كيف يوضح مثال وساطة العقارات تطبيقات NLP؟
- ما هي العوامل الرئيسية لمشروع NLP الناجح بناءً على دراسة الحالة المترجمة؟

### ملخص
- أهداف معالجة اللغة الطبيعية (NLP):
   - تمكين أجهزة الكمبيوتر من فهم اللغة البشرية وتوليدها.
   - التغلب على القيود المفروضة على التكنولوجيا الحالية للتفاعل السلس للحواسبات البشرية.

- تحديات NLP:
   - الصعوبات في تحقيق فهم اللغات البشرية وتوليدها.
   - غالبًا ما تفرط الشركات في حلول NLP ، مما يؤدي إلى توقعات غير الملباة.

- المفاهيم الرئيسية:
   - العرض: تنوع الموضوعات التي يجب أن يتعامل معها النموذج.
   - العمق: تعقيد النتائج التي يجب أن ينتجها النموذج.
   - المهام ذات العرض العالي والعمق تزيد من المخاطر والتعقيد في مشاريع NLP.

- تطبيقات NLP:
   - تحليل المشاعر: تصنيف الآراء على أنها إيجابية أو سلبية.
   - تصنيف النص: العلامات على مراجعات بناء على مواضيع محددة.
   - بحث المستند: استرداد المعلومات ذات الصلة بناءً على استفسارات المستخدم.

- دراسة الحالة 1 - ترجم:

   - طورت خوارزمية لمطابقة المترجمين مع المستندات باستخدام التعلم الآلي.
   - تركز على التحسينات الإضافية لبناء منصة ترجمة قوية يحركها AI.
   - أكد الرقابة البشرية على الحفاظ على الجودة ومعالجة الفروق الدقيقة في الترجمات.

دراسة الحالة 2-

وفقًا للمؤلفين "، فإن جاذبية فهم اللغة الطبيعية دعنا نواجه الأمر. الطريقة التي نستهلك بها المعلومات على الإنترنت قد تعثرت في حل وسط غير طبيعي لفترة من الوقت: ما زلنا نضغط على الأزرار واختيار المنسدلة ، بينما في العالم الحقيقي ، نستخدم ببساطة لغة بسيطة. معالجة اللغة الطبيعية هي التكنولوجيا التي يمكن أن تمنع هذا الحاجز والسماح للأشخاص باستخدام العالم الرقمي في نفس الوقت.
  دعونا نحاول أن نتخيل كيف يمكن لـ NLP تغيير اللعبة في العالم المألوف لموقع ويب للوساطة العقارية.  سنضع أنفسنا في أحذية أحد مستخدميها: مستثمر ثري من شركة San Francisco يريد شراء منزل.  إنها تريد فيلا كبيرة مع أربع غرف على الأقل ، بالقرب من الطريق السريع 101 ، مع إطلالة على المحيط الإلزامية.
  في الوقت الحالي ، عندما تزور موقع الويب ، تواجه عرض بوابة الإنترنت الكلاسيكية ، نستخدم جميعًا: قائمة ، وبعض الصناديق للأسعار ، والموقع ، وغرف النوم ، ومجموعة من المعلومات لكل قائمة (الصور ، والوصف ، وما إلى ذلك).
  يمكن أن تشعر باللعب مع كل هذه الأزرار والمحددات والمقاطع المنسدلة وكأنها في قمرة القيادة الخاصة بطائرة عندما كان كل ما تريده إجابة بسيطة على هذا السؤال:
ما هي الفيلات في سان فرانسيسكو القريبة من الطريق السريع ، ولديها منظر رائع للمحيط ، وأربع غرف نوم على الأقل؟  أريد زيارة أفضلها في نهاية هذا الأسبوع.
93 ، يمكن أن يتجاهل القياس التعقيد كل وسيط اللحم والدم الإجابة على هذا السؤال ، لكن لا يمكن أن يكون لدينا إنسان مخصص لكل شخص يبحث عن منازل على الإنترنت.  ولكن ماذا لو استطعنا ، بفضل الذكاء الاصطناعي؟  هذا هو الوعد بفهم لغة الآلة: تجربة متفوقة لكل شخص يتفاعل مع الكمبيوتر ، وزيادة رضاهم وكفاءته ، على نطاق واسع.
  أنت تدرك بالفعل أن مطابقة القدرات البشرية تمامًا في استخدام LAN-GUAGE بعيدة المنال لتكنولوجيا اليوم.  تتمثل الطريق في هذا التحدي في تصميم الحلول التي تقلل من التعقيد لتناسب التكنولوجيا المتاحة.  الخطوة الأولى هي فهم وقياس التعقيد ".

