Nie wierz w szum o sztucznej inteligencji w biznesie
Opublikowany: 2018-03-25Mimo że systemy sztucznej inteligencji mogą teraz nauczyć się gry i pokonać mistrzów w ciągu kilku godzin, trudno je zastosować w aplikacjach biznesowych
Zapożyczając puentę od profesora księcia Dana Ariely, sztuczna inteligencja jest jak nastoletni seks:
„Wszyscy o tym mówią, nikt tak naprawdę nie wie, jak to zrobić, wszyscy myślą, że wszyscy to robią, więc wszyscy twierdzą, że to robią”.
Mimo że systemy sztucznej inteligencji mogą teraz nauczyć się gry i pokonać mistrzów w ciągu kilku godzin, trudno je zastosować w aplikacjach biznesowych.
MIT Sloan Management Review i Boston Consulting Group przeprowadziły ankietę wśród 3000 dyrektorów biznesowych i stwierdziły, że chociaż 85 procent z nich wierzyło, że sztuczna inteligencja zapewni ich firmom przewagę konkurencyjną, tylko jedna osoba na 20 „obszernie” włączyła ją do swojej oferty lub procesów. Wyzwanie polega na tym, że wdrażanie sztucznej inteligencji nie jest tak proste, jak instalacja oprogramowania. Wymaga wiedzy, wizji i informacji, które nie są łatwo dostępne.
Kiedy spojrzysz na dobrze znane aplikacje AI, takie jak AlphaGo Zero firmy Google, odniesiesz wrażenie, że jest to jak magia: AI nauczyła się najtrudniejszej gry planszowej na świecie w zaledwie trzy dni i pokonała mistrzów. Tymczasem sztuczna inteligencja Nvidii może generować fotorealistyczne obrazy ludzi, którzy wyglądają jak celebryci, po prostu patrząc na zdjęcia prawdziwych.
AlphaGo i Nvidia wykorzystały technologię zwaną generatywnymi sieciami przeciwników, która stawia dwa systemy AI przeciwko sobie, aby umożliwić im wzajemne uczenie się. Sztuczka polegała na tym, że zanim sieci walczyły ze sobą, otrzymywały dużo coachingu. A co ważniejsze, ich problemy i wyniki były dobrze zdefiniowane.
Większości problemów biznesowych nie da się jednak zamienić w grę; masz więcej niż dwóch graczy i nie masz jasnych zasad. Wyniki decyzji biznesowych rzadko są wyraźnymi wygranymi lub przegranymi, a zmiennych jest zbyt wiele. Dlatego firmom jest o wiele trudniej wdrożyć sztuczną inteligencję, niż się wydaje.
Polecany dla Ciebie:
Jak Metaverse zmieni indyjski przemysł motoryzacyjny?
Co oznacza przepis anty-profitowy dla indyjskich startupów?
W jaki sposób start-upy Edtech pomagają indyjskim pracownikom podnosić umiejętności i być gotowym na przyszłość...
Akcje New Age Tech w tym tygodniu: Kłopoty Zomato nadal, EaseMyTrip publikuje Stro...
Indyjskie startupy idą na skróty w pogoni za finansowaniem
Digital Marketing Platform Logicserve Bags Finansowanie INR 80 Cr, zmienia nazwę na LS Dig...
Dzisiejsze systemy sztucznej inteligencji dokładają wszelkich starań, aby naśladować funkcjonowanie sieci neuronowych ludzkiego mózgu, ale robią to w bardzo ograniczony sposób. Wykorzystują technikę zwaną głębokim uczeniem, która dostosowuje relacje instrukcji komputerowych zaprojektowanych tak, aby zachowywały się jak neurony. Mówiąc prościej, mówisz sztucznej inteligencji dokładnie, czego chcesz, aby się nauczyła, i dostarczasz jej wyraźnie oznaczone przykłady, a ona analizuje wzorce w tych danych i przechowuje je do przyszłych zastosowań. Dokładność jego wzorców zależy od danych, więc im więcej przykładów podasz, tym bardziej się przyda.
