Не верьте шумихе вокруг ИИ в бизнесе
Опубликовано: 2018-03-25Несмотря на то, что системы искусственного интеллекта теперь могут освоить игру и победить чемпионов за несколько часов, их сложно применять в бизнес-приложениях.
Если позаимствовать изюминку профессора Дьюка Дэна Ариэли, искусственный интеллект похож на подростковый секс:
«Все говорят об этом, никто на самом деле не знает, как это сделать, все думают, что все это делают, поэтому все утверждают, что это делают они».
Несмотря на то, что системы искусственного интеллекта теперь могут освоить игру и победить чемпионов за считанные часы, их трудно применить к бизнес-приложениям.
MIT Sloan Management Review и Boston Consulting Group опросили 3000 руководителей предприятий и обнаружили, что, хотя 85% из них считают, что ИИ обеспечит их компаниям конкурентное преимущество, только каждый 20 «широко» включил его в свои предложения или процессы. Проблема в том, что внедрить ИИ не так просто, как установить программное обеспечение. Это требует опыта, видения и информации, которая не является легкодоступной.
Когда вы смотрите на известные приложения ИИ, такие как AlphaGo Zero от Google, создается впечатление, что это похоже на волшебство: ИИ выучил самую сложную настольную игру в мире всего за три дня и победил чемпионов. Между тем, искусственный интеллект Nvidia может генерировать фотореалистичные изображения людей, которые выглядят как знаменитости, просто глядя на фотографии реальных людей.
AlphaGo и Nvidia использовали технологию, называемую генеративно-состязательными сетями, которая противопоставляет две системы ИИ друг другу, чтобы они могли учиться друг у друга. Хитрость заключалась в том, что перед тем, как сети сразились друг с другом, их много тренировали. И, что более важно, их проблемы и результаты были четко определены.
Однако большинство бизнес-задач нельзя превратить в игру; у вас более двух игроков и нет четких правил. Результаты бизнес-решений редко бывают однозначно выигрышными или проигрышными, и здесь слишком много переменных. Таким образом, предприятиям гораздо сложнее внедрить ИИ, чем кажется.
Рекомендуется для вас:
Как Metaverse изменит индийскую автомобильную промышленность
Что означает положение о борьбе со спекуляцией для индийских стартапов?
Как стартапы Edtech помогают повысить квалификацию рабочей силы Индии и стать готовыми к будущему ...
Технологические акции нового века на этой неделе: проблемы Zomato продолжаются, EaseMyTrip публикует...
Индийские стартапы срезают путь в погоне за финансированием
Цифровая маркетинговая платформа Logicserve Bags Финансирование 80 CR INR, ребрендинг как LS Dig...
Современные системы искусственного интеллекта делают все возможное, чтобы имитировать работу нейронных сетей человеческого мозга, но они делают это очень ограниченным образом. Они используют метод, называемый глубоким обучением, который регулирует отношения компьютерных инструкций, предназначенных для поведения нейронов. Проще говоря, вы говорите ИИ, что именно вы хотите, чтобы он выучил, и предоставляете ему четко обозначенные примеры, а он анализирует закономерности в этих данных и сохраняет их для будущего применения. Точность его шаблонов зависит от данных, поэтому чем больше примеров вы приводите, тем полезнее он становится.
В этом и заключается проблема: ИИ хорош ровно настолько, насколько хороши данные, которые он получает. И он способен интерпретировать эти данные только в узких пределах предоставленного контекста. Он не «понимает» того, что проанализировал, поэтому не может применить свой анализ к сценариям в других контекстах. И он не может отличить причинно-следственную связь от корреляции. ИИ больше похож на электронную таблицу Excel на стероидах, чем на мыслителя.
Большая трудность в работе с этой формой ИИ заключается в том, что то, чему он научился, остается загадкой — набором неопределимых ответов на данные. После того, как нейронная сеть обучена, даже ее разработчик не знает точно, как она делает то, что делает. Как объясняет профессор Нью-Йоркского университета Гэри Маркус, системы глубокого обучения имеют миллионы или даже миллиарды параметров, идентифицируемых их разработчиками только с точки зрения их географии в сложной нейронной сети. Исследователи говорят, что это «черный ящик».
Говоря о новых разработках в AlphaGo, генеральный директор Google/DeepMind Демис Хассабис , как сообщается, сказал: «Он играет не как человек и не как программа. Он играет третьим, почти чужим способом».
Компании не могут позволить своим системам принимать чуждые решения. Они сталкиваются с нормативными требованиями и репутационными проблемами и должны быть в состоянии понять, объяснить и продемонстрировать логику каждого решения, которое они принимают.
Чтобы ИИ был более ценным, он должен иметь возможность смотреть на картину в целом и включать гораздо больше источников информации, чем компьютерные системы, которые он заменяет. Amazon — одна из немногих компаний, которые уже поняли и эффективно внедрили искусственный интеллект для оптимизации практически каждой части своих операций, от управления запасами и работы склада до эксплуатации центров обработки данных.
В управлении запасами, например, решения о закупках традиционно принимаются опытными людьми, называемыми покупателями, отдел за отделом. Их системы показывают уровень запасов по магазинам, и они используют свой опыт и чутье для размещения заказов. ИИ Amazon объединяет данные из всех отделов, чтобы увидеть более крупные тенденции и связать их с социально-экономическими данными, запросами в службу поддержки клиентов, спутниковыми снимками парковок конкурентов, прогнозами The Weather Company и другими факторами. Другие ритейлеры делают некоторые из этих вещей, но не так эффективно, как Amazon.
Такой подход также лежит в основе Echo и Alexa , бытовой техники Amazon с голосовым управлением. Согласно Wired, объединив все свои команды разработчиков и сосредоточив внимание на машинном обучении, Amazon решает проблему, с которой сталкиваются многие компании: разрозненные острова данных. Корпоративные данные обычно хранятся в разрозненных наборах данных в разных компьютерных системах. Даже когда у компании есть все данные, необходимые для машинного обучения, они обычно не помечены, не обновлены и не организованы удобным для использования образом. Задача состоит в том, чтобы создать грандиозное видение того, как объединить эти наборы данных и использовать их по-новому, как это сделала Amazon.
ИИ быстро развивается и, несомненно, облегчит очистку и интеграцию данных. Но бизнес-лидерам все равно нужно будет понять, что он делает на самом деле, и разработать концепцию его использования. Именно тогда они увидят большие преимущества.
Этот пост впервые появился на wadhwa.com и воспроизведен с разрешения.