Salesforce snakker om sitt Einstein Analytics-produkt for finansielle tjenester og nye verktøy for å bekjempe AI-skjevheter

Salesforces Einstein Analytics-produkt for finansielle tjenester og nye verktøy for å bekjempe AI-skjevhet Salesforces Allison Witherspoon snakket med TechRepublic om de nye bransjespesifikke Einstein Analytics-produktene og de nye Trailhead-modulene designet for å hjelpe utviklere til å takle skjevheter i AI.

På TrailheaDX 2019 snakket Salesforces Allison Witherspoon med TechRepublic om de nye bransjespesifikke Einstein Analytics-produktene og de nye Trailhead-modulene designet for å hjelpe utviklere til å takle skjevheter i AI. Følgende er et redigert utskrift av intervjuet.

Bill Detwiler: Fortell litt om de nye kunngjøringene og den nye utviklingen med Einstein Analytics.

Allison Witherspoon: Einstein Analytics, vi er virkelig fokusert på å levere veldig skreddersydd innsikt til alle brukere uansett hvilken rolle, avdeling eller bransje du har. Og vi har virkelig vært på denne reisen siden vi lanserte analyser i 2014 for å levere den slags veldig rollespesifikke spesialbygde innsikter. Og vi startet med å bygge en slags analyser for enhver rolle - salgsanalyse, tjenesteanalyse, B2B markedsanalyse.

Mer om kunstig intelligens

  • Google DeepMind-grunnlegger Demis Hassabis: Tre sannheter om AI
  • De 10 mest etterspurte AI-jobbene i verden
  • De 3 mest oversett begrensningene av AI i virksomheten
  • Hvordan bli maskinlæringsingeniør: Et jukseark

Vi har byttet gir de siste par årene for å levere den samme typen mentalitet til bransjer, slik at vi tar en vertikal tilnærming. Og den første bransjen som vi har lansert et analyseprodukt for, er finansielle tjenester, slik at hver formuesrådgiver, hver detaljhandelsbanker kan se tingene de bryr seg om hvor de jobber, som er skytjenester for finansielle tjenester. Så du kan se ting som innskudd, lån, gebyrer, klientmål, uttak, eiendeler under forvaltning ... alt veldig, veldig skreddersydd for finansielle tjenester.

Bill Detwiler: Og med analyser er det mange forskjellige typer, ikke sant? Du har reseptbelagte analyser, du har prediktiv analyse. Snakk litt om hvilke typer analyser som kunder kan få fra Einstein-plattformen.

Allison Witherspoon: Så med Einstein Analytics for finansielle tjenester er det hele spekteret av analyser, helt fra beskrivende og diagnostisk (hva skjedde, og hvorfor skjedde det?) Til forutsigende og forskrivende (hva skal skje, og hva skal Jeg gjør noe med det?). Og det er virkelig takket være AI-drevet innsikt som er injisert i vår analytiske plattform. Så når du kjøper Einstein Analytics, får du Einstein Discovery med det produktet. Og det er vårt smarte dataoppdagelsesverktøy. Så du får utnyttet alle disse spådommene og anbefalingene i sammenheng. Så hvordan det kan se ut for Einstein Analytics for finansielle tjenester, for eksempel, ville det være nå at formuesrådgivere og privatbanker kan gjøre ting som å forutsi svindel. Hvilke kunder er mest sannsynlig å kverne? Hvilke kunder vil sannsynligvis ha store innskudd og øke eiendelene under forvaltning? Så veldig spesifikk prediktiv innsikt for disse menneskene.

Bill Detwiler: Og hva er verktøyene som kundene får til å iverksette tiltak når de først har fått den innsikten?

Allison Witherspoon: Einstein Analytics har en veldig rik handlingsramme som vi kaller den innebygd i plattformen, så rett fra hvilket som helst dashbord, helt fra innsynspunktet, kan du ta grep tilbake i Salesforce. Du kan gjøre ting som å logge en oppgave, opprette en hendelse, legge ut til Chatter, kommunisere. Så virkelig økende samarbeid og kommunikasjon fra innsynspunktet tilbake til Salesforce.

