Non credere al clamore sull'IA negli affari
Pubblicato: 2018-03-25Anche se i sistemi di intelligenza artificiale possono ora imparare un gioco e battere i campioni in poche ore, sono difficili da applicare alle applicazioni aziendali
Per prendere in prestito una battuta dal professore di Duke Dan Ariely, l'intelligenza artificiale è come il sesso adolescenziale:
"Tutti ne parlano, nessuno sa davvero come farlo, tutti pensano che lo stiano facendo tutti gli altri, quindi tutti affermano di farlo".
Anche se i sistemi di intelligenza artificiale ora possono imparare un gioco e battere i campioni in poche ore, sono difficili da applicare alle applicazioni aziendali.
Il MIT Sloan Management Review e il Boston Consulting Group hanno intervistato 3.000 dirigenti aziendali e hanno scoperto che mentre l' 85% di loro credeva che l'IA avrebbe fornito alle proprie aziende un vantaggio competitivo, solo uno su 20 l'aveva "ampiamente" incorporata nelle proprie offerte o processi. La sfida è che implementare l'IA non è facile come installare un software. Richiede esperienza, visione e informazioni che non sono facilmente accessibili.
Quando guardi le famose applicazioni dell'IA come AlphaGo Zero di Google, hai l'impressione che sia come per magia: l'IA ha imparato il gioco da tavolo più difficile del mondo in soli tre giorni e ha battuto i campioni. Nel frattempo, l'IA di Nvidia può generare immagini fotorealistiche di persone che sembrano celebrità semplicemente guardando le immagini di quelle reali.
AlphaGo e Nvidia hanno utilizzato una tecnologia chiamata reti generative adversarial, che contrappone due sistemi di intelligenza artificiale l'uno contro l'altro per consentire loro di imparare l'uno dall'altro. Il trucco era che prima che le reti si combattessero, ricevevano molto coaching. E, cosa più importante, i loro problemi e risultati erano ben definiti.
Tuttavia, la maggior parte dei problemi aziendali non può essere trasformata in un gioco; hai più di due giocatori e nessuna regola chiara. I risultati delle decisioni aziendali sono raramente una chiara vittoria o perdita e ci sono troppe variabili. Quindi è molto più difficile per le aziende implementare l'IA di quanto sembri.
Raccomandato per te:
Come Metaverse trasformerà l'industria automobilistica indiana
Cosa significa la disposizione anti-profitto per le startup indiane?
In che modo le startup Edtech stanno aiutando la forza lavoro indiana a migliorare le competenze e a diventare pronte per il futuro...
Azioni tecnologiche new-age questa settimana: i problemi di Zomato continuano, EaseMyTrip pubblica stro...
Le startup indiane prendono scorciatoie alla ricerca di finanziamenti
Piattaforma di marketing digitale Logicserve Borse INR 80 Cr Finanziamenti, rinomina come LS Dig...
I sistemi di intelligenza artificiale di oggi fanno del loro meglio per emulare il funzionamento delle reti neurali del cervello umano, ma lo fanno in modo molto limitato. Usano una tecnica chiamata deep learning, che regola le relazioni delle istruzioni del computer progettate per comportarsi come neuroni. Per dirla semplicemente, dici a un'IA esattamente cosa vuoi che impari e forniscigli esempi chiaramente etichettati, e analizza i modelli in quei dati e li memorizza per applicazioni future. L'accuratezza dei suoi schemi dipende dai dati, quindi più esempi gli dai, più diventa utile.
Qui sta un problema: un'IA è valida solo quanto i dati che riceve. Ed è in grado di interpretare quei dati solo entro gli stretti confini del contesto fornito. Non “capisce” ciò che ha analizzato, quindi non è in grado di applicare la sua analisi a scenari in altri contesti. E non può distinguere la causalità dalla correlazione. L'intelligenza artificiale è più simile a un foglio di calcolo Excel con steroidi che a un pensatore.
La difficoltà maggiore nel lavorare con questa forma di intelligenza artificiale è che ciò che ha appreso rimane un mistero: un insieme di risposte indefinibili ai dati. Una volta che una rete neurale è stata addestrata, nemmeno il suo progettista sa esattamente come sta facendo quello che fa. Come spiega il professore della New York University Gary Marcus, i sistemi di deep learning hanno milioni o addirittura miliardi di parametri, identificabili dai loro sviluppatori solo in termini di geografia all'interno di una complessa rete neurale. Sono una "scatola nera", affermano i ricercatori.
Parlando dei nuovi sviluppi in AlphaGo, il CEO di Google/DeepMind, Demis Hassabis , avrebbe affermato: “Non funziona come un essere umano e non come un programma. Suona in un terzo modo, quasi alieno.
Le aziende non possono permettersi che i loro sistemi prendano decisioni aliene. Devono far fronte a requisiti normativi e problemi di reputazione e devono essere in grado di comprendere, spiegare e dimostrare la logica alla base di ogni decisione che prendono.
Affinché l'IA sia più preziosa, deve essere in grado di guardare al quadro generale e includere molte più fonti di informazioni rispetto ai sistemi informatici che sta sostituendo. Amazon è una delle poche aziende che ha già compreso e implementato l'intelligenza artificiale in modo efficace per ottimizzare praticamente ogni parte delle sue operazioni, dalla gestione dell'inventario e delle operazioni di magazzino alla gestione dei data center.
Nella gestione dell'inventario, ad esempio, le decisioni di acquisto sono tradizionalmente prese da individui esperti, chiamati acquirenti, reparto per reparto. I loro sistemi mostrano loro i livelli di inventario per negozio e usano la loro esperienza e il loro istinto per effettuare ordini. L'intelligenza artificiale di Amazon consolida i dati di tutti i dipartimenti per vedere le tendenze più ampie e metterle in relazione con dati socioeconomici, richieste del servizio clienti, immagini satellitari dei parcheggi della concorrenza, previsioni di The Weather Company e altri fattori. Altri rivenditori stanno facendo alcune di queste cose, ma nessuna con la stessa efficacia di Amazon.
Questo tipo di approccio è anche alla base di Echo e Alexa , gli elettrodomestici basati sulla voce di Amazon. Secondo Wired, riunendo tutti i suoi team di sviluppo e rendendo l'apprendimento automatico un obiettivo aziendale, Amazon sta risolvendo un problema che molte aziende hanno: isole di dati disconnesse. I dati aziendali sono generalmente archiviati in set di dati disgiunti in diversi sistemi informatici. Anche quando un'azienda dispone di tutti i dati necessari per l'apprendimento automatico, di solito non sono etichettati, aggiornati o organizzati in modo utilizzabile. La sfida è creare una visione grandiosa su come mettere insieme questi set di dati e usarli in modi nuovi, come ha fatto Amazon.
L'intelligenza artificiale sta avanzando rapidamente e renderà sicuramente più semplice la pulizia e l'integrazione dei dati. Ma i leader aziendali dovranno ancora capire cosa fa veramente e creare una visione per il suo utilizzo. Questo è quando vedranno i grandi vantaggi.
Questo post è apparso per la prima volta su wadhwa.com ed è stato riprodotto con il permesso.