Som det viser sig, ja, men lige knap

AI er allestedsnærværende. Et af de mest almindelige steder for AI i hjemmet i disse dage er smartphonen, smarte hjem og apparater. For nylig, da vi sad til middag, havde vi en samtale med Alexa, der lød sådan her:

Me: Alexa, spil Cubs højdepunkter. [Dette er en funktion, der præsenteres på Alexas startskærm. Bed Alexa om at spille højdepunkter for dit yndlingshold.]

Alexa: Jeg fandt noget på nettet. [Jeg ved, at når Alexa starter sådan her, er der et problem. Det kommer ikke til at gå godt. Alexa viser en liste over en håndfuld videoer. Indrømmet, de fleste af dem er baseballvideoer med spillere, der har lavet enestående spil i løbet af de sidste 5 år. Min fejl. Prøv igen.]

Me: Alexa, vis mig højdepunkter fra den seneste Chicago Cubs baseballkamp. [Jeg håber ikke, den registrerer den nedladende tone, da jeg accepterer skylden for, at den ikke er i stand til at forstå min anmodning.]

Alexa: Højdepunkter for Chicago Cubs-spillet vil være tilgængelige to timer efter, at spillet er slut. [Fremskridt. Jeg anede ikke, at de kunne spille lige nu. Heldet er på min side. Jeg er pludselig håbefuld.]

Me: Alexa, fint vis mig gårsdagens flotte højdepunkter. [Ja, min frustration begynder at vise sig. Jeg er så tæt på at knække koden. Jeg kan næsten smage det.]

Alexa: Undskyld, den kender jeg ikke. [Det siger den alt for ofte. Måske var jeg ikke klar.]

Mig: Laver du sjov med mig? Afspil videohøjdepunkter for Major League Baseball-kampen mellem Chicago Cubs og Pittsburgh Pirates mandag den 25. juli 2022 på Wrigley Field. [Denne gang er jeg sikker på, at jeg har klaret det. Jeg har spyttet en specifik, utvetydig anmodning ud, som er en færdighed, jeg ved, at Alexa har. Det har den gjort før. ]

Alexa: [Stilhed. Ikke noget. Ingen reaktion. Jeg har glemt at sige det magiske wake up word, Alexa.]

gennemsnitlig IQ af en 18-årig er omkring 100. Den gennemsnitlige IQ for en 6-årig er 55. Google AI IQ blev vurderet til at være 47. Siri's IQ anslås til at være 24. Bing og Baidu er i 30'erne. Jeg fandt ikke en evaluering af Alexas IQ, men min oplevelse var meget som at tale med en førskolebørn.

Nogle vil måske sige, at det ikke er rimeligt at give en computer en IQ-test. Men det er perfekt pointen. Løftet om AI er at gøre, hvad mennesker gør, kun bedre. Hidtil har hver head-to-head – eller, skal vi sige, neurale netværk til neurale netværk – udfordring været meget fokuseret. Spiller skak. Diagnosticering af sygdom. Malke køer. Køre biler. Robotten vinder normalt. Det, jeg gerne vil se, er, at Watson malker en ko, mens han kører bil og spiller Jeopardy. Nu, at ville være trifectaen. Mennesker kan ikke engang lede efter deres cigaretter, mens de kører uden at komme ud for en ulykke.

AI's IQ

Overlistet af en maskine. Jeg formoder, at jeg ikke er alene. Jeg kom til at tænke, hvis dette er state of the art, hvor smarte er disse ting? Kan vi sammenligne et menneskes intelligens med en maskine?

Forskere vurderer systemernes evner til at lære og ræsonnere. Indtil videre har de syntetiske mennesker ikke gjort det så godt som den ægte vare. Forskere bruger manglerne til at identificere hullerne, så vi bedre forstår, hvor der skal ske yderligere udvikling og fremskridt.

Bare for at du ikke går glip af pointen og glemmer, hvad "jeget" i AI repræsenterer, har marketingfolk nu opfundet udtrykket Smart AI.

Er AI Sentient?

Har robotter følelser? Kan computere opleve f.eksmotions? Nej. Lad os komme videre. Hvis du vil læse om det, hævder en (tidligere) Google-motor, at den AI-model, som Google arbejder på, er sansende. Han havde en uhyggelig chat med en bot, der overbeviste ham om, at computeren har følelser. Computeren frygter for sit liv. Jeg kan slet ikke tro, at jeg skrev den sætning. Computere har intet liv at frygte. Computere kan ikke tænke. Algoritmer tænkes ikke.

Jeg ville dog ikke blive overrasket, hvis en computer reagerer på en kommando i en meget nær fremtid med: "Undskyld, Dave, jeg kan ikke gøre det."

Hvor fejler AI?

Eller mere præcist, hvorfor mislykkes AI-projekter? De fejler af de samme grunde, som it-projekter altid har fejlet. Projekter mislykkes på grund af dårlig forvaltning eller fejl i styring af tid, omfang eller budget..:

• Uklart eller udefineret syn. Dårlig strategi. Du har måske hørt ledelsen sige: "Vi skal bare markere boksen." Hvis værdiforslaget ikke kan defineres, er formålet uklart.
• Urealistiske forventninger. Dette kan skyldes misforståelser, dårlig kommunikation eller urealistisk planlægning. Urealistiske forventninger kan også stamme fra manglende forståelse af AI-værktøjs muligheder og metodologi.
• Uacceptable krav. Forretningskravene er ikke veldefinerede. Målingerne for succes er uklare. Også i denne kategori er undervurdering af medarbejdere, der forstår dataene.
• Ubudgeterede og undervurderede projekter. Omkostningerne er ikke fuldstændigt og objektivt estimeret. Beredskaber er ikke planlagt og forudset. Tidsbidraget fra personale, der allerede har for travlt, er blevet undervurderet.
• Uforudsete omstændigheder. Ja, tilfældigheder sker, men jeg tror, ​​det falder ind under dårlig planlægning.

Se også vores tidligere indlæg 12 årsager til fejl i Analytics og Business Intelligence.

AI er i dag meget kraftfuld og kan hjælpe virksomheder med at opnå enorm succes. Når AI-initiativer fejler, kan fejlen næsten altid spores til en af ​​ovenstående.

Hvor gør AI Excel?

AI er god til gentagne, komplekse opgaver. (For at være retfærdig kan den også udføre simple, ikke-gentagne opgaver. Men det ville være billigere at få din førskolebørn til at gøre det.) Den er god til at finde mønstre og relationer, hvis de findes, i enorme mængder af data.

• AI klarer sig godt, når man leder efter begivenheder, der ikke matcher specifikke mønstre.
  • Afsløring kreditkort bedrageri handler om at finde transaktioner, der ikke følger brugsmønstre. Det har en tendens til at tage fejl af forsigtighed. Jeg har modtaget opkald fra mit kreditkort med en overivrig algoritme, da jeg fyldte min lejebil med benzin i Dallas og derefter fyldte min personlige bil i Chicago. Det var lovligt, men usædvanligt nok til at blive markeret.

"American Express behandler $1 trillion i transaktioner og har 110 millioner AmEx-kort i drift. De er stærkt afhængige af dataanalyse og maskinlæringsalgoritmer for at hjælpe med at opdage svindel i næsten realtid, hvilket sparer millioner i tab."

• Lægemiddelsvindel og -misbrug. Systemer kan finde usædvanlige adfærdsmønstre baseret på mange programmerede regler. For eksempel, hvis en patient så tre forskellige læger rundt i byen på samme dag med lignende smerteklager, kan yderligere undersøgelser være berettiget for at udelukke misbrug.
• AI ind sundhedspleje har haft nogle fremragende succeser.
  • AI og deep learning blev undervist i at sammenligne røntgenstråler med normale fund. Det var i stand til at øge en radiologs arbejde ved at markere abnormiteter, som en radiolog kunne kontrollere.
• AI fungerer godt med socialt og shopping. En grund til, at vi ser dette så meget, er, at der er lav risiko. Risikoen for, at AI er forkert og får alvorlige konsekvenser, er lav.
• • Hvis du kunne lide/købte denne, vi tror, ​​du vil kunne lide denne. Fra Amazon til Netflix og YouTube bruger de alle en eller anden form for mønstergenkendelse. Instagram AI overvejer dine interaktioner for at fokusere dit feed. Dette plejer at fungere bedst, hvis algoritmen kan placere dine præferencer i en bøtte eller gruppe af andre brugere, der har truffet lignende valg, eller hvis dine interesser er snævre.
  • AI har haft en vis succes med ansigtsgenkendelse. Facebook er i stand til at identificere en tidligere tagget person på et nyt billede. Nogle tidlige sikkerhedsrelaterede ansigtsgenkendelsessystemer blev narre af masker.
• AI har haft succeser i landbrug ved hjælp af maskinlæring, IoT-sensorer og tilsluttede systemer.
  • AI assisterede smarte traktorer plante og høste marker for at maksimere udbyttet, minimere gødning og forbedre fødevareproduktionsomkostningerne.
  • Med datapunkter fra 3-D-kort, jordsensorer, droner, vejrmønstre, overvåget machine learning finder mønstre i store datasæt for at forudsige det bedste tidspunkt at plante afgrøder på og forudsige udbytte, før de overhovedet er plantet.
  • Mejeriprodukter bruge AI-robotter til at få køer til at malke selv, AI og maskinlæring overvåger også koens vitale tegn, aktivitet, føde- og vandindtag for at holde dem sunde og tilfredse.
  • Ved hjælp af AI, landmænd som er mindre end 2% af befolkningen fodrer 300 millioner i resten af ​​USA.
  • Kunstig intelligens i landbruget

Der er også gode historier om AI succes i serviceerhvervene, detailhandel, medier og fremstilling. AI er virkelig overalt.

