Ինչպես պարզվում է, այո, բայց հազիվ

AI-ն ամենուր է: Այս օրերին տանը AI-ի ամենատարածված վայրերից մեկը սմարթֆոնն է, խելացի տներն ու տեխնիկան: Վերջերս, երբ մենք նստեցինք ընթրիքի, մենք զրույց ունեցանք Alexa-ի հետ, որն այսպես ստացվեց.

MeAlexa, խաղացեք Cubs-ի կարևորագույն կետերը: [Սա մի առանձնահատկություն է, որը գովազդվում է Alexa-ի հիմնական էկրանին: Խնդրեք Alexa-ին խաղալ ձեր նախընտրած թիմի կարևորագույն իրադարձությունները:]

AlexaԵս ինչ-որ բան գտա համացանցում: [Ես գիտեմ, որ երբ Alexa-ն սկսում է այսպես, խնդիր կա: Լավ չի լինելու: Alexa-ն ցույց է տալիս մի քանի տեսանյութերի ցուցակ: Ճիշտ է, դրանցից շատերը բեյսբոլի տեսահոլովակներ են, որտեղ խաղացողները բացառիկ բեմադրություններ են կատարում վերջին 5 տարիների ընթացքում: Մեղքն իմն է. Կրկին փորձեք:]

MeAlexa, ցույց տուր ինձ ամենաուշերը Chicago Cubs բեյսբոլի վերջին խաղի համար: [Ես հուսով եմ, որ այն չի նկատի նվաստացուցիչ տոնը, քանի որ ես ընդունում եմ մեղքը, որ նա չի կարողանում հասկանալ իմ խնդրանքը:]

AlexaChicago Cubs խաղի կարևորագույն իրադարձությունները հասանելի կլինեն խաղի ավարտից երկու ժամ անց: [Առաջընթաց. Չէի պատկերացնում, որ նրանք կարող են հենց այս պահին խաղալ։ Բախտն իմ կողմն է: Հանկարծ հույս ունեմ.]

MeAlexa, լավ ցույց տուր ինձ երեկվա էֆֆինգային ակնարկները, ուրեմն: [Այո, իմ հիասթափությունը սկսում է դրսևորվել: Ես այնքան մոտ եմ կոդը կոտրելուն: Համարյա համտեսում եմ։]

AlexaԿներեք, ես չգիտեմ այդ մեկը: [Այն ասում է սա շատ հաճախ: Երևի ես պարզ չէի:]

Me: Դու ինձ ձեռ ես առնում? Նվագարկեք, վիդեո կարևորագույն ակնարկներ Չիկագո Քաբսի և Պիտսբուրգ Պիրեյթսի միջև բեյսբոլի գլխավոր լիգայի խաղի համար, որը տեղի կունենա երկուշաբթի, 25 թվականի հուլիսի 2022-ին, Wrigley Field-ում: [Այս անգամ ես վստահ եմ, որ հաջողվել եմ: Ես թքել եմ կոնկրետ, միանշանակ խնդրանք, որը հմտություն է, որը ես գիտեմ, որ Alexa-ն ունի: Դա արել է նախկինում: ]

alexa: [Լռություն. Ոչինչ։ Ոչ մի պատասխան. Ես մոռացել եմ ասել կախարդական արթնացման բառը՝ Alexa:]

The միջին IQ 18 տարեկանում մոտ 100 է: 6-ամյա մարդու միջին IQ-ն 55 է: Google AI IQ-ն գնահատվել է 47: Siri-ի IQ-ն գնահատվում է 24: Bing-ը և Baidu-ն 30-ականներին են: Ես չգտա Alexa-ի IQ-ի գնահատականը, բայց իմ փորձը շատ նման էր նախադպրոցական երեխայի հետ խոսելուն:

Ոմանք կարող են ասել, որ համակարգչին IQ թեստ տալն արդար չէ: Բայց, դա կատարյալ կետն է: AI-ի խոստումն է անել այն, ինչ անում են մարդիկ, միայն ավելի լավ: Առայժմ յուրաքանչյուր առճակատ, կամ, ասենք, նեյրոնային ցանցից նեյրոնային ցանց, մարտահրավեր շատ կենտրոնացված է եղել: Շախմատ խաղալ. Հիվանդության ախտորոշում. Կթող կովեր. Մեքենաներ վարելը. Ռոբոտը սովորաբար հաղթում է: Այն, ինչ ես ուզում եմ տեսնել, այն է, որ Ուոթսոնը կով կթում է մեքենա վարելիս և խաղում Jeopardy: Հիմա, Որ կլինի trifecta. Մարդիկ չեն կարող նույնիսկ իրենց ծխախոտը փնտրել մեքենա վարելիս՝ առանց վթարի ենթարկվելու:

AI-ի IQ-ն

Մեքենայի կողմից խորամանկված: Ես կասկածում եմ, որ ես մենակ չեմ: Ես սկսեցի մտածել, եթե սա նորագույն է, որքանո՞վ են դրանք խելացի: Կարո՞ղ ենք համեմատել մարդու խելքը մեքենայի հետ:

Գիտնականները գնահատում են համակարգերի սովորելու և տրամաբանելու կարողությունները: Մինչ այժմ սինթետիկ մարդիկ այնքան լավ չեն արել, որքան իրականը: Հետազոտողները օգտագործում են թերությունները` բացահայտելու բացթողումները, որպեսզի մենք ավելի լավ հասկանանք, թե որտեղ է անհրաժեշտ լրացուցիչ զարգացում և առաջընթաց:

Պարզապես որպեսզի դուք բաց չթողնեք կետը և մոռանաք, թե ինչ է ներկայացնում AI-ի «ես»-ը, շուկայավարներն այժմ ստեղծել են Smart AI տերմինը:

Արդյո՞ք AI-ն զգայուն է:

Արդյո՞ք ռոբոտները զգացմունքներ ունեն: Կարո՞ղ են համակարգիչները զգալ էլmotions? Ո՛չ։ Եկեք առաջ գնանք։ Եթե ​​դուք ցանկանում եք կարդալ Այս մասին Google-ի (նախկին) շարժիչներից մեկը պնդում է, որ AI մոդելը, որի վրա աշխատում է Google-ը, զգայուն է: Նա սահմռկեցուցիչ զրույց ունեցավ բոտի հետ, որը համոզեց նրան, որ համակարգիչը զգացմունքներ ունի: Համակարգիչը վախենում է իր կյանքի համար: Ես նույնիսկ չեմ կարող հավատալ, որ ես գրել եմ այդ նախադասությունը: Համակարգիչները վախենալու կյանք չունեն: Համակարգիչները չեն կարողանում մտածել. Ալգորիթմները չեն մտածում:

Այնուամենայնիվ, ես չեմ զարմանա, եթե համակարգիչը շատ մոտ ապագայում պատասխանի հրամանին. «Կներես, Դեյվ, ես չեմ կարող դա անել»:

Որտե՞ղ է AI-ն ձախողվում:

Կամ, ավելի ճիշտ, ինչու են AI նախագծերը ձախողվում: Նրանք ձախողվում են նույն պատճառներով, ինչ ՏՏ նախագծերը միշտ ձախողվել են: Նախագծերը ձախողվում են սխալ կառավարման կամ ժամանակի, շրջանակի կամ բյուջեի կառավարման ձախողման պատճառով:

• Անհասկանալի կամ անորոշ տեսողություն: Վատ ռազմավարություն. Դուք կարող եք լսել, որ ղեկավարությունը ասում է. «Մենք պարզապես պետք է ստուգենք վանդակը»: Եթե ​​արժեքի առաջարկը չի կարող սահմանվել, նպատակն անհասկանալի է:
• Անիրատեսական սպասումներ: Դա կարող է պայմանավորված լինել թյուրիմացությունների, վատ հաղորդակցության կամ անիրատեսական ժամանակացույցի պատճառով: Անիրատեսական ակնկալիքները կարող են առաջանալ նաև արհեստական ​​ինտելեկտի գործիքների հնարավորությունների և մեթոդաբանության ըմբռնումից:
• Անընդունելի պահանջներ. Բիզնեսի պահանջները լավ սահմանված չեն: Հաջողության չափորոշիչները անհասկանալի են: Այս կատեգորիայի մեջ է նաև այն աշխատակիցների թերագնահատումը, ովքեր հասկանում են տվյալները:
• Չբյուջեով չգնահատված ծրագրեր. Ծախսերը ամբողջությամբ և օբյեկտիվորեն չեն գնահատվել: Անսպասելի դեպքեր չեն ծրագրվել և չեն ակնկալվում: Չափազանց զբաղված անձնակազմի ժամանակի ներդրումը թերագնահատվել է:
• Անկանխատեսելի հանգամանքներ. Այո, պատահականությունը տեղի է ունենում, բայց ես կարծում եմ, որ սա վատ պլանավորման տակ է:

Տես նաև մեր նախորդ գրառումը Վերլուծության և բիզնեսի հետախուզության մեջ ձախողման 12 պատճառ.