W tym tkwi problem: sztuczna inteligencja jest tak dobra, jak dane, które otrzymuje. I jest w stanie zinterpretować te dane tylko w wąskim zakresie dostarczonego kontekstu. Nie „rozumie” tego, co przeanalizował, więc nie jest w stanie zastosować swojej analizy do scenariuszy w innych kontekstach. I nie potrafi odróżnić związku przyczynowego od korelacji. AI jest bardziej jak arkusz kalkulacyjny Excela na sterydach niż myśliciel.
Większa trudność w pracy z tą formą sztucznej inteligencji polega na tym, że to, czego się nauczyła, pozostaje tajemnicą — zestaw niedefiniowalnych odpowiedzi na dane. Po przeszkoleniu sieci neuronowej nawet jej projektant nie wie dokładnie, jak robi to, co robi. Jak wyjaśnia profesor New York University, Gary Marcus, systemy głębokiego uczenia mają miliony, a nawet miliardy parametrów, które ich programiści mogą zidentyfikować tylko na podstawie ich położenia geograficznego w złożonej sieci neuronowej. Naukowcy twierdzą, że są „czarną skrzynką”.
Mówiąc o nowych osiągnięciach w AlphaGo, dyrektor generalny Google/DeepMind, Demis Hassabis , powiedział podobno: „Nie gra jak człowiek i nie gra jak program. Gra w trzeci, prawie obcy sposób.
Firmy nie mogą sobie pozwolić na to, aby ich systemy podejmowały obce decyzje. Stawiają czoła wymogom regulacyjnym i problemom związanym z reputacją i muszą być w stanie zrozumieć, wyjaśnić i zademonstrować logikę stojącą za każdą podejmowaną decyzją.
Aby sztuczna inteligencja była bardziej wartościowa, musi być w stanie spojrzeć na szerszy obraz i obejmować znacznie więcej źródeł informacji niż systemy komputerowe, które zastępuje. Amazon jest jedną z niewielu firm, które już zrozumiały i skutecznie wdrożyły sztuczną inteligencję, aby zoptymalizować praktycznie każdą część swojej działalności, od zarządzania zapasami i obsługi magazynu po prowadzenie centrów danych.
Na przykład w zarządzaniu zapasami decyzje dotyczące zakupów są tradycyjnie podejmowane przez doświadczone osoby, zwane kupującymi, dział po dziale. Ich systemy pokazują im poziomy zapasów według sklepu, a oni wykorzystują swoje doświadczenie i instynkt do składania zamówień. Sztuczna inteligencja Amazona konsoliduje dane ze wszystkich działów, aby zobaczyć większe trendy – i powiązać je z danymi społeczno-ekonomicznymi, zapytaniami dotyczącymi obsługi klienta, zdjęciami satelitarnymi parkingów konkurencji, prognozami The Weather Company i innymi czynnikami. Inni sprzedawcy detaliczni robią niektóre z tych rzeczy, ale żadna nie jest tak skuteczna jak Amazon.
Tego typu podejście jest również podstawą Echo i Alexa , głosowych urządzeń gospodarstwa domowego Amazona. Według Wired, łącząc wszystkie swoje zespoły programistów i skupiając się na uczeniu maszynowym, Amazon rozwiązuje problem wielu firm: odłączone wyspy danych. Dane korporacyjne są zwykle przechowywane w rozłącznych zbiorach danych w różnych systemach komputerowych. Nawet jeśli firma posiada wszystkie dane potrzebne do uczenia maszynowego, zwykle nie są one oznaczone, aktualne ani zorganizowane w użyteczny sposób. Wyzwaniem jest stworzenie wielkiej wizji tego, jak połączyć te zbiory danych i wykorzystać je w nowy sposób, tak jak zrobił to Amazon.
Sztuczna inteligencja rozwija się szybko i z pewnością ułatwi czyszczenie i integrację danych. Ale liderzy biznesu nadal będą musieli zrozumieć, co naprawdę robi i stworzyć wizję jego wykorzystania. Wtedy dostrzegą duże korzyści.
Ten post pojawił się po raz pierwszy na wadhwa.com i został powielony za zgodą.