İş Dünyasında Yapay Zeka Hakkındaki Hype'a İnanmayın
Yayınlanan: 2018-03-25Yapay Zeka Sistemleri Artık Bir Oyunu Öğrenip Saatler İçinde Şampiyonları Yenebilse de, İş Uygulamalarına Uygulanması Zor
Duke profesörü Dan Ariely'den bir yumruk repliği ödünç alırsak, yapay zeka genç seks gibidir:
"Herkes bunun hakkında konuşuyor, kimse gerçekten nasıl yapılacağını bilmiyor, herkes herkesin bunu yaptığını düşünüyor, bu yüzden herkes yaptığını iddia ediyor."
Yapay zeka sistemleri artık bir oyunu öğrenip saatler içinde şampiyonları yenebilse de, iş uygulamalarına uygulanması zordur.
MIT Sloan Management Review ve Boston Consulting Group 3.000 işletme yöneticisiyle yaptığı bir ankette, bunların yüzde 85'inin yapay zekanın şirketlerine rekabet avantajı sağlayacağına inandığını, ancak 20'de sadece birinin yapay zekayı tekliflerine veya süreçlerine “kapsamlı” bir şekilde dahil ettiğini tespit etti. Buradaki zorluk, yapay zekayı uygulamanın yazılım yüklemek kadar kolay olmamasıdır. Kolayca erişilemeyen uzmanlık, vizyon ve bilgi gerektirir.
Google'ın AlphaGo Zero'su gibi iyi bilinen AI uygulamalarına baktığınızda, bunun bir sihir gibi olduğu izlenimini edinirsiniz: AI dünyanın en zor masa oyununu sadece üç günde öğrendi ve şampiyonları yendi. Bu arada, Nvidia'nın yapay zekası, sadece gerçeklerin resimlerine bakarak ünlülere benzeyen insanların fotogerçekçi görüntülerini üretebilir.
AlphaGo ve Nvidia, birbirlerinden bir şeyler öğrenmelerini sağlamak için iki AI sistemini karşı karşıya getiren , üretken hasım ağları adı verilen bir teknoloji kullandı. İşin püf noktası, ağlar birbirleriyle savaşmadan önce çok fazla koçluk almalarıydı. Ve daha da önemlisi, sorunları ve sonuçları iyi tanımlanmıştı.
Bununla birlikte, çoğu iş sorunu bir oyuna dönüştürülemez; ikiden fazla oyuncunuz var ve net kurallarınız yok. İş kararlarının sonuçları nadiren net bir kazanç veya kayıptır ve çok fazla değişken vardır. Dolayısıyla işletmelerin yapay zekayı uygulaması göründüğünden çok daha zor.
Sizin için tavsiye edilen:
Metaverse Hindistan Otomobil Endüstrisini Nasıl Dönüştürecek?
Anti-Profiteing Hükmü Hintli Startuplar İçin Ne Anlama Geliyor?
Edtech Startup'ları Hindistan'ın İşgücünün Becerilerini Geliştirmesine ve Geleceğe Hazır Olmasına Nasıl Yardımcı Oluyor...
Bu Hafta Yeni Çağ Teknoloji Hisseleri: Zomato'nun Sorunları Devam Ediyor, EaseMyTrip Gönderileri Stro...
Hintli Startup'lar Finansman İçin Kısayollar Kullanıyor
Dijital Pazarlama Platformu Logicserve Çantaları 80 INR Cr Finansmanı, LS Dig Olarak Yeniden Markala...
Günümüzün yapay zeka sistemleri, insan beyninin sinir ağlarının işleyişini taklit etmek için ellerinden gelenin en iyisini yapıyor, ancak bunu çok sınırlı bir şekilde yapıyorlar. Nöronlar gibi davranmak üzere tasarlanmış bilgisayar talimatlarının ilişkilerini ayarlayan derin öğrenme adı verilen bir teknik kullanırlar. Basitçe söylemek gerekirse, bir AI'ya tam olarak ne öğrenmesini istediğinizi söylersiniz ve ona açıkça etiketlenmiş örnekler sağlarsınız ve bu verilerdeki kalıpları analiz eder ve bunları gelecekteki uygulamalar için saklar. Kalıplarının doğruluğu verilere bağlıdır, bu nedenle ne kadar çok örnek verirseniz o kadar kullanışlı olur.
Burada bir sorun yatıyor: Bir yapay zeka, yalnızca aldığı veriler kadar iyidir. Ve bu verileri yalnızca sağlanan bağlamın dar sınırları içinde yorumlayabilir. Neyi analiz ettiğini “anlamıyor”, bu nedenle analizini diğer bağlamlardaki senaryolara uygulayamıyor. Ve nedenselliği korelasyondan ayırt edemez. AI, bir düşünürden çok, steroidlerle ilgili bir Excel elektronik tablosu gibidir.
Bu yapay zeka formuyla çalışmanın en büyük zorluğu, öğrendiklerinin bir gizem olarak kalmasıdır - verilere verilen bir dizi tanımlanamaz yanıt. Bir sinir ağı bir kez eğitildikten sonra, tasarımcısı bile ne yaptığını tam olarak nasıl yaptığını bilemez. New York Üniversitesi profesörü Gary Marcus'un açıkladığı gibi, derin öğrenme sistemleri, geliştiricileri tarafından yalnızca karmaşık bir sinir ağı içindeki coğrafyaları açısından tanımlanabilen milyonlarca hatta milyarlarca parametreye sahiptir. Araştırmacılar, onların bir "kara kutu" olduğunu söylüyor.
AlphaGo'daki yeni gelişmeler hakkında konuşan Google/DeepMind CEO'su Demis Hassabis'in bildirildiğine göre, “Bir insan gibi oynamıyor ve bir program gibi oynamıyor. Üçüncü, neredeyse yabancı bir şekilde oynuyor. ”
İş dünyası, sistemlerinin yabancı kararlar vermesini göze alamaz. Düzenleyici gereksinimlerle ve itibarla ilgili endişelerle karşı karşıyadırlar ve verdikleri her kararın arkasındaki mantığı anlayabilmeli, açıklayabilmeli ve gösterebilmelidirler.
Yapay zekanın daha değerli olması için, büyük resme bakabilmesi ve değiştirdiği bilgisayar sistemlerinden çok daha fazla bilgi kaynağı içermesi gerekiyor. Amazon, envanter yönetimi ve ambar operasyonundan çalışan veri merkezlerine kadar operasyonlarının neredeyse her bölümünü optimize etmek için AI'yı zaten anlayan ve etkin bir şekilde uygulayan birkaç şirketten biridir.
Örneğin envanter yönetiminde, satın alma kararları geleneksel olarak, alıcılar adı verilen deneyimli kişiler tarafından, departman departman tarafından verilir. Sistemleri onlara mağazaya göre envanter seviyelerini gösterir ve sipariş vermek için deneyimlerini ve içgüdülerini kullanırlar. Amazon'un yapay zekası, daha büyük eğilimleri görmek için tüm departmanlardan gelen verileri birleştirir ve bunları sosyoekonomik veriler, müşteri hizmetleri sorguları, rakiplerin park yerlerinin uydu görüntüleri, The Weather Company'den tahminler ve diğer faktörlerle ilişkilendirir. Diğer perakendeciler bunlardan bazılarını yapıyor, ancak hiçbiri Amazon kadar etkili değil.
Bu tür bir yaklaşım aynı zamanda Amazon'un ses tabanlı ev aletleri olan Echo ve Alexa'nın da temelini oluşturuyor . Wired'e göre Amazon, tüm geliştirme ekiplerini bir araya getirerek ve makine öğrenimini kurumsal bir odak noktası haline getirerek birçok şirketin sahip olduğu bir sorunu çözüyor: bağlantısız veri adacıkları. Kurumsal veriler genellikle farklı bilgisayar sistemlerindeki ayrık veri kümelerinde depolanır. Bir şirket, makine öğrenimi için gereken tüm verilere sahip olsa bile, genellikle etiketlenmez, güncel değildir veya kullanılabilir bir şekilde organize edilmez. Buradaki zorluk, bu veri kümelerinin nasıl bir araya getirileceğine ve Amazon'un yaptığı gibi yeni şekillerde nasıl kullanılacağına dair büyük bir vizyon yaratmaktır .
AI hızla ilerliyor ve verileri temizlemeyi ve entegre etmeyi kesinlikle kolaylaştıracak. Ancak iş liderlerinin hala gerçekten ne yaptığını anlamaları ve kullanımı için bir vizyon oluşturmaları gerekecek. İşte o zaman büyük faydasını görecekler.
Bu gönderi ilk olarak wadhwa.com'da yayınlanmıştır ve izin alınarak çoğaltılmıştır.