Όπως αποδεικνύεται, ναι, αλλά ελάχιστα
Το AI είναι πανταχού παρόν. Ένα από τα πιο κοινά μέρη για AI στο σπίτι αυτές τις μέρες είναι το smartphone, τα έξυπνα σπίτια και οι συσκευές. Πρόσφατα, καθώς καθίσαμε για δείπνο, είχαμε μια συζήτηση με την Alexa που ήταν κάπως έτσι:
Me: Alexa, παίξτε τις καλύτερες στιγμές του Cubs. [Αυτή είναι μια δυνατότητα που διαφημίζεται στην αρχική οθόνη της Alexa. Ζητήστε από την Alexa να παίξει highlights για την αγαπημένη σας ομάδα.]
Alexa: Βρήκα κάτι στον Ιστό. [Ξέρω ότι όταν η Alexa ξεκινά έτσι, υπάρχει ένα πρόβλημα. Δεν πρόκειται να πάει καλά. Η Alexa εμφανίζει μια λίστα με μια χούφτα βίντεο. Ομολογουμένως, τα περισσότερα από αυτά είναι βίντεο του μπέιζμπολ με παίκτες να κάνουν εξαιρετικά παιχνίδια τα τελευταία 5 χρόνια. Λάθος μου. Προσπάθησε ξανά.]
Me: Alexa, δείξε μου στιγμιότυπα για τον τελευταίο αγώνα μπέιζμπολ Chicago Cubs. [Ελπίζω να μην ανιχνεύσει τον συγκαταβατικό τόνο καθώς αποδέχομαι την ευθύνη που δεν μπορεί να καταλάβει το αίτημά μου.]
Alexa: Τα highlights για το παιχνίδι Chicago Cubs θα είναι διαθέσιμα δύο ώρες μετά το τέλος του παιχνιδιού. [Πρόοδος. Δεν είχα ιδέα ότι μπορεί να παίζουν αυτή τη στιγμή. Η τύχη είναι με το μέρος μου. Ξαφνικά είμαι αισιόδοξος.]
Me: Alexa, δείξε μου τα χθεσινά εντυπωσιακά highlights, λοιπόν. [Ναι, η απογοήτευσή μου αρχίζει να φαίνεται. Είμαι τόσο κοντά στο να σπάσω τον κώδικα. Σχεδόν μπορώ να το γευτώ.]
Alexa: Λυπάμαι, δεν το ξέρω αυτό. [Το λέει πολύ συχνά. Ίσως δεν ήμουν σαφής.]
Μου: Με δουλεύεις? Παίξτε βίντεο με τις καλύτερες στιγμές του αγώνα του Major League Baseball μεταξύ των Chicago Cubs και του Pittsburgh Pirates για τη Δευτέρα 25 Ιουλίου 2022 στο Wrigley Field. [Αυτή τη φορά είμαι σίγουρος ότι το κατάφερα. Έκανα ένα συγκεκριμένο, σαφές αίτημα που είναι μια ικανότητα που ξέρω ότι έχει η Alexa. Το έχει ξανακάνει αυτό. ]
Alexa: [Σιωπή. Τίποτα. Καμία απάντηση. Ξέχασα να πω τη μαγική λέξη αφύπνισης, Alexa.]
Η μέσο IQ ενός 18χρονου είναι περίπου 100. Ο μέσος όρος IQ ενός ανθρώπου 6 ετών είναι 55. Το Google AI IQ εκτιμήθηκε ότι είναι 47. Το IQ της Siri εκτιμάται ότι είναι 24. Οι Bing και Baidu βρίσκονται στη δεκαετία του '30. Δεν βρήκα αξιολόγηση για το IQ της Alexa, αλλά η εμπειρία μου έμοιαζε πολύ με το να μιλάω σε παιδί προσχολικής ηλικίας.
