Saturs
- AI hipes ciklā
- Tik tālu, ne tik labi
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Tas viss ir eņģes uz datiem
Avots: charles taylor / iStockphoto
Izņemšana:
Par mākslīgo intelektu ir daudz nepatikšanas, tikai cik tas ir inteliģents?
Mākslīgais intelekts ir pievērsis tik lielu uzmanību uzņēmumu aprindās, ka daudziem IT vadītājiem var attaisnoties, domājot, ka tas sniegs visas atbildes uz arvien sarežģītāko datu ekosistēmu. Bet, lai gan tai noteikti ir potenciāls veikt daudzus nozīmīgus uzlabojumus esošajā tehnoloģijā, ir arī taisnīgi teikt, ka dažas cerības, kas saistītas ar tās efektivitāti, ir pārspīlētas.
Faktiski ir samērā maz izpratnes par to, kas tieši ir AI, kā tas patiesībā darbojas un ko tas faktiski var darīt. Un tas rada plašus maldīgus priekšstatus par tā lomu uzņēmumā un veidu, kā tas attieksies pret esošo infrastruktūru un cilvēkiem, kuri to pārvalda.
AI hipes ciklā
Saskaņā ar Gartnera jaunāko hipe ciklu, galvenās AI apakškopas, piemēram, dziļa mācīšanās, mašīnmācība un kognitīvā skaitļošana, ir līknes Peak Inflated Expectations augšpusē, kas nozīmē, ka tās atrodas uz ilgā slaida augšdaļas maldināšanas sile. Lai gan tas ir līdzvērtīgi kursam attiecībā uz praktiski visām graujošajām tehnoloģijām pēdējos 30 gados, tas norāda uz faktu, ka paredzamā AI ietekme uz uzņēmumu, kas galvenokārt iegūta no kontrolētiem laboratorijas testiem, drīz vien atspoguļosies realitātē. no ražošanas vides. (Iepazīstiet skaitļošanas jauninājumu vēsturi no Ada Lovelace līdz Deep Learning.)
Neskatoties uz to, Gartner pētnieks Maiks Walkers sagaida, ka nākamajā desmitgadē AI kļūs visuresošs, izmantojot progresējošas skaitļošanas jaudas apvienojumu, kas noved pie tādu konstrukciju kā neironu tīkla izstrādes, un tas vien, ka uzņēmuma datu slodze ir kļuvusi tik milzīga un tik sarežģīts, ka cilvēku operatori vairs nevar tikt galā paši.
Viena no pirmajām lietām, kas uzņēmumam jāsaprot par AI, ir tā, ka tā spēlē ātri un brīvi ar terminu “intelekts”. Kā nesen ZDnet skaidroja Šveices neirozinātnieks Paskāls Kaufmans, datora algoritma un cilvēka smadzeņu darbības metodēs ir būtiskas atšķirības. apstrādājiet informāciju, lai nonāktu pie secinājuma. Ņemot vērā pietiekamu apstrādes jaudu, datora algoritms var salīdzināt miljonus, miljardus, varbūt pat triljonus datu kopu, lai vienkārši noteiktu, piemēram, vai kaķa attēls patiešām ir kaķa attēls. Bet pat mazs bērns, ņemot vērā ļoti maz datu, var instinktīvi noteikt, ka tas ir kaķis, un uz visiem laikiem uzzinās, kas ir kaķis un kā tas izskatās.
Pēc šī standarta pat vadošais AI piemērs darbā - Google DeepMind AlphaGo meistarība stratēģijas spēlē Go - nebija īsti mākslīgais intelekts, bet gan lielo datu, analītikas un automatizācijas šķērsgriezums, kas spēja racionalizēt uz noteikumiem balstītu pieeju uz uzvaru. Interesanti, ka Kaufmans piebilst, ka īsts mākslīgā intelekta piemērs būtu, ja AlphaGo būtu izdomājis, kā apkrāpt, lai uzvarētu. Tomēr, lai to izdarītu, zinātnei vispirms būs jāsagrauj “smadzeņu kods”, kas pilnveido mūsu spēju apstrādāt informāciju, iegūt zināšanas un uzglabāt atmiņas. (Uzziniet vairāk par automatizāciju, izmantojot automatizāciju: datu zinātnes un mašīnmācības nākotne?)
