อย่าเชื่อโฆษณาเกินจริงเกี่ยวกับ AI ในธุรกิจ

ในการขอยืมหมัดเด็ดจากศาสตราจารย์ Dan Ariely ของ Duke ปัญญาประดิษฐ์เป็นเหมือนการมีเพศสัมพันธ์ของวัยรุ่น:

“ทุกคนพูดถึงเรื่องนี้ ไม่มีใครรู้ว่าต้องทำอย่างไร ทุกคนคิดว่าคนอื่นกำลังทำ ดังนั้นทุกคนจึงอ้างว่าพวกเขากำลังทำอยู่”

แม้ว่าระบบ AI จะสามารถเรียนรู้เกมและเอาชนะแชมป์เปี้ยนได้ภายในไม่กี่ชั่วโมง แต่ก็ยากที่จะนำไปใช้กับแอปพลิเคชันทางธุรกิจ

MIT Sloan Management Review และ Boston Consulting Group ได้ทำการสำรวจผู้บริหารธุรกิจ 3,000 คน และพบว่าในขณะที่ 85 เปอร์เซ็นต์เชื่อว่า AI จะช่วยให้บริษัทของตนมีความได้เปรียบในการแข่งขัน แต่มีเพียงหนึ่งใน 20 เท่านั้นที่รวมเอาข้อมูลนี้ไว้ในข้อเสนอหรือกระบวนการต่างๆ ความท้าทายคือการนำ AI มาใช้นั้นไม่ง่ายเหมือนการติดตั้งซอฟต์แวร์ ต้องใช้ความเชี่ยวชาญ วิสัยทัศน์ และข้อมูลที่ไม่สามารถเข้าถึงได้ง่าย

เมื่อคุณดูแอปพลิเคชันที่รู้จักกันดีของ AI เช่น AlphaGo Zero ของ Google คุณจะได้รับความประทับใจที่เหมือนกับเวทมนตร์: AI ได้เรียนรู้เกมกระดานที่ยากที่สุดในโลกในเวลาเพียงสามวันและเอาชนะแชมป์เปี้ยน ในขณะเดียวกัน AI ของ Nvidia สามารถสร้างภาพที่เหมือนจริงของภาพที่ดูเหมือนคนดังเพียงแค่ดูภาพของคนจริง

AlphaGo และ Nvidia ใช้เทคโนโลยีที่เรียกว่า generative adversarial network ซึ่งแบ่งระบบ AI สองระบบเข้าด้วยกันเพื่อให้เรียนรู้จากกันและกัน เคล็ดลับคือก่อนที่เครือข่ายจะต่อสู้กันเอง พวกเขาได้รับการฝึกสอนมากมาย และ ที่สำคัญกว่านั้น ปัญหาและผลลัพธ์ที่ได้ถูกกำหนดไว้อย่างดี

ปัญหาทางธุรกิจส่วนใหญ่ไม่สามารถกลายเป็นเกมได้ คุณมีผู้เล่นมากกว่าสองคนและไม่มีกฎเกณฑ์ที่ชัดเจน ผลลัพธ์ของการตัดสินใจทางธุรกิจมักจะเป็นการชนะหรือแพ้ที่ชัดเจน และมีตัวแปรมากเกินไป ดังนั้นจึงเป็นเรื่องยากสำหรับธุรกิจที่จะนำ AI มาใช้มากกว่าที่เห็น

แนะนำสำหรับคุณ:

ทรัพยากร

Metaverse จะพลิกโฉมอุตสาหกรรมยานยนต์อินเดียได้อย่างไร

วิภาวดี ส.

31 กรกฎาคม 2565

ทรัพยากร

บทบัญญัติต่อต้านการแสวงหากำไรสำหรับสตาร์ทอัพในอินเดียมีความหมายอย่างไร?

จรัญญา ล.

31 กรกฎาคม 2565

ทรัพยากร

Edtech Startups ช่วยให้แรงงานอินเดียเพิ่มพูนทักษะและเตรียมพร้อมสู่อนาคตได้อย่างไร...