AI-ն այսօր շատ հզոր է և կարող է օգնել ընկերություններին հասնել հսկայական հաջողությունների: Երբ AI-ի նախաձեռնությունները ձախողվում են, ձախողումը գրեթե միշտ կարելի է գտնել վերը նշվածներից մեկում:

Որտեղ է AI Excel-ը:

AI-ն լավ է կարողանում կրկնվող, բարդ առաջադրանքներ կատարել: (Ազնիվ լինելու համար, այն կարող է նաև կատարել պարզ, չկրկնվող առաջադրանքներ: Բայց ավելի էժան կլիներ, որ ձեր նախադպրոցական տարիքը դա անի:) Լավ է գտնել օրինաչափություններ և հարաբերություններ, եթե դրանք կան, հսկայական քանակությամբ տվյալների մեջ:

• AI-ն լավ է անում, երբ փնտրում է իրադարձություններ, որոնք չեն համապատասխանում կոնկրետ օրինաչափություններին:
  • Հայտնաբերելը վարկային քարտերի խարդախություն այն գործարքներ գտնելու մասին է, որոնք չեն հետևում օգտագործման օրինաչափություններին: Այն հակված է սխալվել զգուշությամբ: Ես զանգեր եմ ստացել իմ կրեդիտ քարտից չափազանց նախանձախնդիր ալգորիթմով, երբ ես Դալլասում բենզին էի լցնում իմ վարձակալած մեքենան, իսկ հետո Չիկագոյում իմ անձնական մեքենան լցնում էի: Դա օրինական էր, բայց բավական անսովոր դրոշակ ստանալու համար:

"Ամերիքան Էքսպրես քարտ վերամշակում է 1 տրիլիոն դոլարի գործարքներ և գործում է 110 մլն AmEx քարտ: Նրանք մեծապես հենվում են տվյալների վերլուծության և մեքենայական ուսուցման ալգորիթմների վրա, որոնք կօգնեն բացահայտել խարդախությունը գրեթե իրական ժամանակում՝ հետևաբար խնայելով միլիոնավոր կորուստներ»:

• Դեղագործական խարդախություն և չարաշահում. Համակարգերը կարող են գտնել վարքի անսովոր օրինաչափություններ՝ հիմնված բազմաթիվ ծրագրավորված կանոնների վրա: Օրինակ, եթե հիվանդը նույն օրը տեսել է երեք տարբեր բժիշկների ամբողջ քաղաքում՝ ցավի նման գանգատներով, կարող է պահանջվել լրացուցիչ հետազոտություն՝ չարաշահումը բացառելու համար:
• AI-ն Առողջապահություն ունեցել է մի քանի հիանալի հաջողություններ:
  • AI-ն և խորը ուսուցումը սովորեցրել են համեմատել ռենտգենյան ճառագայթները սովորական բացահայտումների հետ: Այն կարողացավ ուժեղացնել ռադիոլոգների աշխատանքը՝ նշելով շեղումները, որպեսզի ռադիոլոգը ստուգի:
• AI-ն լավ է աշխատում սոցիալական և գնումներ. Պատճառներից մեկը, թե ինչու մենք դա այդքան շատ ենք տեսնում, այն է, որ ցածր ռիսկ կա: AI-ի սխալ լինելու և ծանր հետևանքների ռիսկը ցածր է:
• • Եթե ​​ձեզ դուր եկավ/գնեց սա, կարծում ենք ձեզ դուր կգա սա. Amazon-ից մինչև Netflix և YouTube, նրանք բոլորն օգտագործում են օրինակների ճանաչման ինչ-որ ձև: Instagram AI-ն ձեր փոխազդեցությունները համարում է ձեր հոսքը կենտրոնացնելու համար: Սա հակված է լավագույնս աշխատելու, եթե ալգորիթմը կարող է ձեր նախապատվությունները դնել մի դույլի կամ նմանատիպ ընտրություն կատարած այլ օգտվողների խմբի մեջ, կամ եթե ձեր հետաքրքրությունները նեղ են:
  • AI-ն որոշակի հաջողություն է ունեցել դեմքի ճանաչում. Facebook-ը նոր լուսանկարում կարողանում է նույնականացնել նախկինում պիտակված անձին։ Անվտանգության հետ կապված որոշ վաղ դեմքի ճանաչման համակարգեր խաբվեցին դիմակներով:
• AI-ն հաջողություններ է ունեցել հողագործություն օգտագործելով մեքենայական ուսուցում, IoT սենսորներ և միացված համակարգեր:
  • AI-ն օգնեց խելացի տրակտորներ բույսերի և բերքահավաքի դաշտեր՝ բերքատվությունը առավելագույնի հասցնելու, պարարտանյութը նվազագույնի հասցնելու և սննդի արտադրության ծախսերը բարելավելու համար:
  • Եռաչափ քարտեզների տվյալների կետերով, հողի տվիչներով, դրոններով, եղանակային օրինաչափություններով, վերահսկվող Machine Learning գտնում է օրինաչափություններ մեծ տվյալների հավաքածուներում՝ կանխատեսելու մշակաբույսերի տնկման լավագույն ժամանակը և կանխատեսելու բերքատվությունը նախքան դրանք տնկելը:
  • Կաթնամթերքի ֆերմաներ Օգտագործեք արհեստական ​​ինտելեկտի ռոբոտներ՝ կովերն իրենք կթելու համար, արհեստական ​​ինտելեկտը և մեքենայական ուսուցումը նաև վերահսկում են կովի կենսական նշանները, ակտիվությունը, սննդի և ջրի ընդունումը՝ նրանց առողջ և գոհ պահելու համար:
  • AI-ի օգնությամբ, ֆերմեր որոնք բնակչության 2%-ից քիչ են կազմում ԱՄՆ-ի մնացած մասում 300 մլն.
  • Արհեստական ​​ինտելեկտը գյուղատնտեսության մեջ