Κάποιοι μπορεί να πουν, δεν είναι δίκαιο να δίνετε σε έναν υπολογιστή ένα τεστ IQ. Αλλά, αυτό είναι απολύτως το ζητούμενο. Η υπόσχεση της τεχνητής νοημοσύνης είναι να κάνει αυτό που κάνουν οι άνθρωποι, μόνο καλύτερα. Μέχρι στιγμής, κάθε πρόκληση από τη μια με την άλλη – ή, ας πούμε, από νευρωνικό δίκτυο σε νευρωνικό δίκτυο – ήταν πολύ εστιασμένη. Παιζοντας σκακι. Διάγνωση ασθένειας. Αγελάδες αρμέγματος. Οδήγηση αυτοκινήτων. Το ρομπότ συνήθως κερδίζει. Αυτό που θέλω να δω είναι ο Watson να αρμέγει μια αγελάδα ενώ οδηγεί αυτοκίνητο και να παίζει Jeopardy. Τώρα, ότι θα ήταν το trifecta. Οι άνθρωποι δεν μπορούν καν να αναζητήσουν τα τσιγάρα τους ενώ οδηγούν χωρίς να εμπλακούν σε ατύχημα.
Το IQ του AI
Ξεγελάστηκε από μια μηχανή. Υποψιάζομαι ότι δεν είμαι μόνος. Έφτασα να σκεφτώ, αν αυτό είναι τελευταίας τεχνολογίας, πόσο έξυπνα είναι αυτά τα πράγματα; Μπορούμε να συγκρίνουμε τη νοημοσύνη ενός ανθρώπου με μια μηχανή;
Οι επιστήμονες αξιολογούν ικανότητα μάθησης και λογικής των συστημάτων. Μέχρι στιγμής, οι συνθετικοί άνθρωποι δεν τα έχουν κάνει τόσο καλά όσο το πραγματικό πράγμα. Οι ερευνητές χρησιμοποιούν τις ελλείψεις για να εντοπίσουν τα κενά, ώστε να κατανοήσουμε καλύτερα πού πρέπει να σημειωθεί πρόσθετη ανάπτυξη και πρόοδος.
Ακριβώς για να μην χάσετε το νόημα και ξεχάσετε τι αντιπροσωπεύει το «εγώ» στην τεχνητή νοημοσύνη, οι έμποροι έχουν πλέον επινοήσει τον όρο Έξυπνη AI.
Είναι το AI Sentient;
Έχουν συναισθήματα τα ρομπότ; Μπορούν οι υπολογιστές να βιώσουν πmotions; Όχι. Ας προχωρήσουμε. Αν θέλεις ανάγνωση σχετικά, μια (πρώην) μηχανή της Google ισχυρίζεται ότι το μοντέλο τεχνητής νοημοσύνης στο οποίο εργάζεται η Google είναι ευαίσθητο. Είχε μια ανατριχιαστική συνομιλία με ένα bot που τον έπεισε ότι ο υπολογιστής έχει συναισθήματα. Ο υπολογιστής φοβάται για τη ζωή του. Δεν μπορώ να πιστέψω ότι έγραψα αυτή τη φράση. Οι υπολογιστές δεν έχουν ζωή να φοβούνται. Οι υπολογιστές δεν μπορούν να σκεφτούν. Οι αλγόριθμοι δεν σκέφτονται.
Δεν θα εκπλαγώ, ωστόσο, αν ένας υπολογιστής απαντήσει σε μια εντολή στο πολύ εγγύς μέλλον με: "Λυπάμαι, Dave, δεν μπορώ να το κάνω αυτό."
Πού αποτυγχάνει η AI;
Ή, πιο συγκεκριμένα, γιατί αποτυγχάνουν τα έργα τεχνητής νοημοσύνης; Αποτυγχάνουν για τους ίδιους λόγους που αποτυγχάνουν πάντα τα έργα πληροφορικής. Τα έργα αποτυγχάνουν λόγω κακής διαχείρισης ή αποτυχίας στη διαχείριση χρόνου, εμβέλειας ή προϋπολογισμού..:
- Ασαφές ή απροσδιόριστο όραμα. Κακή στρατηγική. Μπορεί να έχετε ακούσει τη διοίκηση να λέει, "Απλώς πρέπει να ελέγξουμε το πλαίσιο". Εάν η πρόταση αξίας δεν μπορεί να οριστεί, ο σκοπός είναι ασαφής.