อังคุช เอส

31 กรกฎาคม 2565

ข่าว

หุ้นเทคโนโลยียุคใหม่ในสัปดาห์นี้: ปัญหาของ Zomato ยังคงดำเนินต่อไป, EaseMyTrip Posts Stro...

ตปัญจนา ร.

31 กรกฎาคม 2565

คุณสมบัติ

สตาร์ทอัพอินเดียใช้ทางลัดในการไล่ล่าหาทุน

นิกิล เอส.

31 กรกฎาคม 2565

ข่าว

แพลตฟอร์มการตลาดดิจิทัล Logicserve ระดมทุน INR 80 Cr รีแบรนด์เป็น LS Dig...

เชตัน ต.

31 กรกฎาคม 2565

ระบบ AI ในปัจจุบันพยายามอย่างเต็มที่เพื่อเลียนแบบการทำงานของโครงข่ายประสาทของสมองมนุษย์ แต่พวกมันทำในลักษณะที่จำกัดมาก พวกเขาใช้เทคนิคที่เรียกว่าการเรียนรู้เชิงลึกซึ่งปรับความสัมพันธ์ของคำสั่งคอมพิวเตอร์ที่ออกแบบมาให้ทำตัวเหมือนเซลล์ประสาท พูดง่ายๆ ก็คือ คุณบอก AI อย่างชัดเจนถึงสิ่งที่คุณต้องการให้เรียนรู้ และจัดเตรียมตัวอย่างที่มีป้ายกำกับไว้อย่างชัดเจน และจะวิเคราะห์รูปแบบในข้อมูลเหล่านั้นและจัดเก็บไว้สำหรับการใช้งานในอนาคต ความถูกต้องของรูปแบบขึ้นอยู่กับข้อมูล ดังนั้นยิ่งคุณยกตัวอย่างมากเท่าไร ก็ยิ่งมีประโยชน์มากขึ้นเท่านั้น

ปัญหาอยู่ในที่นี้: AI ดีพอๆ กับข้อมูลที่ได้รับเท่านั้น และสามารถตีความข้อมูลนั้นได้เฉพาะภายในขอบเขตที่แคบของบริบทที่ให้มาเท่านั้น ไม่ได้ "เข้าใจ" ว่าวิเคราะห์อะไร ดังนั้นจึงไม่สามารถใช้การวิเคราะห์กับสถานการณ์ในบริบทอื่นได้ และไม่สามารถแยกแยะสาเหตุจากความสัมพันธ์ได้ AI เป็นเหมือนสเปรดชีต Excel บนสเตียรอยด์มากกว่านักคิด

ความยากลำบากที่ใหญ่กว่าในการทำงานกับ AI รูปแบบนี้คือ สิ่งที่ได้เรียนรู้ยังคงเป็นปริศนา — ชุดของการตอบสนองต่อข้อมูลที่ไม่สามารถกำหนดได้ เมื่อโครงข่ายประสาทเทียมได้รับการฝึกอบรมแล้ว แม้แต่ผู้ออกแบบเองก็ไม่รู้ว่ามันทำงานอย่างไร ตามที่ศาสตราจารย์ Gary Marcus แห่งมหาวิทยาลัยนิวยอร์กอธิบาย ระบบการเรียนรู้เชิงลึกมีพารามิเตอร์นับล้านหรือหลายพันล้านตัว ซึ่งระบุนักพัฒนาได้เฉพาะในแง่ของภูมิศาสตร์ภายในโครงข่ายประสาทเทียมที่ซับซ้อนเท่านั้น พวกเขาเป็น "กล่องดำ" นักวิจัยกล่าว

เมื่อพูดถึงการพัฒนาใหม่ใน AlphaGo มีรายงานว่า Demis Hassabis CEO ของ Google/DeepMind กล่าวว่า "มันไม่ได้เล่นเหมือนมนุษย์ และไม่เล่นเหมือนโปรแกรม มันเล่นในรูปแบบที่สามเกือบจะเป็นเอเลี่ยน”

