دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: James Luke, David Porter, Padmanabhan Santhanam سری: ISBN (شابک) : 0367622416, 9780367622411 ناشر: CRC Press/Chapman & Hall سال نشر: 2022 تعداد صفحات: 300 [303] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Beyond Algorithms: Delivering AI for Business به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب فراتر از الگوریتم ها: ارائه هوش مصنوعی برای تجارت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
با وجود این همه هوش مصنوعی (AI) در سرفصل ها، تعجبی ندارد که کسب و کارها برای بهره برداری از این فناوری هیجان انگیز و متحول کننده تلاش می کنند. واضح است، کسانی که اولین کسانی هستند که هوش مصنوعی مرتبط با کسب و کار را ارائه می کنند، مزیت قابل توجهی خواهند داشت.
با این حال، یک مشکل وجود دارد! درک ما از موفقیت هوش مصنوعی در جامعه اساساً مبتنی بر تجربیات ما با برنامه های کاربردی مصرف کننده از شرکت های بزرگ وب است. پذیرش هوش مصنوعی در شرکت به دلیل چالش های مختلف کند بوده است. برنامه های کاربردی تجاری مشکلات بسیار پیچیده تری را حل می کنند و داده های مورد نیاز برای رسیدگی به آنها کمتر است. همچنین نیاز اساسی برای همسویی هوش مصنوعی با فرآیندهای تجاری مرتبط وجود دارد. علاوه بر این، استفاده از هوش مصنوعی به شیوههای مهندسی جدید برای نگهداری و اعتماد برنامهها نیاز دارد.
بنابراین، چگونه برنامههای کاربردی هوش مصنوعی را در سازمان ارائه میدهید؟</ p>
فراتر از الگوریتم ها: ارائه هوش مصنوعی برای تجارت به این سوال پاسخ می دهد. این کتاب که توسط سه مهندس با دههها تجربه در هوش مصنوعی نوشته شده است (و تمام زخمهایی که با آن به وجود میآیند)، توضیح میدهد که برای تعریف، مدیریت، مهندسی و ارائه برنامههای کاربردی AI سرتاسری که کار میکنند، چه چیزی لازم است. این کتاب موارد زیر را ارائه می دهد:
With so much artificial intelligence (AI) in the headlines, it is no surprise that businesses are scrambling to exploit this exciting and transformative technology. Clearly, those who are the first to deliver business-relevant AI will gain significant advantage.
However, there is a problem! Our perception of AI success in society is primarily based on our experiences with consumer applications from the big web companies. The adoption of AI in the enterprise has been slow due to various challenges. Business applications address far more complex problems and the data needed to address them is less plentiful. There is also the critical need for alignment of AI with relevant business processes. In addition, the use of AI requires new engineering practices for application maintenance and trust.
So, how do you deliver working AI applications in the enterprise?
Beyond Algorithms: Delivering AI for Business answers this question. Written by three engineers with decades of experience in AI (and all the scars that come with that), this book explains what it takes to define, manage, engineer, and deliver end-to-end AI applications that work. This book presents:
Cover Half Title Title Page Copyright Page Table of Contents Authors Acknowledgements PROLOGUE Chapter 1 Why This Book? AI IS EVERYWHERE ENTERPRISE APPLICATIONS AI WINTERS WHAT IS DIFFERENT NOW? PROCEED WITH CAUTION! DELIVERING AI SOLUTIONS BETTER UNDERSTANDING OF AI IS CRITICAL FOR SOCIETY TARGET AUDIENCE FOR THE BOOK AN OUTLINE OF THE BOOK REFERENCES Chapter 2 Building Applications WHAT’S DIFFERENT ABOUT AI WHEN BUILDING AN APPLICATION? PROMINENT AI APPLICATIONS OF THE LAST SEVEN DECADES AI OR NO AI? THE PRESENT – THE DOMINANCE OF THE WEB THE FUTURE – THE ENTERPRISE STRIKES BACK EXAMPLES OF REAL ENTERPRISE APPLICATIONS WHERE DO YOU INTRODUCE AI? ACTIVITIES IN CREATING AN AI APPLICATION COMPLEXITY OF AI APPLICATIONS ARCHITECTURAL AND ENGINEERING CONSIDERATIONS THREE STAGES OF AN ENTERPRISE AI APPLICATION ENABLING ENTERPRISE SOLUTIONS AT SCALE IN SUMMARY – ARE YOU READY TO START BUILDING APPLICATIONS? REFERENCES