AI dla ludzi i firmy

Table of contents

1. Opinie o książce AI dla ludzi i firmy
2. Przedmowa
   1. Inspiracje dla modelu i książki
   2. Poruszanie się po książce
   3. Podziękowania
3. Część I Model AI dla Ludzi i Firmy
4. Rozdział 1. Sukces a sztuczna inteligencja
   1. Wyścig po sukces biznesowy
   2. Dlaczego projekty AI upadają?
   3. Dlaczego projekty AI odnoszą sukces?
   4. Wykorzystanie siły AI do zwycięstwa
5. Rozdział 2. Wprowadzenie do modelu AIPB
   1. Ogólny model innowacji
   2. Pseudokomponent korzyści AIPB
   3. Istniejące modele i brakujące elementy układanki
   4. Korzyści z AIPB
      1. Celowość
      2. Ludzie i firma
      3. Uwspólnienie i całościowość
      4. Jasność
      5. Naukowość
   5. Podsumowanie
6. Rozdział 3. Podstawowe komponenty modelu AIPB
   1. Analogia do agile
   2. Eksperci
   3. Kategorie procesów w modelu AIPB oraz zalecane metody
   4. Kategoria oceny
      1. Gotowość i dojrzałość do AI
   5. Kategoria metodologii
      1. Ocena
      2. Wizja
      3. Strategia
      4. Dostarcz
      5. Optymalizuj
   6. Model odwróconej klasy
   7. Podsumowanie
7. Rozdział 4. AI i uczenie maszynowe — przegląd nietechniczny
   1. Czym jest data science i czym zajmują się specjaliści data science?
   2. Definicja uczenia maszynowego i jego charakterystyka
   3. Sposoby uczenia się maszyn
   4. Definicja i zagadnienia związane ze sztuczną inteligencją
   5. Typy sztucznej inteligencji
   6. Nauka jak u ludzi
   7. Mordercze maszyny i gwiazdy jednego przeboju
   8. Dane napędzające AI
      1. Big data
      2. Struktury i formaty danych w zastosowaniach AI
      3. Przechowywanie i pochodzenie danych
      4. Źródła danych
      5. Gotowość i jakość danych (właściwe dane)
         1. Odpowiednia ilość danych
         2. Odpowiednia głębokość perspektywy
         3. Właściwie zbalansowane dane
         4. Dane reprezentatywne i nieprzekłamane
         5. Pełne dane
         6. Czyste dane
   9. Uwaga na temat przyczyny i skutku
   10. Podsumowanie
8. Rozdział 5. Rzeczywiste zastosowania i szanse
   1. Szanse dla sztucznej inteligencji
   2. Jak mogę wykorzystać AI w biznesowej rzeczywistości?
   3. Realne zastosowania i przykłady
      1. Analiza predykcyjna
         1. Regresja
         2. Klasyfikacja
      2. Personalizacja i systemy rekomendacji
      3. Widzenie komputerowe
      4. Rozpoznawanie wzorców
      5. Klasteryzacja i detekcja wartości odstających
      6. Język naturalny
         1. NLP
         2. NLG
         3. NLU
      7. Szeregi czasowe i dane sekwencyjne
      8. Wyszukiwanie, zdobywanie informacji, ranking i scoring
      9. Nauczanie przez wzmacnianie
      10. Hybrydy, automatyzacja i inne
   4. Podsumowanie
9. Część II Tworzenie wizji sztucznej inteligencji
10. Rozdział 6. Waga właściwych powodów
    1. Zacznij od dlaczego
    2. Kierowanie produktem i perspektywa
    3. Przywództwo i tworzenie wspólnej wizji oraz zrozumienia
    4. Podsumowanie
11. Rozdział 7. Wyznaczanie celów ludziom i firmie
    1. Określenie interesariuszy i ich celów
    2. Cele w podziale na interesariuszy
       1. Biznesowe cele sztucznej inteligencji
          1. Głębokie wnioski
          2. Rozszerzona ludzka inteligencja
          3. Tworzenie nowych i innowacyjnych modeli biznesu, produktów i usług
          4. Zdobywanie nowych rynków i poszerzanie obecnych
          5. Unowocześnienie i optymalizacja procesów
          6. Podkreślenie odrębności i przewagi konkurencyjnej
          7. Transformacja organizacji i wprowadzenie przełomowych zmian w branży
       2. Cele sztucznej inteligencji dla ludzi
          1. Poprawa zdrowia i kondycji
          2. Poprawa bezpieczeństwa osobistego
          3. Lepsza płynność finansowa, większe oszczędności
          4. Lepsze odczucia użytkownika, większa wygoda i zadowolenie z używania produktu
          5. Trafniejsze i prostsze planowanie oraz podejmowanie decyzji
          6. Większa produktywność i satysfakcja
          7. Lepsza nauka i rozrywka
    3. Podsumowanie
12. Rozdział 8. Co sprawia, że produkty są dobre
    1. Waga kontra satysfakcja
    2. Cztery składniki dobrego produktu
       1. Produkt po prostu działa
       2. Produkt ma zdolność zaspokojenia ludzkich potrzeb, zachcianek i preferencji
          1. Hierarchia potrzeb według Maslowa
          2. Różnice pomiędzy potrzebami, zachciankami i preferencjami
          3. Produkty i funkcjonalności dla ludzi
       3. Produkt jest odpowiednio zaprojektowany i cechuje go użyteczność
       4. Produkt daje radość i przywiązuje użytkownika do siebie
    3. Netflix i to, co liczy się najbardziej
    4. Lean i metodologie zwinne
    5. Podsumowanie
13. Rozdział 9. Sztuczna inteligencja w służbie lepszych wrażeń
    1. Definicja wrażeń
    2. Wpływ sztucznej inteligencji na ludzkie wrażenia
       1. Poprawa zdrowia i kondycji
       2. Poprawa bezpieczeństwa osobistego
       3. Lepsza płynność finansowa, większe oszczędności
       4. Lepsze wrażenia użytkownika, większa wygoda i zadowolenie z używania produktu
       5. Trafniejsze i prostsze planowanie oraz podejmowanie decyzji
       6. Większa produktywność i satysfakcja
       7. Lepsza nauka i rozrywka
    3. Interfejsy wrażeń
    4. Ekonomia doświadczeń
    5. Myślenie projektowe
    6. Podsumowanie
14. Rozdział 10. Przykład wizji AI
    1. Odczuwanie i postrzeganie czasoprzestrzenne
    2. Smak kierowany sztuczną inteligencją
    3. Deklaracja wizji w modelu AIPB
15. Część III Tworzenie strategii AI
16. Rozdział 11. Innowacja naukowa a sukces z AI
    1. Sztuczna inteligencja jako nauka
    2. Model TCPR
    3. Analogia do modelu TCPR
       1. Czas i budżet
       2. Wydajność
       3. Wymagania
    4. Analogia do zależności od danych
    5. Podsumowanie
17. Rozdział 12. Gotowość i dojrzałość do AI
    1. Gotowość na AI
       1. Organizacyjna
          1. Struktura organizacyjna, przywództwo i talent
          2. Wizja i strategia
          3. Zaangażowanie i dopasowanie
          4. Budżet i wsparcie
       2. Technologiczna
          1. Infrastruktura i technologie
          2. Wsparcie i utrzymanie
          3. Gotowość i jakość danych
       3. Finansowa
          1. Budżetowanie
          2. Konkurencyjne inwestycje i priorytetyzacja
       4. Kulturowa
          1. Innowacja naukowa i możliwość łamania porządku w branży
          2. Przejście od intuicji do danych
          3. Gotowość do działania
          4. Demokratyzacja danych
    2. Dojrzałość do AI
    3. Podsumowanie
18. Rozdział 13. Kluczowe kwestie do rozważenia w kontekście AI
    1. Szum wokół AI kontra rzeczywistość AI
    2. Testowanie ryzykownych założeń
    3. Ocena technicznej wykonalności
    4. Zdobycie, utrzymanie i przygotowanie talentów
    5. Zbuduj kontra zrób
    6. Ograniczenie odpowiedzialności
    7. Ograniczenie stronniczości i waga integracji
    8. Zarządzanie oczekiwaniami pracowników
    9. Zarządzanie oczekiwaniami klienta
    10. Zapewnienie jakości (QA)
    11. Miary sukcesu
    12. Bycie na bieżąco
    13. AI na produkcji
    14. Podsumowanie
19. Rozdział 14. Przykład strategii AI
    1. Wstęp do przykładu z podcastem
    2. Powtórka z fazy strategii modelu AIPB
    3. Tworzenie strategii rozwiązania w modelu AIPB
    4. Tworzenie planu w modelu AIPB
       1. Zintegrowane cele, inicjatywy, motywy i funkcjonalności
20. Część IV Uwagi końcowe
21. Rozdział 15. Wpływ AI na rynek pracy
    1. AI, przebranżowienie i luki w umiejętnościach
    2. Luki w umiejętnościach i nowe stanowiska
    3. Umiejętności jutra
    4. Przyszłość automatyzacji, rynku pracy i gospodarki
    5. Podsumowanie
22. Rozdział 16. Przyszłość AI
    1. AI i przywództwo
    2. Czego oczekiwać i na co uważać
       1. Wzrost zrozumienia, przyjęcia i rozmnożenie AI
       2. Postęp w badaniach, oprogramowaniu i sprzęcie
          1. Badania
          2. Oprogramowanie
          3. Sprzęt
       3. Postęp w architekturze obliczeniowej
       4. Konwergencja technologii, integracja i dominacja mowy
       5. Wpływ społecznościowy
       6. AGI, superinteligencja i osobliwość technologiczna
       7. Efekt AI
    3. Podsumowanie
23. Dodatek A Algorytmy AI i uczenia maszynowego
    1. Parametryzowane i nieparametryzowane uczenie maszynowe
    2. Jak uczy się model uczenia maszynowego
    3. Przegląd biologicznych sieci neuronowych
    4. Wprowadzenie do sztucznych sieci neuronowych
    5. Wprowadzenie do uczenia głębokiego
    6. Zastosowania uczenia głębokiego
    7. Podsumowanie
24. Dodatek B Proces AI
    1. Model GABDO
    2. Określenie celów
       1. Identyfikacja celów
       2. Identyfikacja szans
       3. Stworzenie hipotez
          1. Przykład
    3. Gromadzenie
       1. Zidentyfikowanie danych
       2. Zgromadzenie danych
       3. Przygotowanie danych
          1. Przykład — ciąg dalszy
    4. Budowanie
       1. Eksploracja
       2. Wybór
       3. Trenowanie, weryfikowanie i testowanie
       4. Ulepszenia
          1. Przykład — ciąg dalszy
    5. Dostarczanie
       1. Przedstawienie wniosków
       2. Podjęcie działań
       3. Podjęcie decyzji
       4. Dostarczenie rozwiązania
          1. Przykład — ciąg dalszy
    6. Optymalizowanie
       1. Monitorowanie
       2. Analizowanie
       3. Ulepszanie
          1. Przykład — ciąg dalszy
    7. Podsumowanie
25. Dodatek C AI na produkcji
    1. Środowisko produkcyjne kontra środowisko deweloperskie
    2. Wytwarzanie lokalne i zdalne
    3. Skalowalność produkcji
    4. Uczenie i utrzymanie rozwiązania
26. Bibliografia
27. O autorze
28. Kolofon