ผู้ใช้ข ไม่สามารถใช้ระบบของพวกเขาในการตัดสินใจของมนุษย์ต่างดาว พวกเขาเผชิญกับข้อกำหนดด้านกฎระเบียบและข้อกังวลด้านชื่อเสียง และต้องสามารถเข้าใจ อธิบาย และแสดงเหตุผลเบื้องหลังการตัดสินใจทุกอย่างที่พวกเขาทำ

เพื่อให้ AI มีค่ามากขึ้น จำเป็นต้องสามารถมองภาพรวมและรวมแหล่งข้อมูลต่างๆ มากมายกว่าระบบคอมพิวเตอร์ที่มันถูกแทนที่ Amazon เป็นหนึ่งในบริษัทไม่กี่แห่งที่เข้าใจและนำ AI ไปใช้อย่างมีประสิทธิภาพแล้ว เพื่อเพิ่มประสิทธิภาพการทำงานจริงในทุกส่วน ตั้งแต่การจัดการสินค้าคงคลังและการดำเนินงานคลังสินค้า ไปจนถึงศูนย์ข้อมูลที่ทำงานอยู่

ในการจัดการสินค้าคงคลัง ตัวอย่างเช่น การตัดสินใจซื้อมักจะทำโดยบุคคลที่มีประสบการณ์ เรียกว่า ผู้ซื้อ ทีละแผนก ระบบจะแสดงระดับสินค้าคงคลังตามร้านค้า และพวกเขาใช้ประสบการณ์และสัญชาตญาณในการสั่งซื้อ AI ของ Amazon รวบรวมข้อมูลจากทุกแผนกเพื่อดูแนวโน้มที่ใหญ่ขึ้น และเชื่อมโยงกับข้อมูลทางเศรษฐกิจและสังคม การสอบถามเกี่ยวกับบริการลูกค้า ภาพดาวเทียมของลานจอดรถของคู่แข่ง การคาดคะเนจาก The Weather Company และปัจจัยอื่นๆ ผู้ค้าปลีกรายอื่นกำลังทำสิ่งเหล่านี้อยู่ แต่ไม่มีสิ่งใดมีประสิทธิภาพเท่ากับ Amazon

วิธีการประเภทนี้ยังเป็นพื้นฐานของ Echo และ Alexa เครื่องใช้ในบ้านที่ใช้เสียงของ Amazon ตาม Wired การรวมทีมพัฒนาทั้งหมดเข้าด้วยกันและทำให้แมชชีนเลิร์นนิงเป็นจุดสนใจขององค์กร Amazon กำลังแก้ปัญหาที่หลายบริษัทมี: เกาะข้อมูลที่ไม่เชื่อมต่อกัน ข้อมูลองค์กรมักจะเก็บไว้ในชุดข้อมูลที่ไม่ปะติดปะต่อกันในระบบคอมพิวเตอร์ต่างๆ แม้ว่าบริษัทจะมีข้อมูลทั้งหมดที่จำเป็นสำหรับแมชชีนเลิร์นนิง แต่ก็มักจะไม่มีการติดป้ายกำกับ อัปเดต หรือจัดระเบียบในลักษณะที่ใช้งานได้ ความท้าทายคือการสร้างวิสัยทัศน์อันยิ่งใหญ่ในการรวมชุดข้อมูลเหล่านี้เข้าด้วยกัน และใช้งานในรูปแบบใหม่อย่างที่ Amazon ได้ทำ

AI กำลังก้าวหน้าอย่างรวดเร็วและจะทำให้การล้างและรวมข้อมูลง่ายขึ้นอย่างแน่นอน แต่ผู้นำธุรกิจยังคงต้องเข้าใจสิ่งที่มันทำจริง ๆ และสร้างวิสัยทัศน์สำหรับการใช้งาน นั่นคือเมื่อพวกเขาจะเห็นประโยชน์ที่ยิ่งใหญ่

โพสต์นี้ปรากฏครั้งแรกบน wadhwa.com และทำซ้ำโดยได้รับอนุญาต