- الوجبات الرئيسية لمشاريع NLP:
   - فهم قيود التكنولوجيا الحالية ونطاق المشاريع وفقًا لذلك.
   - ابدأ بتطبيقات أبسط توفر القيمة وزيادة التعقيد تدريجياً.
   - دمج الذكاء الاصطناعي بنجاح من خلال استكمال المهارات الإنسانية بدلاً من استبدالها.

يتيح هذا النهج المنظم رؤى أوضح في التعقيدات والفرص داخل NLP.

### أسئلة
- ما هي الوظائف الرئيسية لأنظمة التوصية في التجارب الشخصية؟
- كيف تختلف أساليب التصفية المستندة إلى المحتوى والتعاون؟
- ما هي التحديات التي تواجهها توصيات الخوارزمية؟
- كيف استفاد Netflix من نظام التوصية لتوفير أكثر من مليار دولار سنويًا؟

### ملخص
- ** دور أنظمة التوصية: **
   - ضروري لتوفير تجارب مخصصة في التنقل في كتالوجات واسعة من الوسائط والمنتجات والخدمات.
   - دفع مشاركة المستخدم ونمو الأعمال من خلال اقتراح المحتوى ذي الصلة.

- ** لعنة الاختيار: **
   - غالبًا ما يشعر المستخدمون بالإرهاق من الخيارات المفرطة ، مما يؤدي إلى الإحباط.
   - تساعد أنظمة التوصية الفعالة في تبسيط اتخاذ القرارات من خلال تقديم اقتراحات مخصصة.

- ** أنواع أنظمة التوصية: **
   - ** المستند إلى المحتوى: ** يستخدم تفاعلات المستخدم السابقة مع العناصر التي توصي بخيارات مماثلة ، استنادًا إلى الميزات المحددة.
   - ** التصفية التعاونية: ** يطابق المستخدمين بأذواق وتفضيلات مماثلة ، مما يشير إلى عناصر تعتمد على تصنيفات المجتمع ، وتجاهل سمات العناصر المحددة.

- ** دراسة حالة Netflix: **
   - نظام التوصية الخاص بـ Netflix يعزز مشاركة المستخدم بشكل كبير ، وهو ما يمثل 80 ٪ من الساعات التي تمت مشاهدتها.
   - يقدر بتوفير الشركة التي تزيد عن مليار دولار سنويًا عن طريق تقليل مضرب العملاء.

- ** القيود والاعتبارات: **
   - قد تصبح التوصيات القائمة على المحتوى متكررة ويمكن التنبؤ بها مع مرور الوقت.
   - يتطلب التصفية التعاونية قاعدة مستخدمين كبيرة لاقتراح العناصر بشكل فعال.

- ** رؤى تعتمد على البيانات: **
   - يجمع Netflix بيانات مستخدم واسعة ، مما يسمح لها بتحسين التوصيات وتحسين تجربة المستخدم.
   - تطور التوصيات أمر بالغ الأهمية للتكيف مع تفضيلات المستخدم وزيادة المشاركة.

يبرز هذا الملخص المنظم النقاط الرئيسية حول أنظمة التوصية وتطبيقاتها وتأثيرها ، خاصة من خلال مثال Netflix.


### سؤال
- ما هي الخطوات الرئيسية لتنفيذ الذكاء الاصطناعي بنجاح داخل المنظمة؟


  سؤال
- كيف يمكن للمنظمات تحديد فرص مشروع الذكاء الاصطناعى وتحديد أولوياتها بشكل فعال؟


- مقدمة لإيجاد فرص الذكاء الاصطناعي:
   - يؤكد هذا الفصل على الخطوات الأولية في ابتكار الذكاء الاصطناعي ، مما يشبه التعلم الآلي إلى صندوق أدوات مع مختلف الأدوات لبناء المنتجات.
   - يركز على تحديد ما يجب إنشاؤه باستخدام أدوات الذكاء الاصطناعي وكيفية تنفيذها بفعالية.

- مواضيع رئيسية مغطاة:
   - فهم رؤية الذكاء الاصطناعي مقابل مشروع الذكاء الاصطناعي:
     - يميز بين رؤية تنظيمية واسعة لمشروع الذكاء الاصطناعى المحدد والقابل للتنفيذ.
 