Կան նաև AI-ի հիանալի պատմություններ հաջողություն սպասարկման ոլորտներում, մանրածախ առևտրում, լրատվամիջոցներում և արտադրությունում: AI-ն իսկապես ամենուր է:

AI-ի ուժեղ և թույլ կողմերը հակադրվում են

AI-ի ուժեղ և թույլ կողմերի հիմնավոր ըմբռնումը կարող է նպաստել ձեր AI նախաձեռնությունների հաջողությանը: Հիշեք նաև, որ աջակողմյան սյունակում առկա հնարավորությունները հնարավորություններ են: Սրանք այն ոլորտներն են, որոնցում ներկայումս առաջընթաց են գրանցում վաճառողներն ու անհաջող եզրեր որդեգրողները: Մենք կդիտարկենք այն հնարավորությունները, որոնք ներկայումս մարտահրավեր են նետում AI-ին մեկ տարի հետո և կփաստաթղթավորենք ձախ հերթափոխը: Եթե ​​ուշադիր ուսումնասիրեք հետևյալ աղյուսակը, ես չեմ զարմանա, եթե այս գրելու և հրապարակման ժամանակի միջև ինչ-որ տեղաշարժ լինի:

Ո՞րն է AI-ի ապագան:

Եթե ​​AI-ն ավելի խելացի լիներ, այն կարող էր կանխատեսել, թե ինչ է սպասվում ապագայում: Պարզ է, որ շատ են սխալ պատկերացումները այն մասին, թե ինչ կարող է և ինչ չի կարող անել AI-ն: Շատերը թյուր պատկերացումներ և AI անգրագիտություն տեխնոլոգիական մարքեթինգի արդյունք են՝ գերագնահատելով առկա հնարավորությունները: AI-ն տպավորիչ է այն բանի համար, ինչ կարող է անել այսօր: Ես կանխատեսում եմ, որ աջակողմյան սյունակի շատ թույլ կողմեր ​​կտեղափոխվեն ձախ և կդառնան ուժեղ կողմ առաջիկա 2 կամ 3 տարիների ընթացքում:

[Այս հոդվածն ավարտելուց հետո ես ներկայացրեցի նախորդ պարբերությունը OpenAI, բաց AI հարթակի լեզուների գեներատոր: Դուք կարող եք տեսել արվեստի մի մասը, որը ստեղծվել է իր DALL-E-ի կողմից: Ես ուզում էի իմանալ, թե ինչ է այն մտածում AI-ի ապագայի մասին: Ահա թե ինչ էր այն ասում. ]

AI-ի ապագան կապված չէ մի քանի սերվեր գնելու և ծրագրային ապահովման փաթեթի տեղադրման հետ: Խոսքը վերաբերում է ճիշտ մարդկանց գտնելու և աշխատանքի ընդունելու, ճիշտ թիմ ստեղծելու և ճիշտ ներդրումներ կատարելու ինչպես ապարատային, այնպես էլ ծրագրային ապահովման ոլորտում:

Առաջիկա մի քանի տարիների ընթացքում AI-ի որոշ պոտենցիալ հաջողություններ ներառում են.

