ビジネスにおける AI についての誇大宣伝を信じないでください
公開: 2018-03-25AI システムがゲームを学習し、数時間以内にチャンピオンを打ち負かすことができるようになったとしても、ビジネス アプリケーションに適用するのは難しい
デューク大学のダン・アリエリー教授のオチを借りると、人工知能は 10 代のセックスのようなものです。
「誰もがそれについて話しますが、誰もそれを行う方法を本当に知りません。誰もが他の人がやっていると思っているので、誰もが自分がやっていると主張しています。」
AI システムがゲームを学習し、数時間以内にチャンピオンを打ち負かすことができるようになったとしても、ビジネス アプリケーションに適用するのは困難です。
MIT Sloan Management Review と Boston Consulting Group が 3,000 人のビジネス エグゼクティブを対象に調査したところ、 85% が AI が企業に競争上の優位性をもたらすと信じている一方で、20 人に 1 人だけが自社の製品やプロセスに AI を「広範囲に」組み込んでいることがわかりました。 課題は、AI の実装はソフトウェアのインストールほど簡単ではないということです。 簡単にアクセスできない専門知識、ビジョン、情報が必要です。
Google の AlphaGo Zero のような AI の有名なアプリケーションを見ると、魔法のような印象を受けます。AIは世界で最も難しいボード ゲームをわずか 3 日間で学習し、チャンピオンを打ち負かしました。 一方、Nvidia の AI は、実際の有名人の写真を見るだけで、有名人のように見える人々のフォトリアリスティックな画像を生成できます。
AlphaGo と Nvidia は、敵対的生成ネットワークと呼ばれる技術を使用しました。これは、2 つの AI システムを互いに戦わせて、互いに学習できるようにするものです。 トリックは、ネットワークが互いに戦う前に、多くのコーチングを受けたことでした. さらに重要なことは、彼らの問題と結果が明確に定義されていたことです。
ただし、ほとんどのビジネス上の問題はゲームに変えることはできません。 2 人以上のプレイヤーがいて、明確なルールがない場合。 ビジネス上の意思決定の結果が明確な勝ち負けになることはめったになく、変数が多すぎます。 そのため、企業が AI を実装することは、見かけよりもはるかに困難です。
あなたにおすすめ:
メタバースがインドの自動車産業をどのように変革するか
反営利条項はインドのスタートアップ企業にとって何を意味するのか?
Edtech スタートアップがインドの労働力のスキルアップと将来への準備をどのように支援しているか...
今週の新時代のテック株：Zomatoのトラブルは続き、EaseMyTripはスト...
インドの新興企業は資金調達を求めて近道をする
デジタル マーケティング プラットフォームの Logicserve が 80 億ルピーの資金を調達し、LS Dig...
今日の AI システムは、人間の脳のニューラル ネットワークの機能をエミュレートするために最善を尽くしていますが、その方法は非常に限られています。 彼らは、ニューロンのように振る舞うように設計されたコンピューター命令の関係を調整するディープラーニングと呼ばれる技術を使用しています。 簡単に言えば、AI に学習させたいことを正確に伝え、明確にラベル付けされた例を提供すると、それらのデータのパターンが分析され、将来のアプリケーションのために保存されます。 そのパターンの精度はデータに依存するため、例を挙げれば与えるほど有用になります。
ここに問題があります。AI の良し悪しは、受け取ったデータにかかっています。 そして、提供されたコンテキストの狭い範囲内でのみそのデータを解釈できます。 分析した内容を「理解」していないため、その分析を他のコンテキストのシナリオに適用することはできません。 また、因果関係と相関関係を区別することもできません。 AI は、考える人というよりも、ステロイドを使った Excel スプレッドシートのようなものです。
この形式の AI を扱う上でより大きな問題は、AI が学習した内容が謎のままであることです。つまり、データに対する一連の定義不可能な応答です。 ニューラル ネットワークがトレーニングされると、その設計者でさえ、それが何をどのように行っているかを正確に知ることはできません。 ニューヨーク大学の Gary Marcus 教授が説明するように、深層学習システムには数百万、場合によっては数十億ものパラメーターがあり、開発者は複雑なニューラル ネットワーク内の地理的な観点からのみ識別できます。 それらは「ブラックボックス」であると研究者は言います。
AlphaGo の新しい開発について、 Google/DeepMind の CEO である Demis Hassabis氏は次のように語ったと伝えられています。 それは第三の、ほとんど異質な方法で演じます。」
企業は、システムに異質な決定を下させる余裕はありません。 彼らは規制要件と評判の問題に直面しており、自分が下すすべての決定の背後にある論理を理解し、説明し、実証できなければなりません。
AI の価値を高めるには、全体像を見て、置き換えられるコンピューター システムよりも多くの情報源を含める必要があります。 Amazon は、AI を効果的に理解して実装し、在庫管理や倉庫の運用からデータセンターの運用に至るまで、運用のほぼすべての部分を最適化している数少ない企業の 1 つです。
たとえば、在庫管理では、購買決定は伝統的に、バイヤーと呼ばれる経験豊富な個人によって部門ごとに行われます。 彼らのシステムは店舗ごとの在庫レベルを示し、経験と勘を使って注文します。 Amazon の AI は、すべての部門からのデータを統合してより大きな傾向を把握し、それらを社会経済データ、顧客サービスの問い合わせ、競合他社の駐車場の衛星画像、The Weather Company からの予測、およびその他の要因に関連付けます。 他の小売業者はこれらのことをいくつか行っていますが、Amazon ほど効果的なものはありません。
この種のアプローチは、Amazonの音声ベースの家電製品であるEchoやAlexaの基礎にもなっています。 Wired によると、Amazon はすべての開発チームをまとめ、機械学習を企業の焦点にすることで、多くの企業が抱えている問題、つまりデータの孤立した島々を解決しています。 企業データは、通常、異なるコンピューター システムのばらばらのデータセットに格納されています。 企業が機械学習に必要なすべてのデータを持っている場合でも、それらは通常、ラベル付けされていないか、最新ではないか、使用可能な方法で整理されていません。 課題は、Amazon が行ったように、これらのデータセットをまとめて新しい方法で使用する方法についての壮大なビジョンを作成することです。
AI は急速に進歩しており、データのクリーンアップと統合が容易になることは間違いありません。 しかし、ビジネス リーダーは、それが実際に何をするのかを理解し、その使用に関するビジョンを作成する必要があります。 そのとき、彼らは大きなメリットを実感します。
この投稿は最初に wadhwa.com に掲載され、許可を得て複製されました。