   - الكشفية لفرص الذكاء الاصطناعي:

     - يشجع المنظمات على تحديد تطبيقات الذكاء الاصطناعي المحتملة ذات الصلة بعملياتها.
 
   - إعطاء الأولوية لمشاريع الذكاء الاصطناعي:
     - يوفر أطر عمل لتحديد مشاريع الذكاء الاصطناعى التي يجب متابعتها بناءً على الجدوى والتأثير.
 
   - تحطيم منتجات AI المعقدة:
     - يقترح تحلل حلول الذكاء الاصطناعي المعقدة إلى مكونات أصغر يمكن التحكم فيها لتسهيل التطوير.
 
   - أداة تأطير القماش:
     - يقدم قماش الإطارات كطريقة لترجمة متطلبات العمل إلى مهام التعلم الآلي ، وضمان الوضوح في أهداف المشروع.

- الشخصيات الرئيسية في مناقشة تنفيذ الذكاء الاصطناعي:
   - البادئ: يقود محادثة الذكاء الاصطناعي ، وغالبًا على المستوى التنفيذي.
   - خبير التكنولوجيا: يركز على الجوانب الفنية لمنظمة العفو الدولية ، يحتاج إلى توازن مع وجهات نظر العمل.
   - المتشكك: أسئلة قيمة الذكاء الاصطناعي ، مما قد يؤدي إلى المقاومة في التبني.
   - قائد الذكاء الاصطناعي: يرشد الفريق في الاستفادة من الذكاء الاصطناعي مع ضمان التوافق مع أهداف العمل.

- ابتكار الذكاء الاصطناعي الذي يحركه الأعمال:

   - يسلط الضوء على أهمية تدريب صانعي القرار على قدرات الذكاء الاصطناعي للتغلب على المفاهيم الخاطئة.
   - يشدد على ضرورة تشكيل رؤية واضحة من خلال الخبرة العملية وتنفيذ المشروع بدلاً من المناقشات النظرية وحدها.

- ثلاث مراحل لتحديد مشروع الذكاء الاصطناعي:
   - الاختراع: العصف الذهني وتوليد أفكار المشروع الأولية.
   - تحديد الأولويات: تقييم المشاريع على أساس العائد على الاستثمار المحتملة والاستعداد التنظيمي.
   - التحقق من الصحة: ​​تقييم المخاطر المرتبطة بالأعمال والتكنولوجيا لضمان صلاحية مشروع الذكاء الاصطناعي.

- التوصيات والأمثلة:
   - غالبًا ما يرتبط نجاح مشاريع الذكاء الاصطناعى بقابلية التوسع ودقتها المحتملة ، مع أمثلة مستمدة من قادة الصناعة.
   - تعمل Canvas الإطار كأداة عملية لتوضيح أهداف المشروع ومقاييس النجاح ومصادر البيانات المطلوبة ، وتبسيط التواصل مع الفرق الفنية.

توضح هذه النظرة العامة أهمية الأساليب المنظمة لتنفيذ الذكاء الاصطناعي والمكونات الحرجة التي تسهم في استراتيجية منظمة العفو الدولية الناجحة داخل المنظمات.

  سؤال
- ما هي المكونات الأساسية اللازمة للتحضير لمشروع الذكاء الاصطناعي في المنظمة؟
   استراتيجية البيانات 1:
     - يؤكد على أهمية تطوير استراتيجية بيانات متماسكة خاصة بمشروع الذكاء الاصطناعي بدلاً من استراتيجية تنظيمية واسعة.
     - يميز بين البيانات الداخلية (الأساسية والإضافية) وضرورة جمع البيانات وإدارتها والاستفادة منها بشكل فعال.

   2- مصادر البيانات:
     - يحدد خيارات الحصول على البيانات:
       - البيانات الداخلية التي تم إنشاؤها بواسطة المنظمة.
       - فتح مجموعات البيانات المتاحة مجانًا من المصادر الحكومية أو قواعد البيانات عبر الإنترنت (على سبيل المثال ، Kaggle ، Github).
       - مجموعات البيانات التي تم شراؤها من مقدمي الخدمات الخارجية ، مع الأخذ في الاعتبار التبعيات المحتملة على المدى الطويل.
     - يسلط الضوء على أهمية ضمان الامتثال للمعايير القانونية والأخلاقية عند استخدام البيانات.