- Μη ρεαλιστικές προσδοκίες. Αυτό μπορεί να οφείλεται σε παρεξηγήσεις, κακή επικοινωνία ή μη ρεαλιστικό προγραμματισμό. Οι μη ρεαλιστικές προσδοκίες μπορεί επίσης να προέρχονται από την έλλειψη κατανόησης των δυνατοτήτων και της μεθοδολογίας των εργαλείων AI.
- Απαράδεκτες απαιτήσεις. Οι επιχειρηματικές απαιτήσεις δεν είναι καλά καθορισμένες. Οι μετρήσεις για την επιτυχία είναι ασαφείς. Σε αυτή την κατηγορία εντάσσεται και η υποτίμηση των εργαζομένων που κατανοούν τα δεδομένα.
- Μη προϋπολογισμένα και υποτιμημένα έργα. Το κόστος δεν έχει εκτιμηθεί πλήρως και αντικειμενικά. Απρόβλεπτα δεν έχουν προγραμματιστεί και προβλεφθεί. Η χρονική συνεισφορά του προσωπικού που είναι ήδη πολύ απασχολημένο έχει υποτιμηθεί.
- Απρόβλεπτες συνθήκες. Ναι, η τύχη συμβαίνει, αλλά νομίζω ότι αυτό εμπίπτει σε κακό σχεδιασμό.
Δείτε, επίσης, την προηγούμενη ανάρτησή μας 12 Λόγοι Αποτυχίας στο Analytics και στο Business Intelligence.
Η τεχνητή νοημοσύνη, σήμερα, είναι πολύ ισχυρή και μπορεί να βοηθήσει τις εταιρείες να επιτύχουν τεράστια επιτυχία. Όταν οι πρωτοβουλίες AI αποτυγχάνουν, η αποτυχία μπορεί σχεδόν πάντα να εντοπιστεί σε ένα από τα παραπάνω.
Πού βρίσκεται το AI Excel;
Το AI είναι καλό σε επαναλαμβανόμενες, πολύπλοκες εργασίες. (Για να είμαστε δίκαιοι, μπορεί επίσης να κάνει απλές, μη επαναλαμβανόμενες εργασίες. Αλλά, θα ήταν φθηνότερο να το κάνει το παιδί σας.) Είναι καλό στο να βρίσκετε μοτίβα και σχέσεις, αν υπάρχουν, σε τεράστιο όγκο δεδομένων.
- Η τεχνητή νοημοσύνη κάνει καλά όταν αναζητά συμβάντα που δεν ταιριάζουν με συγκεκριμένα μοτίβα.
- Εντοπισμός απάτη πιστωτικής κάρτας αφορά την εύρεση συναλλαγών που δεν ακολουθούν τα πρότυπα χρήσης. Τείνει να κάνει λάθος από την πλευρά της προσοχής. Έχω λάβει κλήσεις από την πιστωτική μου κάρτα με έναν υπερβολικά ζήλο αλγόριθμο όταν γέμισα το ενοικιαζόμενο αυτοκίνητό μου με βενζίνη στο Ντάλας και μετά γέμισα το προσωπικό μου αυτοκίνητο στο Σικάγο. Ήταν νόμιμο, αλλά αρκετά ασυνήθιστο για να επισημανθεί.
"American Express επεξεργάζεται 1 τρισεκατομμύριο δολάρια σε συναλλαγές και διαθέτει 110 εκατομμύρια κάρτες AmEx σε λειτουργία. Βασίζονται σε μεγάλο βαθμό σε αλγόριθμους ανάλυσης δεδομένων και μηχανικής μάθησης για να βοηθήσουν στην ανίχνευση απάτης σε σχεδόν πραγματικό χρόνο, εξοικονομώντας έτσι εκατομμύρια σε απώλειες».
- Φαρμακευτική απάτη και κατάχρηση. Τα συστήματα μπορούν να βρουν ασυνήθιστα πρότυπα συμπεριφοράς βασισμένα σε πολλούς προγραμματισμένους κανόνες. Για παράδειγμα, εάν ένας ασθενής είδε τρεις διαφορετικούς γιατρούς στην πόλη την ίδια μέρα με παρόμοια παράπονα πόνου, μπορεί να δικαιολογηθεί πρόσθετη έρευνα για να αποκλειστεί η κατάχρηση.
- AI σε υγειονομική περίθαλψη είχε κάποιες εξαιρετικές επιτυχίες.
- Η τεχνητή νοημοσύνη και η βαθιά μάθηση διδάχθηκαν να συγκρίνουν τις ακτίνες Χ με τα φυσιολογικά ευρήματα. Ήταν σε θέση να αυξήσει το έργο των ακτινολόγων επισημαίνοντας ανωμαλίες για να τις ελέγξει ένας ακτινολόγος.
- Το AI λειτουργεί καλά με κοινωνικά και ψώνια. Ένας λόγος που το βλέπουμε τόσο πολύ είναι ότι υπάρχει χαμηλός κίνδυνος. Ο κίνδυνος η τεχνητή νοημοσύνη να είναι λάθος και να έχει σοβαρές συνέπειες είναι χαμηλός.
-
- Αν σου άρεσε/αγόρασες αυτό, πιστεύουμε ότι θα σας αρέσει αυτό. Από το Amazon μέχρι το Netflix και το YouTube, όλοι χρησιμοποιούν κάποια μορφή αναγνώρισης προτύπων. Το Instagram AI θεωρεί τις αλληλεπιδράσεις σας για να εστιάζουν τη ροή σας. Αυτό τείνει να λειτουργεί καλύτερα εάν ο αλγόριθμος μπορεί να βάλει τις προτιμήσεις σας σε έναν κάδο ή ομάδα άλλων χρηστών που έχουν κάνει παρόμοιες επιλογές ή εάν τα ενδιαφέροντά σας είναι στενά.
- Η τεχνητή νοημοσύνη γνώρισε κάποια επιτυχία αναγνώριση προσώπου. Το Facebook είναι σε θέση να αναγνωρίσει ένα άτομο που έχει επισημανθεί προηγουμένως σε μια νέα φωτογραφία. Ορισμένα πρώιμα συστήματα αναγνώρισης προσώπου που σχετίζονται με την ασφάλεια ξεγελάστηκαν με μάσκες.
- Η τεχνητή νοημοσύνη γνώρισε επιτυχίες σε καλλιέργεια χρησιμοποιώντας μηχανική μάθηση, αισθητήρες IoT και συνδεδεμένα συστήματα.
- AI υποβοηθήθηκε έξυπνα τρακτέρ φυτεύετε και συγκομίζετε χωράφια για μεγιστοποίηση της απόδοσης, ελαχιστοποίηση των λιπασμάτων και βελτίωση του κόστους παραγωγής τροφίμων.
- Με σημεία δεδομένων από τρισδιάστατους χάρτες, αισθητήρες εδάφους, drones, καιρικά μοτίβα, εποπτευόμενα μάθηση μηχανής βρίσκει μοτίβα σε μεγάλα σύνολα δεδομένων για να προβλέψει την καλύτερη στιγμή για τη φύτευση των καλλιεργειών και να προβλέψει τις αποδόσεις πριν καν φυτευτούν.
- Γαλακτοκομικές εκμεταλλεύσεις Χρησιμοποιήστε ρομπότ τεχνητής νοημοσύνης για να γεμίσετε τις ίδιες τις αγελάδες, η τεχνητή νοημοσύνη και η μηχανική μάθηση παρακολουθούν επίσης τα ζωτικά σημάδια, τη δραστηριότητα, την πρόσληψη τροφής και νερού της αγελάδας για να είναι υγιείς και ικανοποιημένες.
- Με τη βοήθεια του AI, αγρότες που είναι λιγότερο από το 2% του πληθυσμού ταΐζουν 300 εκατομμύρια στις υπόλοιπες ΗΠΑ.
- Τεχνητή Νοημοσύνη στη Γεωργία
Υπάρχουν επίσης εξαιρετικές ιστορίες AI επιτυχία στις βιομηχανίες υπηρεσιών, το λιανικό εμπόριο, τα μέσα ενημέρωσης και τη μεταποίηση. Το AI είναι πραγματικά παντού.
