Περιεχόμενο
- AI στον Κύκλο Hype
- Μέχρι στιγμής, δεν είναι τόσο καλό
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Όλοι εξαρτώνται από τα δεδομένα
Πηγή: charles taylor / iStockphoto
Πάρε μακριά:
Υπάρχει πολλή δημοσιότητα για την τεχνητή νοημοσύνη, πόσο έξυπνος είναι;
Η τεχνητή νοημοσύνη έχει συγκεντρώσει τόση προσοχή στους επιχειρηματικούς κύκλους, που πολλοί ηγέτες της τεχνολογίας της πληροφορίας μπορούν να δικαιολογηθούν επειδή σκέφτονται ότι θα παράσχουν όλες τις απαντήσεις σε ένα όλο και πιο περίπλοκο οικοσύστημα δεδομένων. Παρόλο που έχει σίγουρα τη δυνατότητα να πραγματοποιήσει πολλές ουσιαστικές βελτιώσεις στην υπάρχουσα τεχνολογία, είναι επίσης δίκαιο να πούμε ότι ορισμένες από τις προσδοκίες που περιβάλλουν την αποτελεσματικότητά της είναι υπερβολικές.
Στην πραγματικότητα, υπάρχει σχετικά μικρή αντίληψη για το τι ακριβώς είναι το AI, πώς λειτουργεί πραγματικά και τι μπορεί στην πραγματικότητα να κάνει. Και αυτό οδηγεί σε ευρείες παρερμηνείες γύρω από το ρόλο του στην επιχείρηση και τον τρόπο που θα σχετίζεται με την υπάρχουσα υποδομή και τους ανθρώπους που την λειτουργούν.
AI στον Κύκλο Hype
Σύμφωνα με τον πιο πρόσφατο Hype Cycle του Gartner, τα υποσύνολα AI κλειδιά όπως η βαθιά εκμάθηση, η μηχανική μάθηση και ο υπολογιστικός υπολογισμός βρίσκονται στην κορυφή της καμπύλης Peak Inflated Expectations, που σημαίνει ότι βρίσκονται στην κορυφή της μεγάλης διαφάνειας στο Trough of Disillusionment. Ενώ αυτό είναι το ίδιο για την πορεία για σχεδόν κάθε τεχνολογία αποδιοργάνωσης κατά τα τελευταία 30 χρόνια, επισημαίνει το γεγονός ότι ο προβλεπόμενος αντίκτυπος του AI στην επιχείρηση, ο οποίος προήλθε κυρίως από ελεγχόμενες εργαστηριακές εξετάσεις, πρόκειται να διαρκέσει εντελώς στην πραγματικότητα του περιβάλλοντος παραγωγής. (Ανακαλύψτε ένα ιστορικό υπολογιστικών καινοτομιών από την Ada Lovelace στη βαθιά μάθηση.)
Ωστόσο, ο ερευνητής του Gartner, Mike Walker, αναμένει ότι η AI θα γίνει πανταχού παρούσα κατά την επόμενη δεκαετία μέσω ενός συνδυασμού προχωρημένης υπολογιστικής ισχύος, η οποία οδηγεί στην ανάπτυξη τέτοιων δομών όπως το νευρωνικό δίκτυο και το γεγονός ότι το φορτίο των δεδομένων επιχείρησης έχει γίνει τόσο τεράστιο και τόσο περίπλοκο ώστε οι ανθρώπινοι χειριστές δεν μπορούν πλέον να αντεπεξέλθουν από μόνοι τους.
Ένα από τα πρώτα πράγματα που η επιχείρηση χρειάζεται να καταλάβει για το AI είναι ότι παίζει γρήγορα και χαλαρά με τον όρο «νοημοσύνη». Όπως εξήγησε πρόσφατα ο Ζιμπέιτ, ο Ελβετός νευροεπιστήμονας Pascal Kaufmann, υπάρχουν βαθιές διαφορές στους τρόπους αλγορίθμου και ανθρώπινου εγκεφάλου επεξεργαστεί πληροφορίες για να καταλήξει σε ένα συμπέρασμα. Δεδομένου ότι υπάρχει αρκετή ισχύς επεξεργασίας, ένας υπολογιστικός αλγόριθμος μπορεί να συγκρίνει εκατομμύρια, δισεκατομμύρια, ίσως ακόμη και τρισεκατομμύρια σύνολα δεδομένων για να κάνει μια απλή αποφασιστικότητα, όπως εάν μια εικόνα μιας γάτας είναι πράγματι μια εικόνα μιας γάτας. Αλλά ακόμη και ένα μικρό παιδί, δεδομένου ότι έχει πολύ λίγα στοιχεία, μπορεί να αποφασίσει ενστικτωδώς ότι πρόκειται για γάτα και για πάντα θα ξέρει τι είναι η γάτα και πώς μοιάζει.