   3- أهمية الملصقات:
     - يوضح أن الملصقات ضرورية لتدريب خوارزميات التعلم الخاضعة للإشراف ويجب جمعها بعناية.
     - يمكن جمع الملصقات من خلال العمليات التجارية الطبيعية ، أو الاختراقات الذكية ، أو عن طريق دفع مقابل خدمات وضع العلامات الخارجية.

4 متطلبات البيانات المحددة:
   - يناقش إرشادات لتقدير مقدار البيانات اللازمة بناءً على المشاريع المنظمة مقابل غير المهيكلة.
   - يؤكد التوازن بين عدد الأمثلة (الصفوف) والميزات (الأعمدة) في مجموعات البيانات لنماذج التعلم الآلي الفعالة.
 
5-evaluating جودة البيانات:

   - تحذيرات التحيزات التي قد تنشأ من ممارسات جمع البيانات غير المكتملة أو المضللة.
   - يوضح عواقب التحيزات من خلال أمثلة تاريخية (على سبيل المثال ، تحليل الطائرات في الحرب العالمية الثانية والكشف عن سرطان الجلد).

6 تنفيذ فريق منظمة العفو الدولية:

   - يحدد مجموعات المهارات الأساسية اللازمة لفريق AI الناجح:
     - هندسة البرمجيات:
  لاستخراج البيانات وإدارة البنية التحتية.
     - التعلم الآلي وعلوم البيانات:
  لاختيار الخوارزمية وتقييم الأداء.
     - الرياضيات المتقدمة:
لتطوير نماذج ML المتقدمة.
   - يوصي أخصائيي التوظيف في هذه المجالات بدلاً من البحث عن مرشح واحد "يونيكورن" يجسد جميع المهارات.

عقلية 7 المنظمة:

   - يسلط الضوء على ضرورة تبني المؤسسات عقلية تعتمد على البيانات ، والمشاركة في تجارب AI التدريجية لتطوير رؤية الذكاء الاصطناعي مع مرور الوقت.

يؤكد هذا الملخص الشامل على الاستراتيجيات والاعتبارات الحرجة لإعداد البيانات والتكنولوجيا والموارد البشرية لتنفيذ مشروع الذكاء الاصطناعى الناجح.


  ما هي المكونات الأساسية لتنفيذ مشروع الذكاء الاصطناعي بنجاح داخل المنظمة؟


1- مقدمة لإعداد مشروع الذكاء الاصطناعي:

     - البيانات: حاسمة لبناء نماذج التعلم الآلي ؛  يحتاج إلى استراتيجية بيانات متماسكة.
     - النموذج: اختيار نموذج التعلم الآلي المناسب أمر حيوي ، وعادة ما يتم التعامل معه من قبل الفريق الفني.
     - الموهبة: توظيف المزيج الصحيح من المهارات أمر ضروري للتنفيذ الفعال.

- استراتيجية البيانات:
   - التمييز بين استراتيجية البيانات التنظيمية واستراتيجيات بيانات مشروع AI المحددة.
   - أهمية تحديد البيانات الدقيقة المطلوبة لمشاريع الذكاء الاصطناعي ، بما في ذلك كيفية جمعها وإدارتها.

   - أنواع البيانات:
     - بيانات الأعمال الأساسية:

مرتبط مباشرة بالإيرادات والتكاليف (على سبيل المثال ، بيانات المبيعات).

     - البيانات المساعدة:*تدعم الأعمال ولكنها ليست مرتبطة مباشرة بمصادر الدخل الرئيسية (على سبيل المثال ، مراجعات المستخدمين).

- مصادر للبيانات:

   - البيانات الداخلية:
  البيانات التي تم إنشاؤها من قبل المنظمة نفسها.
   - البيانات المفتوحة: مجموعات بيانات مجانية متوفرة عبر الإنترنت (على سبيل المثال ، قواعد البيانات الحكومية).
   - البيانات التي تم شراؤها: شراء البيانات من مقدمي الخدمات ، مع اعتبارات التبعيات طويلة الأجل والجودة.

- أهمية الملصقات:
   - تعد الملصقات حاسمة لتدريب خوارزميات التعلم الخاضعة للإشراف ويجب جمعها بعناية.
   - تشمل طرق الحصول على الملصقات التوليد الطبيعي أو الاختراقات الذكية أو التوظيف لمهام وضع العلامات.

- تقييم متطلبات البيانات:

   - إرشادات لتحديد مقدار البيانات اللازمة بناءً على المشاريع المهيكلة (على سبيل المثال ، الانحدار والتصنيف).
   - التركيز على امتلاك أمثلة أكثر من الميزات لضمان التدريب النموذجي الفعال.

2- تجنيد فريق منظمة العفو الدولية:

   - يحدد ثلاثة أدوار رئيسية:

     - مهندس البرمجيات:
يركز على البنية التحتية ، واستخراج البيانات ، وتكامل نماذج ML.
     - مهندس التعلم الآلي: متخصص في تحليل البيانات ، والتدريب النماذج ، وتقييم الأداء.
     - باحث الذكاء الاصطناعي:
يطور خوارزميات جديدة ويتناول مشاكل جديدة.
   - يقترح البدء بأدوار أكثر عمومية قبل توظيف موهبة متخصصة.

- دور الأقدمية:
   - يعد كبار الموظفين أمرًا بالغ الأهمية لإدارة مشاريع الذكاء الاصطناعى المعقدة ، وضمان الكود القابل للصيانة ، ومنع المزالق التي يمكن أن تنشأ من قلة الخبرة.

ما هي الاعتبارات الرئيسية لتنفيذ مشروع الذكاء الاصطناعى بشكل فعال داخل المنظمة؟

يركز المؤلفون على دمج مختلف المكونات اللازمة لتنفيذ مشاريع الذكاء الاصطناعى ، والبناء على المعرفة السابقة لأدوات واستراتيجيات الذكاء الاصطناعي.

1 - بناء مقابل الشراء مقابل الاقتراض:
     -يناقش المفاضلات بين بناء تقنية الذكاء الاصطناعى الخاص بك ، أو الشراء من مقدمي الخدمات الثالثة ، أو استعارة مزيج من الاثنين.
     - تشمل العوامل التي يجب مراعاتها مخاطر التنفيذ والمرونة وهياكل التكلفة المرتبطة بكل خيار.

- شراء خيار:

   - يشير إلى حلول تسليم المفتاح التي يقدمها مقدمي خدمات التكنولوجيا (MLAAs).
   - يوفر التكامل السريع ومخاطر التنمية المنخفضة ولكن الحدود السيطرة على التكنولوجيا الأساسية وتأثيرات القفل المحتملة.

- خيار الاقتراض:

   - يتضمن استخدام منصات ML لتخصيص النماذج الموجودة مع البيانات الخاصة بك.
   - يوفر مرونة أكثر من الشراء ولكن لا يزال من الممكن أن يؤدي إلى الاعتماد على مزود النظام الأساسي.

- خيار البناء:

   - ضروري عندما تتطلب المشاريع حلولًا متخصصة للغاية.
   - يوفر أقصى قدر من التحكم والمرونة ولكنه يأتي مع أعلى مخاطر ومسؤولية للتنمية.

استراتيجية من الذكاء الاصطناعي 2-بنان:

   - المدافعون عن نهج تدريجي لتنفيذ مشاريع الذكاء الاصطناعى لتقليل المخاطر وإهدار الموارد.
   - يشجع اختبار الأفكار في وقت مبكر مع الحد الأدنى من استراتيجية AI (MVAI) القابلة للحياة ، والتحقق من التحقق من المفاهيم قبل التنفيذ على نطاق واسع.

3-Risks والتحديات:

   - يعالج أهمية الاعتراف بالمخاطر التجارية والتكنولوجية المرتبطة بمشاريع الذكاء الاصطناعي.
   -يشدد على قيمة الاختبارات في العالم الحقيقي للتحقق من صحة افتراضات العمل وضمان ملاءمة سوق المنتجات.

4-AA AAI CYCLE:

   - يصف حلقة التعزيز الذاتي حيث تؤدي نماذج الذكاء الاصطناعى المحسنة إلى منتجات أفضل ، وجذب المزيد من المستخدمين وتوليد المزيد من البيانات لتعزيز النماذج.

5 مشاريع منظمة العفو الدولية:

   - يبرز الحاجة إلى ممارسات الإدارة الفعالة خلال مرحلة تنفيذ مشروع الذكاء الاصطناعي.
   - يشجع اعتماد التكرار المتزايد والتعلم المستمر للتكيف مع المتطلبات والتعليقات المتغيرة.

أمثلة 6- العملية:

   - تسلط دراسات الحالة المختلفة الضوء على أهمية اختبار مصلحة السوق وضمان أن تظل المشاريع متوافقة مع الأهداف التنظيمية.