כפי שמתברר, כן, אבל רק בקושי

AI נמצא בכל מקום. אחד המקומות הנפוצים ביותר עבור AI בבית בימים אלה הוא הסמארטפון, הבתים החכמים ומכשירי החשמל. לאחרונה, כשהתיישבנו לארוחת ערב, ניהלנו שיחה עם אלקסה שהתנהלה בערך כך:

Me: אלכסה, שחק את הדגשים של הקאבס. [זוהי תכונה שמוצגת במסך הבית של אלקסה. בקש מאלכסה לשחק בנקודות השיא עבור הקבוצה האהובה עליך.]

Alexa: מצאתי משהו באינטרנט. [אני יודע שכשאלקסה מתחילה ככה, יש בעיה. זה לא הולך טוב. אלקסה מציגה רשימה של קומץ סרטונים. נכון, רובם הם סרטוני בייסבול עם שחקנים שעשו הצגות יוצאות דופן במהלך 5 השנים האחרונות. אשמתי. נסה שוב.]

Me: אלכסה, תראה לי את הדגשים למשחק הבייסבול האחרון של שיקגו קאבס. [אני מקווה שזה לא יזהה את הטון המתנשא מכיוון שאני מקבל את האשמה בכך שהוא לא יכול להבין את בקשתי.]

Alexa: הדגשים למשחק שיקגו קאבס יהיו זמינים שעתיים לאחר סיום המשחק. [התקדמות. לא היה לי מושג שאולי הם משחקים ברגע זה ממש. המזל בצד שלי. אני פתאום מלא תקווה.]

Me: אלכסה, בסדר, תראי לי את נקודות השיא המדהימות של אתמול. [כן, התסכול שלי מתחיל להופיע. אני כל כך קרוב לשבור את הקוד. אני כמעט יכול לטעום את זה.]

Alexa: אני מצטער, אני לא מכיר את זה. [זה אומר את זה לעתים קרובות מדי. אולי לא הייתי ברור.]

לִי: אתה צוחק עלי? שחק, קטעי וידאו מדגישים למשחק הבייסבול של ליגת העל בין שיקגו קאבס ופיטסבורג פיראטים ליום שני ה-25 ביולי 2022 בריגלי פילד. [הפעם אני בטוח שהצלחתי. ירקתי בקשה ספציפית וחד משמעית שזו מיומנות שאני יודע שיש לאלקסה. זה עשה זאת בעבר. ]

אלקסה: [שתיקה. שום דבר. אין תגובה. שכחתי להגיד את מילת ההתעוררות הקסומה, אלכסה.]

השמיים מנת משכל ממוצעת של ילד בן 18 הוא בסביבות 100. מנת המשכל הממוצעת של בן 6 אנושי הוא 55. Google AI IQ הוערך ל-47. מנת המשכל של סירי מוערכת ב-24. בינג ובאידו נמצאים בשנות ה-30. לא מצאתי הערכה של IQ של אלקסה, אבל הניסיון שלי היה כמו לדבר עם ילד בגיל הגן.

יש שיגידו שזה לא הוגן לתת למחשב מבחן IQ. אבל, זו לגמרי הנקודה. ההבטחה של AI היא לעשות מה שבני אדם עושים, רק טוב יותר. עד כה, כל אתגר ראש בראש - או, נגיד, רשת עצבית לרשת עצבית - היה מאוד ממוקד. לשחק שחמט. אבחון מחלה. לחלוב פרות. נהיגה במכוניות. לרוב הרובוט מנצח. מה שאני רוצה לראות זה ווטסון חולב פרה בזמן שהוא נוהג במכונית ומשחק ב-Jeopardy. עַכשָׁיו, זֶה תהיה הטריפקטה. בני אדם אפילו לא יכולים לחפש את הסיגריות שלהם בזמן שהם נוהגים מבלי להיכנס לתאונה.

מנת המשכל של AI

הוכנעה על ידי מכונה. אני חושד שאני לא לבד. התחלתי לחשוב, אם זה המצב החדש, עד כמה הדברים האלה חכמים? האם נוכל להשוות בין אינטליגנציה של אדם למכונה?

מדענים מעריכים יכולות המערכות ללמוד ולהגיב. עד כה, בני האדם הסינתטיים לא הצליחו כמו הדבר האמיתי. החוקרים משתמשים בחסרונות כדי לזהות את הפערים כדי שנבין טוב יותר היכן יש צורך בפיתוח נוסף והתקדמות.

רק כדי שלא תפספסו את הנקודה ותשכחו מה ה"אני" ב-AI מייצג, משווקים טבעו כעת את המונח Smart AI.

האם AI Sentient?

האם לרובוטים יש רגשות? האם מחשבים יכולים לחוות emotions? לא. בוא נמשיך הלאה. אם אתה כן רוצה לקרוא לגבי זה, מנוע אחד (לשעבר) של גוגל אכן טוען שמודל הבינה המלאכותית שגוגל עובדת עליו הוא רגיש. הוא ניהל צ'אט מצמרר עם בוט ששכנע אותו שלמחשב יש רגשות. המחשב חושש לחייו. אני אפילו לא מאמין שכתבתי את המשפט הזה. למחשבים אין חיים ממה לפחד. מחשבים לא יכולים לחשוב. לא חושבים על אלגוריתמים.

עם זאת, לא אתפלא אם מחשב יגיב לפקודה בעתיד הקרוב מאוד ב: "אני מצטער, דייב, אני לא יכול לעשות את זה."

איפה AI נכשל?

או, ליתר דיוק, מדוע פרויקטי AI נכשלים? הם נכשלים מאותן סיבות שפרויקטי IT תמיד נכשלו. פרויקטים נכשלים עקב ניהול כושל, או כשל בניהול זמן, היקף או תקציב..:

• ראייה לא ברורה או לא מוגדרת. אסטרטגיה גרועה. אולי שמעת את ההנהלה אומרת, "אנחנו רק צריכים לסמן את התיבה." אם לא ניתן להגדיר את הצעת הערך, המטרה אינה ברורה.
• ציפיות לא מציאותיות. זה עשוי לנבוע מאי הבנות, תקשורת לקויה או תזמון לא ריאלי. ציפיות לא מציאותיות עשויות לנבוע גם מחוסר הבנה של יכולות ומתודולוגיה של כלי AI.
• דרישות לא מקובלות. הדרישות העסקיות אינן מוגדרות היטב. המדדים להצלחה אינם ברורים. כמו כן, בקטגוריה זו יש הערכה נמוכה של עובדים שמבינים את הנתונים.
• פרויקטים לא מתוקצבים ומוזלים. העלויות לא הוערכו באופן מלא ואובייקטיבי. לא תוכננו וצפויות מקרים. התרומה לזמן של צוות שכבר עסוק מדי לא הוערכה.
• נסיבות בלתי צפויות. כן, מקרה קורה, אבל אני חושב שזה נופל תחת תכנון לקוי.

ראה גם את הפוסט הקודם שלנו 12 סיבות לכישלון באנליטיקס ובבינה עסקית.

בינה מלאכותית, כיום, היא חזקה מאוד ויכולה לעזור לחברות להגיע להצלחה אדירה. כאשר יוזמות בינה מלאכותית נכשלות, כמעט תמיד ניתן לייחס את הכישלון לאחד מהאמור לעיל.

איפה AI Excel?

בינה מלאכותית טובה במשימות מורכבות שחוזרות על עצמן. (למען ההגינות, הוא יכול לבצע גם משימות פשוטות ולא חוזרות על עצמן. אבל, זה יהיה זול יותר לתת לילד הגן שלך לעשות זאת.) הוא טוב במציאת דפוסים ומערכות יחסים, אם הם קיימים, בכמויות אדירות של נתונים.

• AI עושה טוב כאשר מחפשים אירועים שאינם תואמים דפוסים ספציפיים.
  • מגלה הונאה בכרטיס אשראי עוסק במציאת עסקאות שאינן עוקבות אחר דפוסי שימוש. זה נוטה לטעות בצד של זהירות. קיבלתי שיחות מכרטיס האשראי שלי עם אלגוריתם קנאי מדי כשמילאתי ​​את המכונית השכורה שלי בדלק בדאלאס ואז מילאתי ​​את המכונית האישית שלי בשיקגו. זה היה לגיטימי, אבל יוצא דופן מספיק כדי להיות מסומן.

"אמריקן אקספרס מעבד טריליון דולר בעסקאות ויש לו 1 מיליון כרטיסי AmEx בפעולה. הם מסתמכים במידה רבה על ניתוח נתונים ואלגוריתמים של למידת מכונה כדי לסייע באיתור הונאה כמעט בזמן אמת, ולכן חוסכים מיליונים בהפסדים".

• הונאה ושימוש לרעה בתרופות. מערכות יכולות למצוא דפוסי התנהגות יוצאי דופן המבוססים על כללים מתוכנתים רבים. לדוגמה, אם מטופל ראה שלושה רופאים שונים ברחבי העיר באותו יום עם תלונות דומות על כאב, ייתכן שיהיה צורך בחקירה נוספת כדי לשלול התעללות.
• AI ב בריאות זכה לכמה הצלחות מצוינות.
  • AI ולמידה עמוקה נלמדו כדי להשוות צילומי רנטגן לממצאים רגילים. זה היה מסוגל להגדיל את עבודת הרדיולוג על ידי סימון חריגות לרדיולוג לבדוק.
• AI עובד טוב עם חברתיות וקניות. אחת הסיבות לכך שאנחנו רואים את זה כל כך הרבה היא שיש סיכון נמוך. הסיכון של AI לטעות ולהשלכות חמורות הוא נמוך.
• • אם אהבתם/קניתם זֶה, אנחנו חושבים שתאהב זֶה. מאמזון ועד לנטפליקס ויוטיוב, כולם משתמשים בסוג כלשהו של זיהוי דפוסים. אינסטגרם AI מחשיבה את האינטראקציות שלך כדי למקד את הפיד שלך. זה נוטה לעבוד הכי טוב אם האלגוריתם יכול לשים את ההעדפות שלך בדלי או בקבוצה של משתמשים אחרים שעשו בחירות דומות, או אם תחומי העניין שלך צרים.
  • בינה מלאכותית נהנתה עם הצלחה מסוימת זיהוי פנים. פייסבוק מסוגלת לזהות אדם שתויג בעבר בתמונה חדשה. כמה מערכות זיהוי פנים מוקדמות הקשורות לאבטחה הוטעו על ידי מסכות.
• AI נהנתה מהצלחות ב חקלאות באמצעות למידת מכונה, חיישני IoT ומערכות מחוברות.
  • AI סייעה טרקטורים חכמים לשתול ולקצור שדות כדי למקסם את התפוקה, למזער דשן ולשפר את עלויות ייצור המזון.
  • עם נקודות נתונים ממפות תלת מימד, חיישני קרקע, מל"טים, דפוסי מזג אוויר, בפיקוח למידת מכונה מוצא דפוסים במערכי נתונים גדולים כדי לחזות את הזמן הטוב ביותר לשתילת יבולים ולחזות יבול לפני שהם אפילו נטועים.
  • חוות חלב השתמש ברובוטים של בינה מלאכותית כדי שהפרות יחלבו בעצמן, בינה מלאכותית ולמידת מכונה גם עוקבות אחר הסימנים החיוניים של הפרה, פעילותה, צריכת המזון והמים כדי לשמור על בריאותן ומרוצים.
  • בעזרת AI, חקלאים שהם פחות מ-2% מהאוכלוסייה מאכילים 300 מיליון בשאר ארה"ב.
  • בינה מלאכותית בחקלאות

יש גם סיפורים נהדרים של AI הצלחה בענפי השירותים, הקמעונאות, המדיה והייצור. AI באמת נמצא בכל מקום.

חוזקות וחולשות בינה מלאכותית מנוגדות

הבנה מוצקה של החוזקות והחולשות של הבינה המלאכותית עשויה לתרום להצלחת יוזמות הבינה המלאכותית שלך. זכרו גם שהיכולות שנמצאות כרגע בעמודה הימנית הן הזדמנויות. אלו הם התחומים שבהם הספקים ומאמצי הקצה המדמם מתקדמים כעת. נבחן את היכולות המאתגרות כעת את הבינה המלאכותית שוב בעוד שנה ונתעד את ההזזה שמאלה. אם תלמדו היטב את התרשים הבא, לא אתפלא אם הייתה תנועה מסוימת בין הזמן שאני כותב את זה לבין הזמן שבו הוא מתפרסם.

מהו העתיד של AI?

אם בינה מלאכותית הייתה חכמה יותר, היא עשויה לחזות מה צופן העתיד. ברור שיש הרבה תפיסות מוטעות על מה AI יכול ומה לא יכול לעשות. רב תפיסות שגויות ואנאלפביתיות בינה מלאכותית הם תוצאה של שיווק טכנולוגי המגדיל יתר על המידה את היכולות הקיימות. AI מרשים עבור מה שהוא יכול לעשות היום. אני צופה שרבות מהחולשות בעמודה הימנית יעברו שמאלה ויהפכו לחוזקות בשנתיים-שלוש הבאות.

[לאחר שסיימתי מאמר זה, הצגתי את הפסקה הקודמת ל OpenAI, מחולל שפות של פלטפורמת AI פתוחה. אולי ראית חלק מהאמנות שנוצרה על ידי ה-DALL-E שלו. רציתי לדעת מה זה חושב על העתיד של AI. הנה מה שהיה לו לומר. ]

העתיד של בינה מלאכותית אינו עוסק ברכישת כמה שרתים והתקנת חבילת תוכנה מדף. מדובר במציאת וגיוס האנשים הנכונים, בניית הצוות הנכון וביצוע ההשקעות הנכונות הן בחומרה והן בתוכנה.

כמה הצלחות פוטנציאליות של AI במהלך השנים הקרובות כוללות:

• הגברת הדיוק של התחזיות וההמלצות
• שיפור תהליכי קבלת החלטות
• זירוז מחקר ופיתוח
• סיוע לאוטומציה ואופטימיזציה של תהליכים עסקיים

עם זאת, ישנם גם כמה כשלים פוטנציאליים של AI שעסקים צריכים להיות מודעים אליהם, כגון:

• הסתמכות יתר על AI המובילה להחלטות לא אופטימליות
• חוסר הבנה כיצד פועלת AI מוביל לשימוש לרעה
• הטיה בנתונים המשמשים לאימון מודלים של AI המובילה לתוצאות לא מדויקות
• דאגות אבטחה ופרטיות סביב נתונים המשמשים לאימון מודלים של AI

אז מה זה אומר לעסקים שמשקיעים ב-AI כדי להשלים את הניתוח המסורתי שלהם? התשובה הקצרה היא שאין קיצורי דרך. 85% מיוזמות בינה מלאכותית נכשלות. מעניין לציין שזה דומה לסטטיסטיקה המצוטטת לעתים קרובות הקשורה לפרויקטי IT ו-BI מסורתיים. אותה עבודה קשה שתמיד נדרשה לפני שתוכל להפיק ערך מאנליטיקה עדיין חייבת להיעשות. החזון חייב להתקיים, להיות ריאלי ובר השגה. העבודה המלוכלכת היא הכנת נתונים, סכסוך נתונים וניקוי נתונים. זה תמיד יצטרך להיעשות. באימון AI, אפילו יותר. כרגע אין קיצורי דרך להתערבות אנושית. בני אדם עדיין נדרשים להגדיר את האלגוריתמים. בני אדם נדרשים לזהות את התשובה "הנכונה".

לסיכום, כדי ש-AI יצליח, בני אדם צריכים:

• להקים את התשתית. זה בעצם קביעת הגבולות שבהם AI יעבוד. מדובר בשאלה האם הקרן יכולה לתמוך בנתונים לא מובנים, בלוקצ'יין, IoT, אבטחה מתאימה.
• עזרה בגילוי. מצא וקבע את זמינות הנתונים. נתונים לאימון AI חייבים להתקיים ולהיות זמינים.
• אצור את הנתונים. כאשר מוצגים בפני מערך נתונים גדול, וכתוצאה מכך, מספר רב של תוצאות פוטנציאליות, ייתכן שיידרש מומחה תחום להעריך את התוצאות. אוצרות תכלול גם את אימות הקשר הנתונים.

כדי לשאול ביטוי ממדעני הנתונים, כדי שחברות יצליחו עם AI, כדי שיוכלו להוסיף ערך ליכולות האנליטיקה הקיימות, הן צריכות להיות מסוגלות להפריד בין האות לרעש, בין המסר להייפ.

לפני שבע שנים, של IBM ג'יני רומטי אמר משהו כמו, Watson Health [AI] היא צילום הירח שלנו. במילים אחרות, בינה מלאכותית - המקבילה לנחיתה על הירח - היא מטרה מעוררת השראה, ניתנת להשגה, מתיחה. אני לא חושב שנחתנו על הירח. עדיין. IBM, וחברות רבות אחרות ממשיכות לעבוד לקראת המטרה של AI טרנספורמטיבי.

אם AI הוא הירח, הירח נמצא באופק והוא קרוב יותר ממה שהיה אי פעם.