Με αυτό το πρότυπο, ακόμη και το κορυφαίο παράδειγμα του AI στην εργασία - η κυριαρχία του Google DeepMind στο AlphaGo για το στρατηγικό παιχνίδι Go - δεν ήταν πραγματικά τεχνητή νοημοσύνη, αλλά μια διατομή μεγάλων δεδομένων, αναλύσεων και αυτοματισμών που ήταν ικανά να εξορθολογούν μια προσέγγιση βασισμένη σε κανόνες στη νίκη. Είναι ενδιαφέρον ότι ο Kaufmann προσθέτει ότι ένα πραγματικό παράδειγμα τεχνητής νοημοσύνης θα ήταν εάν το AlphaGo είχε καταλάβει πώς να εξαπατήσει να κερδίσει. Για να γίνει αυτό, όμως, η επιστήμη θα πρέπει πρώτα να σπάσει τον "κώδικα του εγκεφάλου" που εξουσιάζει την ικανότητά μας να επεξεργάζομε πληροφορίες, να ανακτούμε τις γνώσεις και να αποθηκεύουμε τις μνήμες. (Μάθετε περισσότερα σχετικά με την αυτοματοποίηση με τον αυτοματισμό: Το μέλλον της επιστήμης των δεδομένων και της μάθησης μηχανών;)
Μέχρι στιγμής, δεν είναι τόσο καλό
Πράγματι, παρά τους φόβους ότι το AI πρόκειται να αναλάβει τη δουλειά του καθενός, τα μέχρι τώρα αποτελέσματα είναι σχεδόν κωμικά. Οι φίλοι του "Game of Thrones" του George R.R. Martin είναι τόσο ανυπόμονοι για την επόμενη δόση της σειράς που πολλοί συρρέουν σε ένα κεφάλαιο σχεδόν καθαρού gobbledygook γραμμένο από μια μορφή AI που ονομάζεται επαναλαμβανόμενο νευρωνικό δίκτυο. Εν τω μεταξύ, η IBM παίρνει φλυαρία από ερευνητές ογκολογίας οι οποίοι είχαν πει ότι ο Watson θα αποδεσμεύσει μια νέα εποχή στη διάγνωση και τη θεραπεία, αλλά αντιθέτως αγωνίζεται απλώς να διαφοροποιήσει τις βασικές μορφές καρκίνου. Δεδομένου αυτού του ιστορικού, είναι πολύ πιθανό ότι όταν το AI εισαχθεί για πρώτη φορά στην τυπική επιχείρηση, θα χρειαστεί πιθανώς περισσότερη προσπάθεια εκ μέρους των ανθρωπίνων φορέων για να παρακολουθήσουν και να παρακολουθήσουν όλα τα λάθη που θα κάνει.
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
Αλλά εδώ είναι το τρίψιμο: AI θα πάρει καλύτερα με την πάροδο του χρόνου, χωρίς να χρειάζεται να επαναπρογραμματιστεί. Όπως δήλωσε πρόσφατα ο ερευνητής της Cornell Tech, Daniel Huttenlocker, η AI είναι πιο πιθανό να μετατοπίσει το παραδοσιακό λογισμικό - και όλα τα ενοχλητικά μπαλώματα, τις ενημερώσεις και τις διορθώσεις που απαιτεί - από τους ανθρώπινους χειριστές. Αυτό δεν σημαίνει ότι δεν χρειάζεται να προγραμματιστεί η ΑΠ, αλλά ότι η προσέγγιση είναι πολύ απλουστευμένη. Με το σημερινό λογισμικό, ο προγραμματιστής πρέπει να καθορίσει όχι μόνο την εργασία που πρέπει να επιλυθεί αλλά και τα ακριβή βήματα για την επίλυσή του. Με το AI, το μόνο που χρειάζεται είναι ο στόχος και το λογισμικό θα πρέπει να είναι σε θέση να χειριστεί τα υπόλοιπα, υπό την προϋπόθεση ότι έχει τα σωστά δεδομένα για να συνεργαστεί.
Όλοι εξαρτώνται από τα δεδομένα
Αυτό το τελευταίο σημείο είναι κρίσιμο επειδή, στο τέλος της ημέρας, το AI είναι απλά ένας αλγόριθμος, και οι αλγόριθμοι είναι μόνο τόσο καλά όσο τα δεδομένα που τροφοδοτούνται. Αυτό σημαίνει ότι εκτός από τη δημιουργία ενός κατάλληλου επιχειρησιακού πλαισίου για την AI, η επιχείρηση θα πρέπει να δημιουργήσει ένα αρκετά ισχυρό περιβάλλον κλιματισμού δεδομένων, έτσι ώστε τα αποτελέσματα των αναλύσεων να βασίζονται σε ακριβείς πληροφορίες που βρίσκονται σε εξέλιξη. Όπως δήλωσε πρόσφατα ο διευθύνων σύμβουλος της ActiveCampaign Jason VandeBoom, οι κανόνες της "σκουπίδια σε ίσες σκουπίδια έξω" εξακολουθούν να ισχύουν, οπότε θα μπορούσε να είναι λίγο πριν οι οργανώσεις βλέπουν τα πραγματικά οφέλη της επένδυσής τους AI.
Δεδομένων όλων αυτών, η επιχείρηση δεν πρέπει να περιμένει από την AI να παρέχει μια γρήγορη λύση για τις αναδυόμενες προκλήσεις των μεγάλων δεδομένων και του IoT. Η καμπύλη μάθησης τόσο για τον άνθρωπο όσο και για τα μηχανήματα είναι πιθανό να είναι αρκετά μεγάλη και τα αποτελέσματα είναι στην καλύτερη περίπτωση αβέβαια.
Αλλά αν όλα λειτουργούν όπως είχε προγραμματιστεί, τόσο η επιχείρηση όσο και το εργατικό δυναμικό της γνώσης θα πρέπει να έχουν σημαντικά οφέλη μακροπρόθεσμα. Απλά σκεφτείτε το πιο κοσμικό, κουραστικό και χρονοβόρο έργο που επιβραδύνει τις διαδικασίες σας αυτή τη στιγμή και φανταστείτε ότι ποτέ δεν θα έπρεπε να τις κάνετε ξανά ποτέ.