60 måter å få mest mulig ut av big data-initiativene dine (gratis PDF) (TechRepublic)

Bill Detwiler: Kan det automatiseres? Så for eksempel, hvis du er en megler, hvis du er en agent, og du får informasjon som sier: "Hei se, denne klienten vil sannsynligvis forlate praksis, for å ta pengene sine et annet sted, for å flytte ut pga en viss hendelse eller fordi plattformen har spådd at "er det da en handling ... så blir de automatisk bedt om å ta en handling, ikke sant? Så Salesforce, administratorer og utviklere kan sette opp systemet slik at meglerne og agentene blir bedt om å gjøre en handling akkurat da og der automatisk, ikke sant?

Allison Witherspoon: Analysenes fulle bredde - helt fra beskrivende til reseptbelagte - slik at vi kan ha anbefalinger i sammenheng med hvilken handling de skal gjøre. Vi liker å holde den type beslutning opp til brukeren. Men vi har verktøy innebygd i Salesforce-plattformen, som Process Builder, slags arbeidsflytautomatiseringsverktøy som lar deg konfigurere disse triggerne, hvis du vil, basert på innsikten du får. Så fordi analytics er bygd på Salesforce-plattformen, får du tilgang til alt det gode med Salesforce-plattformen.

Bill Detwiler: Du nevnte det litt tidligere da vi snakket om AI, og snakket om det var det som gjør at den kan gjøre mye av beslutningen. Snakk litt med meg om hvordan AI er innebygd i analyseplanen.

Allison Witherspoon: AI kommer med analyseplattformen nå. Så som jeg nevnte, når du kjøper Einstein Analytics, får du AI med det ut av boksen. Og det vi ser med kundene våre, er linjen mellom analyse og AI som er uskarp mellom BI og AI. Det blir virkelig en slik intelligensopplevelse. Og det er virkelig det vi streber etter med Einstein Analytics er en brukergrensesnitt, en UX der du får en intelligent opplevelsesstart til slutt, enten du ser på et dashbord med slags historisk informasjon eller spådommer eller anbefalinger eller den typen automatisering side ved side. Og så med Einstein Discovery, vårt smarte dataoppdagelsesverktøy, driver vi spådommene og anbefalingene side om side med mer av den historiske typen læring.

Bill Detwiler: Og hvor mye av en utfordring var det, om i det hele tatt, å integrere AI i Einstein-plattformen? Med analyser, var det alltid planen å ha AI lagt inn i det? Snakk litt om å integrere AI i Einstein-plattformen.

Allison Witherspoon: Ja, så vi har på en måte tatt en kombinasjon av en organisk og en uorganisk tilnærming til måten vi tenker på å bygge AI-en. Så vi har hatt et team av dataforskere som har bygget Einstein-plattformen og mange AI- og maskinlæringsmodeller her de siste trolig fire eller så mange årene. Men vi har også gjort noen anskaffelser underveis, som jeg er sikker på at du er klar over, som har tillatt oss å vokse på områder som vi kanskje ikke hadde tenkt på før at vårt eget team ikke fungerte. på, spesielt med ting som dyp læring. Så å kunne ta ustrukturerte data og gjøre ting som bildegjenkjenning, naturlig språkbehandling, og nå gjøre tale-til-tekst takket være Einstein Voice. Så det har vært en veldig sunn balanse mellom organisk og uorganisk.

Og Einstein Analytics, nærmere bestemt Einstein Discovery, kom til oss fra et anskaffelse i rommet. Så vi var i stand til å legge den smarte dataoppdagelsesfunksjonen til vår analytiske plattform når vi hørte fra kundene våre at det var noe de ønsket. For nok en gang er vi et selskap som trives med tilbakemeldinger fra kunder, og vi hørte fra kundene våre at de egentlig ikke brydde seg om de brukte analyse eller AI eller maskinlæring eller dyp læring - det var bare denne typen hav av vilkår for dem.

