لا تصدق الضجيج حول الذكاء الاصطناعي في الأعمال
نشرت: 2018-03-25على الرغم من أن أنظمة الذكاء الاصطناعي يمكنها الآن تعلم لعبة والتغلب على الأبطال في غضون ساعات ، إلا أنه من الصعب تطبيقها على تطبيقات الأعمال
لاستعارة جملة لكمة من الأستاذ ديوك دان أريلي ، فإن الذكاء الاصطناعي يشبه الجنس في سن المراهقة:
"الجميع يتحدث عن ذلك ، لا أحد يعرف حقًا كيف يفعل ذلك ، الجميع يعتقد أن الآخرين يفعلون ذلك ، لذلك يدعي الجميع أنهم يفعلون ذلك."
على الرغم من أن أنظمة الذكاء الاصطناعي يمكنها الآن تعلم لعبة ما والتغلب على الأبطال في غضون ساعات ، إلا أنه من الصعب تطبيقها على تطبيقات الأعمال.
قام كل من MIT Sloan Management Review و Boston Consulting Group باستطلاع آراء 3000 مدير تنفيذي ووجدوا أنه بينما يعتقد 85٪ منهم أن الذكاء الاصطناعي سيوفر لشركاتهم ميزة تنافسية ، فإن واحدًا فقط من كل 20 قام بدمجها "على نطاق واسع" في عروضهم أو عملياتهم. التحدي هو أن تطبيق الذكاء الاصطناعي ليس سهلاً مثل تثبيت البرامج. يتطلب خبرة ورؤية ومعلومات لا يسهل الوصول إليها.
عندما تنظر إلى التطبيقات المعروفة للذكاء الاصطناعي مثل AlphaGo Zero من Google ، ستحصل على انطباع بأنها مثل السحر: تعلم الذكاء الاصطناعي أصعب لعبة لوح في العالم في ثلاثة أيام فقط وتغلب على الأبطال. وفي الوقت نفسه ، يمكن للذكاء الاصطناعي في Nvidia إنشاء صور واقعية لأشخاص يشبهون المشاهير فقط من خلال النظر إلى صور حقيقية.
استخدم AlphaGo و Nvidia تقنية تسمى شبكات الخصومة التوليدية ، والتي تضع نظامين للذكاء الاصطناعي في مواجهة بعضهما البعض للسماح لهما بالتعلم من بعضهما البعض. كانت الحيلة هي أنه قبل أن تتشاجر الشبكات مع بعضها البعض ، تلقوا الكثير من التدريب. والأهم من ذلك ، تم تحديد مشاكلهم ونتائجهم بشكل جيد.
ومع ذلك ، لا يمكن تحويل معظم مشاكل العمل إلى لعبة ؛ لديك أكثر من لاعبين ولا توجد قواعد واضحة. نادرًا ما تكون نتائج قرارات العمل فوزًا أو خسارة واضحة ، وهناك الكثير من المتغيرات. لذلك فإن تطبيق الذكاء الاصطناعي أكثر صعوبة مما يبدو على الشركات.
موصى به لك:
كيف ستحول Metaverse صناعة السيارات الهندية
ماذا يعني توفير مكافحة الربح بالنسبة للشركات الهندية الناشئة؟
كيف تساعد الشركات الناشئة في تكنولوجيا التعليم في تطوير مهارات القوى العاملة في الهند وتصبح جاهزة للمستقبل ...
الأسهم التقنية في العصر الجديد هذا الأسبوع: مشاكل Zomato مستمرة ، EaseMyTrip تنشر Stro ...
تتخذ الشركات الهندية الناشئة اختصارات في مطاردة للتمويل
منصة التسويق الرقمي Logicserve Bags INR 80 Cr Funding، Rbrands as LS Dig ...
تبذل أنظمة الذكاء الاصطناعي اليوم قصارى جهدها لمحاكاة عمل الشبكات العصبية للدماغ البشري ، لكنها تفعل ذلك بطريقة محدودة للغاية. يستخدمون تقنية تسمى التعلم العميق ، والتي تعدل علاقات تعليمات الكمبيوتر المصممة لتتصرف مثل الخلايا العصبية. لتوضيح الأمر ببساطة ، فأنت تخبر الذكاء الاصطناعي بالضبط بما تريد أن يتعلمه وتزوده بأمثلة معنونة بوضوح ، ويقوم بتحليل الأنماط في تلك البيانات وتخزينها للتطبيق المستقبلي. تعتمد دقة أنماطها على البيانات ، لذا فكلما قدمت أمثلة أكثر ، أصبحت أكثر فائدة.