Chapter 3 It’s Not Just the Algorithms, Really! INTRODUCING ALGORITHMS ALGORITHMS IN AI ALGORITHM ADDICTION APPLICATIONS VERSUS THE UNDERLYING TECHNOLOGY ALGORITHMS AND MODELS OBJECT DROPPING PROBLEM UNDERSTANDING THE OBJECT DROPPING DATA FOUR MODELS TO PREDICT OBJECT BREAKAGE COMPARING THE TWO ML APPROACHES COMPARING PHYSICS MODEL WITH ML WHAT ARE THE ML ALGORITHMS ACTUALLY LEARNING? FEATURE DEFINITION AND EXTRACTION REVENGE OF THE ARTIFICIAL NEURAL NETWORKS HUMAN INTERPRETATION OF ARTIFICIAL NEURAL NETWORKS SO WHICH ALGORITHM IS BEST? TRANSFER LEARNING REINFORCEMENT LEARNING BRAIN VERSUS ARTIFICIAL NEURAL NETWORKS FUNDAMENTAL PRINCIPLES AND FUNDAMENTAL MISTAKES SO … IT REALLY ISN’T ALL ABOUT THE ALGORITHM IN SUMMARY – THERE REALLY IS SO MUCH MORE TO AI THAN THE ALGORITHMS REFERENCES Chapter 4 Know Where to Start – Select the Right Project THE DOABILITY METHOD INNOVATION AND EMERGING TECHNOLOGIES A PORTFOLIO-BASED APPROACH DOABILITY METHOD STEP 1 – TO AI OR NOT AI THREE RECOMMENDATIONS FROM DOABILITY METHOD STEP 1 DOABILITY METHOD STEP 1 – WORKED EXAMPLES DOABILITY METHOD STEP 2 – PRIORITISING AI PROJECTS IN THE PORTFOLIO IN SUMMARY – SUCCESS OR FAILURE WILL DEPEND ON SELECTING THE RIGHT PROJECT REFERENCES Chapter 5 Business Value and Impact WHAT IS DIFFERENT ABOUT AI APPLICATIONS? BUILDING BUSINESS CASES STAKEHOLDERS MEASURABILITY AND UNDERSTANDABILITY IMPORTANCE OF ETHICS IN AI DEVELOPMENT DELIVERING TRUSTWORTHY AI FAIRNESS AND BIAS EXPLAINABILITY TRANSPARENCY TACKLING THE WEAKNESS OF ML SYSTEMS IN SUMMARY – THERE’S MORE TO VALUE THAN MONETARY RETURN REFERENCES Chapter 6 Ensuring It Works – How Do You Know? MANAGING QUALITY OF TRADITIONAL SOFTWARE MANAGING QUALITY OF AI APPLICATIONS STATISTICAL ACCURACY COST FUNCTIONS MULTIPLE OUTCOMES QUALITY METRICS FOR NATURAL LANGUAGE UNDERSTANDING WHAT DOES THIS MEAN IN PRACTICE? HOW ACCURATE DOES IT NEED TO BE? WHERE DO YOU ASSESS ACCURACY AND BUSINESS IMPACT? OPERATING WITHIN LIMITS QUALITY ATTRIBUTES OF TRUSTWORTHY AI SYSTEMS IN SUMMARY – IF THE AI ISN’T TRUSTWORTHY, PEOPLE WON’T TRUST IT REFERENCES Chapter 7 It’s All about the Data DATA TSUNAMI DATA TYPES DATA SOURCES FOR AI DATA FOR THE ENTERPRISE ENTERPRISE REALITY HUMANS VERSUS AI – LEARNING AND DECISION-MAKING DATA WRANGLING HOW MUCH DATA DO WE NEED? SO, WHAT FEATURES DO WE NEED? ENABLING EXPANDING FEATURE SPACES WHAT HAPPENS IN THE REAL WORLD? COPING WITH MISSING DATA USE OF SYNTHETIC DATA MANAGING THE DATA WORKFLOW IMPROVING DATA QUALITY IN SUMMARY – IT REALLY IS ALL ABOUT THE DATA! REFERENCES Chapter 8 How Hard Can It Be? DEMONSTRATIONS VERSUS BUSINESS APPLICATIONS SETTING EXPECTATIONS … YOURS AND OTHERS! DO WE NEED AN INVENTION? CURRENT STATE OF AI THE IMPORTANCE OF DOMAIN SPECIALISTS BUSINESS CHANGE AND AI AI IS SOFTWARE THE GREAT REUSE CHALLENGE THE AI FACTORY IN SUMMARY – IT CAN BE AS HARD AS YOU MAKE IT REFERENCES Chapter 9 Getting Your Priorities Right AI PROJECT ASSESSMENT CHECKLIST USING THE DOABILITY MATRIX IN SUMMARY – NEVER TAKE OFF WITHOUT COMPLETING YOUR CHECKLIST REFERENCE Chapter 10 Some (Not So) Boring Stuff TRADITIONAL ENGINEERING WHY IS ENGINEERING AI DIFFERENT? FOUR PHASES OF AN AI PROJECT DEVELOPING AN ENTERPRISE AI APPLICATION AI MODEL LIFECYCLE APPLICATION LIFECYCLE APPLICATION INTEGRATION AND DEPLOYMENT PROJECT MANAGEMENT AUDITABILITY AND EXPLAINABILITY SECURITY IN SUMMARY – THE BORING STUFF ISN’T REALLY BORING REFERENCES Chapter 11 The Future IT’S ALL ABOUT THE DATA – TRENDS IN THE ENTERPRISE EFFICIENT COMPUTING FOR AI WORKLOADS – NEW PARADIGMS ADVANCES IN ALGORITHMS – TARGETING DATA CHALLENGES AND NEURO-SYMBOLIC AI AI ENGINEERING – EMERGENCE OF A NEW DISCIPLINE HUMAN–MACHINE TEAMING IN SUMMARY – SOME FINAL THOUGHTS REFERENCES EPILOGUE INDEX