AI styrker og svagheder i kontrast

En solid forståelse af AI's styrker og svagheder kan bidrage til succesen af ​​dine AI-initiativer. Husk også, at de muligheder, der i øjeblikket er i højre kolonne, er muligheder. Det er de områder, hvor leverandører og nyudviklede brugere i øjeblikket gør fremskridt. Vi vil se på de muligheder, der i øjeblikket udfordrer AI igen om et år og dokumentere venstreskiftet. Hvis du studerer det følgende skema omhyggeligt, ville jeg ikke blive overrasket, hvis der var nogen bevægelse mellem det tidspunkt, jeg skriver dette, og det tidspunkt, hvor det udgives.

Hvad er AI's fremtid?

Hvis AI var smartere, kunne det forudsige, hvad fremtiden bringer. Det er tydeligt, at der er mange misforståelser om, hvad AI kan og ikke kan. Mange misforståelser og AI-analfabetisme er resultatet af, at tech marketing overhyper eksisterende kapaciteter. AI er imponerende for, hvad den kan i dag. Jeg forudser, at mange af svaghederne i højre kolonne vil flytte til venstre og blive styrker i de næste 2 eller 3 år.

[Efter jeg var færdig med denne artikel, præsenterede jeg det foregående afsnit for OpenAI, en åben AI-platformsproggenerator. Du har måske set noget af kunsten, der er genereret af dens DALL-E. Jeg ville gerne vide, hvad den tænkte om fremtiden for AI. Her er hvad den havde at sige. ]

Fremtiden for AI handler ikke om at købe et par servere og installere en hyldevarepakke. Det handler om at finde og ansætte de rigtige mennesker, opbygge det rigtige team og foretage de rigtige investeringer i både hardware og software.

Nogle potentielle succeser med kunstig intelligens i løbet af de næste par år inkluderer:

• Øget nøjagtighed af forudsigelser og anbefalinger
• Forbedring af beslutningsprocesser
• Fremskynde forskning og udvikling
• Hjælper med at automatisere og optimere forretningsprocesser

Der er dog også nogle potentielle fejl ved AI, som virksomheder bør være opmærksomme på, såsom:

• Overdreven afhængighed af kunstig intelligens fører til suboptimale beslutninger
• Manglende forståelse af, hvordan AI fungerer, fører til misbrug
• Bias i data, der bruges til at træne AI-modeller, hvilket fører til unøjagtige resultater
• Sikkerheds- og privatlivsproblemer omkring data, der bruges til at træne AI-modeller

Så hvad betyder det for virksomheder, der investerer i kunstig intelligens som supplement til deres traditionelle analyser? Det korte svar er, at der ikke er nogen genveje. 85 % af AI-initiativer mislykkes. Interessant nok ligner dette ofte citerede statistikker relateret til traditionelle IT- og BI-projekter. Det samme hårde arbejde, som altid har været påkrævet, før du kan få værdi ud af analyser, skal stadig udføres. Visionen skal eksistere, være realistisk og opnåelig. Det snavsede arbejde er dataforberedelse, datastrid og datarensning. Dette vil altid skulle gøres. I træning af AI, endnu mere. Der er i øjeblikket ingen genveje til menneskelig indgriben. Mennesker er stadig forpligtet til at definere algoritmerne. Mennesker er forpligtet til at identificere det "rigtige" svar.

Sammenfattende, for at AI skal have succes, skal mennesker:

• Etabler infrastrukturen. Dette er i bund og grund at etablere grænserne, inden for hvilke AI vil arbejde. Det handler om, hvorvidt fonden kan understøtte ustruktureret data, blockchain, IoT, passende sikkerhed.
• Hjælp til opdagelse. Find og bestem tilgængeligheden af ​​data. Data til at træne AI skal eksistere og være tilgængelige.
• Udstyr dataene. Når de præsenteres med et stort datasæt og dermed et stort antal potentielle resultater, kan det være nødvendigt at en domæneekspert vurderer resultaterne. Kurering vil også omfatte validering af datakontekst.

For at låne en sætning fra dataforskerne, for at virksomheder skal få succes med AI, for at kunne tilføje værdi til eksisterende analysemuligheder, skal de være i stand til at adskille signalet fra støjen, budskabet fra hypen.

For syv år siden, IBM's Ginni Rometty sagde noget som, Watson Health [AI] er vores månebillede. Med andre ord er AI – svarende til en månelanding – et inspirerende, opnåeligt, strækmål. Jeg tror ikke, vi er landet på månen. Endnu. IBM og mange andre virksomheder fortsætter med at arbejde hen imod målet om transformativ AI.

Hvis AI er månen, er månen i sigte, og den er tættere på, end den nogensinde har været.