وهنا تكمن المشكلة: الذكاء الاصطناعي جيد فقط بقدر البيانات التي يتلقاها. وهي قادرة على تفسير تلك البيانات فقط ضمن الحدود الضيقة للسياق المقدم. إنه لا "يفهم" ما حلله ، لذا فهو غير قادر على تطبيق تحليله على سيناريوهات في سياقات أخرى. ولا يمكنها التمييز بين السببية والترابط. الذكاء الاصطناعي يشبه إلى حد كبير جدول بيانات Excel على المنشطات أكثر من كونه مفكرًا.
تكمن الصعوبة الأكبر في العمل مع هذا الشكل من الذكاء الاصطناعي في أن ما تعلمه لا يزال لغزًا - مجموعة من الاستجابات غير القابلة للتحديد للبيانات. بمجرد تدريب الشبكة العصبية ، لا يعرف حتى مصممها بالضبط كيف تفعل ما تفعله. كما يشرح الأستاذ في جامعة نيويورك جاري ماركوس ، فإن أنظمة التعلم العميق تحتوي على ملايين أو حتى مليارات من المعلمات ، والتي يمكن تحديدها لمطوريها فقط من حيث جغرافيتهم داخل شبكة عصبية معقدة. يقول الباحثون إنهم "صندوق أسود".
في حديثه عن التطورات الجديدة في AlphaGo ، ورد أن ديميس هاسابيس ، الرئيس التنفيذي لشركة Google / DeepMind ، قال: "إنها لا تلعب مثل الإنسان ، ولا تلعب كبرنامج. إنها تلعب بطريقة ثالثة ، غريبة تقريبًا ".
لا يمكن لمستخدمي B أن تجعل أنظمتهم تتخذ قرارات غريبة. إنهم يواجهون متطلبات تنظيمية ومخاوف تتعلق بالسمعة ويجب أن يكونوا قادرين على فهم وشرح وإثبات المنطق وراء كل قرار يتخذهون.
لكي يكون الذكاء الاصطناعي أكثر قيمة ، يجب أن يكون قادرًا على النظر إلى الصورة الكبيرة وتضمين العديد من مصادر المعلومات أكثر من أنظمة الكمبيوتر التي يستبدلها. Amazon هي واحدة من الشركات القليلة التي فهمت بالفعل الذكاء الاصطناعي وطبقته بفعالية لتحسين كل جزء من عملياتها عمليًا من إدارة المخزون وتشغيل المستودعات إلى تشغيل مراكز البيانات.
في إدارة المخزون ، على سبيل المثال ، يتم اتخاذ قرارات الشراء بشكل تقليدي بواسطة أفراد ذوي خبرة ، يُطلق عليهم اسم المشترين ، قسمًا إلى قسمًا. تُظهر لهم أنظمتهم مستويات المخزون حسب المتجر ، ويستخدمون خبرتهم وغرائزهم لتقديم الطلبات. يدمج الذكاء الاصطناعي في أمازون البيانات من جميع الإدارات لمعرفة الاتجاهات الأكبر - وربطها بالبيانات الاجتماعية والاقتصادية ، واستفسارات خدمة العملاء ، وصور الأقمار الصناعية لمواقف سيارات المنافسين ، والتنبؤات من The Weather Company ، وعوامل أخرى. يقوم تجار التجزئة الآخرون ببعض هذه الأشياء ، لكن لا شيء فعال مثل أمازون.
هذا النوع من النهج هو أيضًا أساس Echo و Alexa ، الأجهزة المنزلية القائمة على الصوت من Amazon. وفقًا لـ Wired ، من خلال الجمع بين جميع فرق التطوير التابعة لها وجعل التعلم الآلي محور تركيز الشركة ، تحل Amazon مشكلة تواجهها العديد من الشركات: جزر غير متصلة من البيانات. عادةً ما يتم تخزين بيانات الشركة في مجموعات بيانات منفصلة في أنظمة كمبيوتر مختلفة. حتى عندما تمتلك الشركة جميع البيانات اللازمة للتعلم الآلي ، فعادة ما لا يتم تصنيفها أو تحديثها أو تنظيمها بطريقة قابلة للاستخدام. يتمثل التحدي في إنشاء رؤية شاملة لكيفية تجميع مجموعات البيانات هذه معًا واستخدامها بطرق جديدة ، كما فعلت أمازون.
يتقدم الذكاء الاصطناعي بسرعة وسيجعل بالتأكيد من السهل تنظيف البيانات ودمجها. لكن سيظل قادة الأعمال بحاجة إلى فهم ما يفعله حقًا وإنشاء رؤية لاستخدامه. هذا هو الوقت الذي سيرون فيه الفوائد الكبيرة.
ظهر هذا المنشور لأول مرة على wadhwa.com وتم نسخه بإذن.