Glauben Sie nicht dem Hype um KI in der Wirtschaft
Veröffentlicht: 2018-03-25Obwohl KI-Systeme jetzt ein Spiel lernen und Champions innerhalb von Stunden schlagen können, sind sie schwer in Geschäftsanwendungen anzuwenden
Um eine Pointe von Duke-Professor Dan Ariely auszuleihen: Künstliche Intelligenz ist wie Teenager-Sex:
„Alle reden darüber, niemand weiß wirklich, wie es geht, alle denken, dass alle anderen es tun, also behaupten alle, dass sie es tun.“
Auch wenn KI-Systeme mittlerweile innerhalb weniger Stunden ein Spiel erlernen und Champions schlagen können, lassen sie sich nur schwer auf Geschäftsanwendungen anwenden.
MIT Sloan Management Review und Boston Consulting Group befragten 3.000 Führungskräfte und stellten fest, dass zwar 85 Prozent von ihnen glaubten, dass KI ihren Unternehmen einen Wettbewerbsvorteil verschaffen würde, aber nur einer von 20 sie „umfassend“ in ihre Angebote oder Prozesse integriert hatte. Die Herausforderung besteht darin, dass die Implementierung von KI nicht so einfach ist wie die Installation von Software. Es erfordert Fachwissen, Visionen und Informationen, die nicht leicht zugänglich sind.
Wenn man sich bekannte KI-Anwendungen wie Googles AlphaGo Zero ansieht, hat man den Eindruck, es ist wie Magie: KI hat das schwierigste Brettspiel der Welt in nur drei Tagen gelernt und Champions geschlagen. Inzwischen kann Nvidias KI fotorealistische Bilder von Menschen erzeugen, die wie Berühmtheiten aussehen, indem sie sich einfach Bilder von echten anschauen.
AlphaGo und Nvidia verwendeten eine Technologie namens Generative Adversarial Networks, die zwei KI-Systeme gegeneinander ausspielt, damit sie voneinander lernen können. Der Trick war, dass die Netzwerke, bevor sie gegeneinander kämpften, viel Coaching erhielten. Und was noch wichtiger ist, ihre Probleme und Ergebnisse waren genau definiert.
Die meisten geschäftlichen Probleme lassen sich jedoch nicht in ein Spiel verwandeln; Sie haben mehr als zwei Spieler und keine klaren Regeln. Die Ergebnisse von Geschäftsentscheidungen sind selten ein klarer Gewinn oder Verlust, und es gibt viel zu viele Variablen. Daher ist es für Unternehmen viel schwieriger, KI zu implementieren, als es scheint.
Für dich empfohlen:
Wie Metaverse die indische Automobilindustrie verändern wird
Was bedeutet die Anti-Profiteering-Bestimmung für indische Startups?
Wie Edtech-Startups Indiens Arbeitskräften helfen, sich weiterzubilden und zukunftsfähig zu werden ...
New-Age-Tech-Aktien in dieser Woche: Zomatos Probleme gehen weiter, EaseMyTrip-Posts steigen...
Indische Startups nehmen Abkürzungen bei der Jagd nach Finanzierung
Digitale Marketingplattform Logicserve Bags INR 80 Cr-Finanzierung, Umbenennung in LS Dig...
Heutige KI-Systeme tun ihr Bestes, um die Funktionsweise der neuronalen Netze des menschlichen Gehirns zu emulieren, aber sie tun dies auf sehr begrenzte Weise. Sie verwenden eine Technik namens Deep Learning, die die Beziehungen von Computeranweisungen anpasst, die so konzipiert sind, dass sie sich wie Neuronen verhalten. Einfach ausgedrückt, Sie sagen einer KI genau, was sie lernen soll, und geben ihr klar gekennzeichnete Beispiele, und sie analysiert die Muster in diesen Daten und speichert sie für zukünftige Anwendungen. Die Genauigkeit seiner Muster hängt von Daten ab, je mehr Beispiele Sie also geben, desto nützlicher wird es.