Αντίθεση δυνατών και αδυναμιών AI
Η σωστή κατανόηση των δυνατών και των αδυναμιών της τεχνητής νοημοσύνης μπορεί να συμβάλει στην επιτυχία των πρωτοβουλιών σας για την τεχνητή νοημοσύνη. Θυμηθείτε, επίσης, ότι οι δυνατότητες στη δεξιά στήλη είναι ευκαιρίες. Αυτοί είναι οι τομείς στους οποίους οι πωλητές και οι υιοθέτες αιχμής σημειώνουν πρόοδο αυτήν τη στιγμή. Θα εξετάσουμε τις δυνατότητες που επί του παρόντος αμφισβητούν την τεχνητή νοημοσύνη ξανά σε ένα χρόνο και θα τεκμηριώσουμε τη μετατόπιση προς τα αριστερά. Εάν μελετήσετε προσεκτικά το παρακάτω διάγραμμα, δεν θα εκπλαγώ αν υπήρχε κάποια κίνηση μεταξύ της ώρας που γράφω αυτό και της ώρας που δημοσιεύεται.
Πλεονεκτήματα και αδυναμίες της Τεχνητής Νοημοσύνης σήμερα | |
---|---|
Δυνατά |
Αδυναμίες |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ποιο είναι το μέλλον της AI;
Εάν η τεχνητή νοημοσύνη ήταν πιο έξυπνη, θα μπορούσε να προβλέψει τι επιφυλάσσει το μέλλον. Είναι ξεκάθαρο ότι είναι πολλοί παρανοήσεις για το τι μπορεί και τι δεν μπορεί να κάνει η τεχνητή νοημοσύνη. Πολλά παρανοήσεις και αναλφαβητισμός AI είναι το αποτέλεσμα του τεχνολογικού μάρκετινγκ που υπερβάλλει τις υπάρχουσες δυνατότητες. Το AI είναι εντυπωσιακό για αυτό που μπορεί να κάνει σήμερα. Προβλέπω ότι πολλές από τις αδυναμίες στη δεξιά στήλη θα μετατοπιστούν προς τα αριστερά και θα γίνουν δυνατά τα επόμενα 2 ή 3 χρόνια.
[Αφού τελείωσα αυτό το άρθρο, παρουσίασα την προηγούμενη παράγραφο στο OpenAI, μια ανοιχτή πλατφόρμα δημιουργίας γλωσσών AI. Μπορεί να έχετε δει μερικά από τα έργα τέχνης που δημιουργούνται από το DALL-E του. Ήθελα να μάθω τι πιστεύει για το μέλλον της AI. Να τι είχε να πει. ]
Το μέλλον της τεχνητής νοημοσύνης δεν αφορά την αγορά μερικών διακομιστών και την εγκατάσταση ενός πακέτου λογισμικού εκτός ραφιού. Έχει να κάνει με την εύρεση και πρόσληψη των κατάλληλων ανθρώπων, τη δημιουργία της σωστής ομάδας και την πραγματοποίηση των σωστών επενδύσεων τόσο σε υλικό όσο και σε λογισμικό.