Tik tālu, ne tik labi
Patiešām, neskatoties uz bažām, ka AI grasās palikt ikviena darbs, līdz šim rezultāti ir gandrīz komiski. Džordža R.R.Martina filmas “Troņu spēle” fani ir tik nepacietīgi nākamajai sērijas daļai, ka daudzi devās uz gandrīz tīra gobbledygook nodaļu, ko uzrakstīja AI forma, ko sauc par atkārtotu neironu tīklu. Tikmēr IBM ņem klaiņot no onkoloģijas pētniekiem, kuriem tika teikts, ka Vatsons atklāj jaunu laikmetu diagnostikā un ārstēšanā, bet tā vietā joprojām cenšas tikai atšķirt vēža pamata formas. Ņemot vērā šos sasniegumus, ir pilnīgi iespējams, ka tad, kad AI pirmo reizi tiek ieviests tipiskajā uzņēmumā, tas, iespējams, prasīs vairāk pūļu no operatoru puses, lai tikai izsekotu un uzraudzītu visas pieļautās kļūdas.
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, ja nevienam nerūp programmatūras kvalitāte.
Bet tas ir berzēt: laika gaitā AI kļūs labāks, bez nepieciešamības to pārprogrammēt. Kā nesen pastāstīja Kornela tehnikas pētnieks Daniels Huttenlokers Tech Crunch, AI, visticamāk, izspiež tradicionālo programmatūru - un visus nepatīkamos ielāpus, atjauninājumus un labojumus, kas tai nepieciešami - nekā cilvēku operatori. Tas nenozīmē, ka AI nav jāprogrammē, bet gan pieeja ir ievērojami vienkāršota. Izmantojot mūsdienu programmatūru, programmētājam ir jādefinē ne tikai atrisināmais uzdevums, bet arī precīzi soļi, kā to atrisināt. Izmantojot AI, viss, kas nepieciešams, ir mērķis, un programmatūrai vajadzētu būt spējīgai rīkoties ar pārējo, ja tai ir vajadzīgie dati, ar kuriem strādāt.
Tas viss ir eņģes uz datiem
Šis pēdējais punkts ir ļoti svarīgs, jo dienas beigās AI ir vienkārši algoritms, un algoritmi ir tikai tik labi, cik tie ir padoti. Tas nozīmē, ka papildus pareizas AI darbības struktūras izveidošanai uzņēmumam būs jāizveido diezgan enerģiska datu kondicionēšanas vide, lai analīzes rezultāti tiktu balstīti uz precīzu ievadīto informāciju. Kā nesen Forbes sacīja ActiveCampaign izpilddirektors Džeisons VandeBooms, vecā joprojām tiek piemēroti noteikumi par “atkritumu vienādās daļās”, tāpēc varētu paiet kāds laiks, pirms organizācijas ieraudzītu savu AI ieguldījumu patiesās priekšrocības.
Ņemot vērā visu iepriekš minēto, uzņēmumam nevajadzētu gaidīt, ka AI sniegs ātru risinājumu lielo datu un IoT izaicinājumiem. Mācīšanās līkne gan cilvēkiem, gan mašīnām, visticamāk, būs diezgan gara, un rezultāti labākajā gadījumā nav skaidri.
Bet, ja tas viss izdodas, kā plānots, ilgtermiņā gan uzņēmumam, gan zināšanu darbaspēkam vajadzētu redzēt būtiskus ieguvumus. Iedomājieties tikai vissmalkāko, nogurdinošāko un laikietilpīgāko uzdevumu, kas šobrīd palēnina jūsu procesus, un iedomājieties, ka nekad vairs nekad tos nevajadzēs darīt.