Hier liegt ein Problem: Eine KI ist nur so gut wie die Daten, die sie erhält. Und es ist in der Lage, diese Daten nur innerhalb der engen Grenzen des bereitgestellten Kontexts zu interpretieren. Es „versteht“ nicht, was es analysiert hat, und ist daher nicht in der Lage, seine Analyse auf Szenarien in anderen Kontexten anzuwenden. Und es kann Kausalität nicht von Korrelation unterscheiden. KI ist eher eine Excel-Tabelle über Steroide als ein Denker.
Die größere Schwierigkeit bei der Arbeit mit dieser Art von KI besteht darin, dass das, was sie gelernt hat, ein Rätsel bleibt – eine Reihe undefinierbarer Antworten auf Daten. Sobald ein neuronales Netzwerk trainiert ist, weiß nicht einmal sein Designer genau, wie es tut, was es tut. Wie Professor Gary Marcus von der New York University erklärt, verfügen Deep-Learning-Systeme über Millionen oder sogar Milliarden von Parametern, die für ihre Entwickler nur anhand ihrer Geographie innerhalb eines komplexen neuronalen Netzwerks identifizierbar sind. Sie sind eine „Black Box“, sagen Forscher.
Berichten zufolge sagte Demis Hassabis, CEO von Google/DeepMind , über die neuen Entwicklungen in AlphaGo: „Es spielt sich nicht wie ein Mensch und es spielt sich nicht wie ein Programm. Es spielt auf eine dritte, fast fremde Art.“
Unternehmen können es sich nicht leisten, dass ihre Systeme fremde Entscheidungen treffen. Sie sind mit regulatorischen Anforderungen und Reputationsproblemen konfrontiert und müssen in der Lage sein, die Logik hinter jeder ihrer Entscheidungen zu verstehen, zu erklären und zu demonstrieren.
Damit KI wertvoller wird, muss sie in der Lage sein, das Gesamtbild zu betrachten und viel mehr Informationsquellen einzubeziehen als die Computersysteme, die sie ersetzt. Amazon ist eines der wenigen Unternehmen, das KI bereits verstanden und effektiv implementiert hat, um praktisch jeden Teil seiner Abläufe zu optimieren, von der Bestandsverwaltung und dem Lagerbetrieb bis hin zum Betrieb von Rechenzentren.
In der Bestandsverwaltung beispielsweise werden Kaufentscheidungen traditionell von erfahrenen Personen, sogenannten Einkäufern, Abteilung für Abteilung getroffen. Ihre Systeme zeigen ihnen die Lagerbestände nach Filialen an, und sie nutzen ihre Erfahrung und ihren Instinkt, um Bestellungen aufzugeben. Die KI von Amazon konsolidiert Daten aus allen Abteilungen, um die größeren Trends zu erkennen – und verknüpft sie mit sozioökonomischen Daten, Kundendienstanfragen, Satellitenbildern von Parkplätzen der Wettbewerber, Vorhersagen von The Weather Company und anderen Faktoren. Andere Einzelhändler tun einige dieser Dinge, aber keiner ist so effektiv wie Amazon.
Dieser Ansatz liegt auch Echo und Alexa, den sprachbasierten Haushaltsgeräten von Amazon, zugrunde . Laut Wired löst Amazon ein Problem, das viele Unternehmen haben, indem es alle seine Entwicklungsteams zusammenbringt und maschinelles Lernen zu einem Unternehmensschwerpunkt macht: getrennte Dateninseln. Unternehmensdaten werden üblicherweise in getrennten Datensätzen in verschiedenen Computersystemen gespeichert. Selbst wenn ein Unternehmen über alle Daten verfügt, die für maschinelles Lernen benötigt werden, sind diese in der Regel nicht gekennzeichnet, aktuell oder brauchbar organisiert. Die Herausforderung besteht darin, eine große Vision zu entwickeln, wie diese Datensätze zusammengestellt und auf neue Weise genutzt werden können, wie es Amazon getan hat.
KI schreitet schnell voran und wird es sicherlich einfacher machen, Daten zu bereinigen und zu integrieren. Aber Unternehmensleiter müssen immer noch verstehen, was es wirklich tut, und eine Vision für seine Verwendung entwickeln. Dann werden sie die großen Vorteile sehen.
Dieser Beitrag erschien zuerst auf wadhwa.com und wurde mit Genehmigung reproduziert.