Bill Detwiler: Fortell litt om den nye typen tillitsinitiativ du bygger inn i Einstein-plattformen gjennom AI.

Allison Witherspoon: Trust of Salesforce er verdien én, så det er ingen overraskelse at vi også har tatt den samme tankegangen til AI-produktet vårt. Og for omtrent en måned siden lanserte vi en slags serie funksjoner i produktene våre, inne i vårt Einstein-tilbud som virkelig bidro til å forsterke det tillitsbudskapet. Det betyr at det må være gjennomsiktig. Så vi må vise sluttforbrukeren av AI hvorfor spådommer er hva de er, og vi kaller disse prediktive faktorene. Så å kunne eksponere forutsigbare faktorer og å kunne eksponere den underliggende R-koden til en modell hvis en bruker ønsker å geek ut og slags se under panseret. Så det er den første delen er åpenhet.

Det andre stykket er å ha ansvarlig AI. Så det betyr å kunne forhindre skjevhet i å komme inn i modeller ganske tidlig, slags om det lurer i selve modellen eller dataene du mater inn i modellen. Og slik gjør vi ting som et flagg for skjev beskyttelse. Når en byggherre av AI som bruker et av verktøyene våre, bygger en modell, hvordan kan vi fortelle dem hvilke datafelt som potensielt kan føre til skjevhet?

Og så er den tredje søylen slags ansvarlig AI. Og det er ideen om at det er denne typen tilbakemeldingssløyfe som skjer, og hvordan viser vi til enhver tid hvordan modellen presterer, utsetter modellberegninger på et modellkort, slik at brukeren kan bestemme om de vil snu modellen på, distribuere den og avsløre spådommene for sluttbrukeren?

Så det er liksom ideen om pålitelig AI, og vi sender faktisk mange av disse funksjonene over hele Einstein-tilbudet. Og akkurat denne uken lanserte vi vår ansvarlige opprettelse av AI Trailhead fordi vi virkelig tror at uansett hva slags ferdighet du har med Einstein, vi faktisk gjør det mulig for slags innbyggerdataforskere å bygge AI, for å bygge tilpasset AI. Og så hvis du ikke har en doktorgrad i datavitenskap, hvordan begynner du å bygge AI-modeller som er fri for skjevhet, som er rettferdige, som er klarert, som er etiske? Og så denne løypa er et flott sted å begynne å forstå hva som er AI, hvor kan denne skjevheten lure, og til en slags dyktighet og utdanne deg selv slik at du bygger modeller som virkelig er rettferdige og pålitelige.

Salesforce topper topp inntektsmål for første kvartal (ZDNet)

Bill Detwiler: Så de fleste AI, de fleste algoritmer, er bare like gode som dataene du legger inn i dem. Og mange organisasjoner har data som er spredt overalt. Det er forskjellig, det er ikke rent. Så mange organisasjoner når de skal implementere et AI-prosjekt, de trenger å gjøre mye mer datarensing, datahåndtering, dataorganisasjon enn kanskje de tror. Hva er verktøyene i Einstein for å hjelpe organisasjoner med å gjøre det, eller er integratorene som hjelper dem å gjøre det når de distribuerer produktet til kundene? Hvordan fungerer den delen av prosessen?

Allison Witherspoon: Med Einstein analyseplattform, en, kan vi hente inn data fra alle kilder. Vi har et bibliotek med kontakter som lar deg enkelt koble til tredjeparts datakilder, fordi vi hører fra kundene våre hele tiden deres data ikke bare bor i Salesforce - de lever i ERP-systemer, HR-systemer, finanssystemer - og så må vi gjøre det enkelt for dem å bringe dataene inn i Salesforce. Så det er første trinn.

Det andre trinnet er data prep-prosessen og virkelig lage slags smarte data prep-verktøy slik at Salesforce-administratorer eller dataanalytikere, hvem som bruker Einstein Analytics, uansett person, kan de faktisk rense dataene sine, rense dataene sine, transformere dataene sine med slags AI-drevne anbefalinger. Så vi bringer AI til databehandlingsprosessen der vi faktisk blir sammenføyninger og fyller ut manglende felt og alle de slags ting veldig intelligent for å gjøre den prosessen så mye jevnere.

Bill Detwiler: OK. Og når du snakker om den etiske bruken av AI og iboende skjevhet innebygd i likningene, hva er utløserne i verktøyet? Men utover det, er det flagg og utløsere i verktøyet for å hjelpe dem å vite: "OK, når du tar med dette datasettet, kan det for eksempel gi deg informasjon du vil ha, " for eksempel, men det kan også føre til utilsiktet skjevhet til krype inn i systemet også? Så hvordan gjør systemet det utover det du gjør med det nye Trailhead når det gjelder trening?

Allison Witherspoon: Og jeg er glad for at du tok opp dette poenget, fordi jeg virkelig synes det er en slags tosidig tilnærming. Vi må utdanne oss, men vi må også bygge disse utløserne inn i produktet, og det er akkurat det vi gjør. Med Einstein Bias Protection i Einstein Analytics kan vi faktisk flagge etter felt når du bygger modellen som kan føre til potensiell skjevhet. Så det som ville skje er byggherren av den modellen, enten det er en administrator eller en analytiker, faktisk ville sette opp felt som de tror potensielt kan føre til skjevheter, som postnummer, som kjønn, som rase. Og da vil Einstein Discovery faktisk se gjennom alle disse feltene og finne lignende felt, korrelerte felt som potensielt kan være en proxy for de feltene som allerede er flagget av brukeren. Og du vil faktisk få slags små utropstegn i trekanter som dukker opp i produktet mens du bygger modellen som markerer deg for den potensielle skjevheten i modellskapingsprosessen.

Bill Detwiler: Og med finansielle tjenester er det mye skjevhet som allerede er innebygd i systemet for finansielle tjenester.

Allison Witherspoon: Ja.

Bill Detwiler: Du nevnte postnummer.

Allison Witherspoon: Ja.

Bill Detwiler: Hvordan kommer kundene som kanskje alltid har brukt postnummer eller deres kunder allerede fra et spesifikt postnummer eller spesifikke postnummer geografisk plassert rundt dem, eller om det er nasjonalt? Så hvor vanskelig en jobb det er å overbevise kundene om ikke å stole på de feltene som har vært forutsigbare i det siste, som har jobbet for dem i det siste på en rent avkastning eller rent økonomisk eller rent i bunn, har også innarbeidet skjevheter i systemet?

Salesforces Parker Harris tilbyr CXO innsikt for å håndtere komplekse IT-integrasjoner og håndtere den uunngåelige krisen (TechRepublic)

Allison Witherspoon: Og dette er et flott eksempel fordi vi i finansielle tjenester spesielt ser mye av denne typen skjevheter foreviget i modeller, spesielt med postnummer, og ikke gir lån til visse personer fordi de kommer fra et postnummer. Og tilbake til denne typen poeng med disse to sporene, vi kan utdanne oss til Trailhead, vi kan legge disse spørsmålene i produktet, men vi kan ikke tvinge folk til å bygge en modell på en bestemt måte, og det kommer vi aldri til å gjøre.

Det beste vi kan gjøre er å utdanne kundene våre på hver sving ved å bruke veier som Trailhead, ved å bruke vår plattform. Vi har en fantastisk, fantastisk kollega her på Salesforce ved navn Kathy Baxter - hun er vår arkitekt for etisk AI. Og så hun er veldig lidenskapelig opptatt av dette, men å bygge disse spørsmålene inn i produktet, utdanne folk til Trailhead, men ikke på en måte å være den Big Brother som automatisk skal bygge en modell for dem, automatisk ta ut bestemte felt, som aldri vil være snille av vår holdning.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

© Copyright 2021 | pepebotifarra.com