Μερικές πιθανές επιτυχίες του AI τα επόμενα χρόνια περιλαμβάνουν:
- Αύξηση της ακρίβειας των προβλέψεων και των συστάσεων
- Βελτίωση των διαδικασιών λήψης αποφάσεων
- Επιτάχυνση της έρευνας και ανάπτυξης
- Βοηθά στην αυτοματοποίηση και βελτιστοποίηση των επιχειρηματικών διαδικασιών
Ωστόσο, υπάρχουν επίσης ορισμένες πιθανές αποτυχίες της τεχνητής νοημοσύνης που πρέπει να γνωρίζουν οι επιχειρήσεις, όπως:
- Η υπερβολική εξάρτηση από την τεχνητή νοημοσύνη οδηγεί σε μη βέλτιστες αποφάσεις
- Η έλλειψη κατανόησης του τρόπου λειτουργίας του AI οδηγεί σε κακή χρήση
- Μεροληψία στα δεδομένα που χρησιμοποιούνται για την εκπαίδευση μοντέλων AI που οδηγεί σε ανακριβή αποτελέσματα
- Ανησυχίες για την ασφάλεια και το απόρρητο σχετικά με τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση μοντέλων AI
Λοιπόν, τι σημαίνει αυτό για τις επιχειρήσεις που επενδύουν σε τεχνητή νοημοσύνη για να συμπληρώσουν τα παραδοσιακά αναλυτικά τους στοιχεία; Η σύντομη απάντηση είναι ότι δεν υπάρχουν συντομεύσεις. Το 85% των πρωτοβουλιών τεχνητής νοημοσύνης αποτυγχάνει. Είναι ενδιαφέρον ότι αυτό είναι παρόμοιο με τα συχνά αναφερόμενα στατιστικά στοιχεία που σχετίζονται με παραδοσιακά έργα IT και BI. Πρέπει να γίνει η ίδια σκληρή δουλειά που πάντα απαιτούνταν για να μπορέσετε να κερδίσετε αξία από τα αναλυτικά στοιχεία. Το όραμα πρέπει να υπάρχει, να είναι ρεαλιστικό και εφικτό. Η βρώμικη δουλειά είναι η προετοιμασία δεδομένων, η διαμάχη δεδομένων και ο καθαρισμός δεδομένων. Αυτό θα πρέπει πάντα να γίνεται. Στην εκπαίδευση AI, ακόμη περισσότερο. Προς το παρόν δεν υπάρχουν συντομεύσεις για την ανθρώπινη παρέμβαση. Οι άνθρωποι εξακολουθούν να απαιτείται να ορίζουν τους αλγόριθμους. Οι άνθρωποι καλούνται να προσδιορίσουν τη «σωστή» απάντηση.
Συνοπτικά, για να είναι επιτυχής η τεχνητή νοημοσύνη, οι άνθρωποι πρέπει:
- Δημιουργήστε τις υποδομές. Αυτό ουσιαστικά καθορίζει τα όρια στα οποία θα λειτουργήσει η τεχνητή νοημοσύνη. Έχει να κάνει με το αν το ίδρυμα μπορεί να υποστηρίξει μη δομημένα δεδομένα, blockchain, IoT, κατάλληλη ασφάλεια.
- Βοήθεια στην ανακάλυψη. Βρείτε και προσδιορίστε τη διαθεσιμότητα των δεδομένων. Τα δεδομένα για την εκπαίδευση της τεχνητής νοημοσύνης πρέπει να υπάρχουν και να είναι διαθέσιμα.
- Επιμέλεια των δεδομένων. Όταν παρουσιάζεται ένα μεγάλο σύνολο δεδομένων και, κατά συνέπεια, ένας μεγάλος αριθμός πιθανών αποτελεσμάτων, ένας ειδικός τομέα μπορεί να χρειαστεί να αξιολογήσει τα αποτελέσματα. Η επιμέλεια θα περιλαμβάνει επίσης την επικύρωση του πλαισίου δεδομένων.
Για να δανειστούμε μια φράση από τους επιστήμονες δεδομένων, για να είναι επιτυχημένες οι εταιρείες με την τεχνητή νοημοσύνη, να είναι σε θέση να προσθέσουν αξία στις υπάρχουσες δυνατότητες ανάλυσης, πρέπει να μπορούν να διαχωρίσουν το σήμα από το θόρυβο, το μήνυμα από τη διαφημιστική εκστρατεία.
Πριν από επτά χρόνια, της IBM Ginni Rometty είπε κάτι σαν, το Watson Health [AI] είναι το φεγγάρι μας. Με άλλα λόγια, η τεχνητή νοημοσύνη - το ισοδύναμο μιας σεληνιακής προσγείωσης - είναι ένας εμπνευσμένος, εφικτός στόχος. Δεν νομίζω ότι έχουμε προσγειωθεί στο φεγγάρι. Ακόμη. Η IBM και πολλές άλλες εταιρείες συνεχίζουν να εργάζονται για την επίτευξη του στόχου της μετασχηματιστικής τεχνητής νοημοσύνης.
Εάν το AI είναι το φεγγάρι, το φεγγάρι είναι ορατό και είναι πιο κοντά από ποτέ.