• Կանխատեսումների և առաջարկությունների ճշգրտության բարձրացում
• Որոշումների կայացման գործընթացների բարելավում
• Հետազոտության և զարգացման արագացում
• Օգնում է ավտոմատացնել և օպտիմալացնել բիզնես գործընթացները

Այնուամենայնիվ, կան նաև AI-ի որոշ պոտենցիալ ձախողումներ, որոնց մասին բիզնեսները պետք է տեղյակ լինեն, ինչպիսիք են.

• Արհեստական ​​ինտելեկտի վրա չափազանց մեծ վստահություն, որը հանգեցնում է ոչ օպտիմալ որոշումների
• Արհեստական ​​ինտելեկտի աշխատանքի չհասկանալը հանգեցնում է չարաշահման
• Տվյալների կողմնակալություն, որն օգտագործվում է արհեստական ​​ինտելեկտի մոդելների պատրաստման համար, ինչը հանգեցնում է ոչ ճշգրիտ արդյունքների
• Անվտանգության և գաղտնիության մտահոգություններ՝ կապված AI մոդելների պատրաստման համար օգտագործվող տվյալների հետ

Այսպիսով, ի՞նչ է սա նշանակում AI-ում ներդրումներ կատարող բիզնեսների համար՝ իրենց ավանդական վերլուծությունները լրացնելու համար: Կարճ պատասխանն այն է, որ կարճ ճանապարհներ չկան: AI նախաձեռնությունների 85%-ը ձախողվում է. Հետաքրքիր է, որ սա նման է ավանդական ՏՏ և BI նախագծերի հետ կապված հաճախակի մեջբերվող վիճակագրությանը: Նույն քրտնաջան աշխատանքը, որը միշտ պահանջվել է, նախքան վերլուծականից արժեք ստանալը, դեռ պետք է կատարվի: Տեսլականը պետք է լինի, լինի իրատեսական և հասանելի։ Կեղտոտ աշխատանքը տվյալների պատրաստումն է, տվյալների վեճը և տվյալների մաքրումը: Սա միշտ պետք է արվի: AI ուսուցման ժամանակ, առավել եւս: Ներկայումս մարդկային միջամտության դյուրանցումներ չկան: Մարդկանցից դեռ պահանջվում է սահմանել ալգորիթմները: Մարդկանցից պահանջվում է բացահայտել «ճիշտ» պատասխանը:

Ամփոփելով, որպեսզի AI-ն հաջողակ լինի, մարդիկ պետք է.

• Ստեղծել ենթակառուցվածքը. Սա, ըստ էության, սահմանում է այն սահմանները, որոնցում կաշխատի AI-ն: Խոսքը այն մասին է, թե արդյոք հիմնադրամը կարող է աջակցել չկառուցված տվյալների, բլոկչեյնի, IoT-ի, համապատասխան անվտանգության:
• Աջակցել բացահայտմանը. Գտեք և որոշեք տվյալների հասանելիությունը: Արհեստական ​​ինտելեկտը վարժեցնելու համար տվյալները պետք է գոյություն ունենան և հասանելի լինեն:
• Ընտրեք տվյալները. Տվյալների մեծ հավաքածուով և, հետևաբար, մեծ թվով պոտենցիալ արդյունքների առկայության դեպքում, տիրույթի փորձագետը կարող է պահանջվել գնահատելու արդյունքները: Կուրացումը կներառի նաև տվյալների համատեքստի վավերացում:

Տվյալների գիտնականներից արտահայտություն վերցնելու համար, որպեսզի ընկերությունները հաջողակ լինեն AI-ի հետ, որպեսզի կարողանան արժեք ավելացնել առկա վերլուծական հնարավորություններին, նրանք պետք է կարողանան առանձնացնել ազդանշանը աղմուկից, հաղորդագրությունը աղմուկից:

Յոթ տարի առաջ IBM-ի Ginni Rometty- ն ասաց մի բան, որ Watson Health [AI]-ը մեր լուսնի նկարն է: Այլ կերպ ասած, AI-ն՝ լուսնային վայրէջքի համարժեքը, ոգեշնչող, հասանելի, ձգվող նպատակ է: Չեմ կարծում, որ մենք վայրէջք ենք կատարել լուսնի վրա: Այնուամենայնիվ. IBM-ը և շատ այլ ընկերություններ շարունակում են աշխատել վերափոխիչ AI-ի նպատակի ուղղությամբ:

Եթե ​​AI-ն լուսին է, ապա լուսինը տեսանելի է և այն ավելի մոտ է, քան երբևէ եղել է: