Het blijkt dat, ja, maar nauwelijks

AI is alomtegenwoordig. Een van de meest voorkomende plekken voor AI in huis tegenwoordig zijn de smartphone, slimme huizen en apparaten. Onlangs, toen we aan tafel zaten, hadden we een gesprek met Alexa dat ongeveer als volgt ging:

Me: Alexa, speel Cubs hoogtepunten. [Dit is een functie die wordt aangeprezen op het startscherm van Alexa. Vraag Alexa om hoogtepunten te spelen voor je favoriete team.]

Alexa: Ik heb iets gevonden op internet. [Ik weet dat wanneer Alexa zo begint, er een probleem is. Het gaat niet goed gaan. Alexa toont een lijst met een handvol video's. Toegegeven, de meeste zijn honkbalvideo's met spelers die de afgelopen 5 jaar uitzonderlijke acties hebben gemaakt. Mijn fout. Probeer het nog eens.]

Me: Alexa, laat me hoogtepunten zien voor de nieuwste honkbalwedstrijd van Chicago Cubs. [Ik hoop dat het de neerbuigende toon niet bespeurt, want ik accepteer de schuld dat het mijn verzoek niet kan begrijpen.]

Alexa: Hoogtepunten voor de Chicago Cubs-game zijn twee uur nadat de game is afgelopen beschikbaar. [Voortgang. Ik had geen idee dat ze op dit moment aan het spelen waren. Het geluk staat aan mijn kant. Ik heb ineens hoop.]

Me: Alexa, laat me dan de effing hoogtepunten van gisteren zien. [Ja, mijn frustratie begint zichtbaar te worden. Ik ben zo dicht bij het breken van de code. Ik kan het bijna proeven.]

Alexa: Sorry, die ken ik niet. [Dit wordt veel te vaak gezegd. Misschien was ik niet duidelijk.]

Me: Maak je een grapje? Afspelen, videohoogtepunten voor de Major League Baseball-wedstrijd tussen de Chicago Cubs en Pittsburgh Pirates op maandag 25 juli 2022 op Wrigley Field. [Deze keer ben ik ervan overtuigd dat ik het heb gehaald. Ik heb een specifiek, ondubbelzinnig verzoek uitgespuugd dat een vaardigheid is waarvan ik weet dat Alexa het heeft. Het heeft dit eerder gedaan. ]

Alexa: [Stilte. Niks. Geen antwoord. Ik ben vergeten het magische wake-up-woord te zeggen, Alexa.]

De gemiddeld IQ van een 18-jarige is ongeveer 100. Het gemiddelde IQ van een menselijke 6-jarige is 55. Google AI IQ werd beoordeeld op 47. Siri's IQ wordt geschat op 24. Bing en Baidu zijn in de 30. Ik heb geen evaluatie van Alexa's IQ gevonden, maar mijn ervaring leek veel op praten met een kleuter.

Sommigen zullen misschien zeggen dat het niet eerlijk is om een ​​computer een IQ-test te geven. Maar dat is precies het punt. De belofte van AI is om te doen wat mensen doen, alleen beter. Tot dusverre was elke rechtstreekse - of, laten we zeggen, neuraal netwerk naar neuraal netwerk - uitdaging zeer gericht. Schaken. Diagnose van ziekte. Koeien melken. Auto's rijden. De robot wint meestal. Wat ik wil zien is Watson die een koe melkt terwijl hij in een auto rijdt en Jeopardy speelt. Nutsvoorzieningen, dat zou de trifecta zijn. Mensen kunnen tijdens het rijden niet eens naar hun sigaretten zoeken zonder een ongeluk te krijgen.

AI's IQ

Te slim af door een machine. Ik vermoed dat ik niet de enige ben. Ik moest denken, als dit state-of-the-art is, hoe slim zijn deze dingen dan? Kunnen we de intelligentie van een mens vergelijken met een machine?

Wetenschappers beoordelen het vermogen van het systeem om te leren en te redeneren. Tot nu toe hebben de synthetische mensen het niet zo goed gedaan als het echte werk. Onderzoekers gebruiken de tekortkomingen om de hiaten te identificeren, zodat we beter begrijpen waar verdere ontwikkeling en vooruitgang moet worden geboekt.

Om ervoor te zorgen dat u het punt niet mist en vergeet wat de "I" in AI vertegenwoordigt, hebben marketeers nu de term Smart AI bedacht.

Is AI gevoelig?

Hebben robots gevoelens? Kunnen computers e . ervarenmotioNS? Nee. Laten we verder gaan. Als je wilt dit artikel lezen daarover beweert een (voormalige) Google-engine dat het AI-model waar Google aan werkt, bewust is. Hij had een enge chat met een bot die hem ervan overtuigde dat de computer gevoelens heeft. De computer vreest voor zijn leven. Ik kan niet eens geloven dat ik die zin heb geschreven. Computers hebben geen leven te vrezen. Computers kunnen niet denken. Aan algoritmen wordt niet gedacht.

Het zou me echter niet verbazen als een computer in de zeer nabije toekomst op een commando reageert met: "Het spijt me, Dave, dat kan ik niet."

Waar faalt AI?

Of, meer precies, waarom mislukken AI-projecten? Ze mislukken om dezelfde redenen als IT-projecten altijd zijn mislukt. Projecten mislukken door wanbeheer, of falen in het beheren van tijd, scope of budget..:

• Onduidelijke of ongedefinieerde visie. Slechte strategie. Je hebt het management misschien horen zeggen: "We hoeven alleen maar het vakje aan te vinken." Als de waardepropositie niet kan worden gedefinieerd, is het doel onduidelijk.
• Onrealistische verwachtingen. Dit kan te wijten zijn aan misverstanden, slechte communicatie of onrealistische planning. Onrealistische verwachtingen kunnen ook voortkomen uit een gebrek aan begrip van de mogelijkheden en methodologie van AI-tools.
• Onacceptabele eisen. De zakelijke vereisten zijn niet goed gedefinieerd. De maatstaven voor succes zijn onduidelijk. Ook in deze categorie valt de onderwaardering van medewerkers die de data begrijpen.
• Ongebudgetteerde en onderschatte projecten. De kosten zijn niet volledig en objectief ingeschat. Onvoorziene omstandigheden zijn niet gepland en geanticipeerd. De tijdsbijdrage van medewerkers die het al te druk hebben, is onderschat.
• Onvoorziene omstandigheden. Ja, toeval gebeurt, maar ik denk dat dit onder slechte planning valt.

Zie ook ons ​​vorige bericht 12 redenen voor mislukkingen in Analytics en Business Intelligence.

AI is tegenwoordig zeer krachtig en kan bedrijven helpen enorm succes te behalen. Wanneer AI-initiatieven mislukken, is de mislukking bijna altijd te herleiden tot een van bovenstaande.

Waar Excelleert AI?

AI is goed in repetitieve, complexe taken. (Om eerlijk te zijn, het kan ook eenvoudige, niet-repetitieve taken uitvoeren. Maar het zou goedkoper zijn om uw kleuter het te laten doen.) Het is goed in het vinden van patronen en relaties, als ze bestaan, in enorme hoeveelheden gegevens.

• AI doet het goed bij het zoeken naar evenementen die niet overeenkomen met specifieke patronen.
  • Het opsporen creditcard fraude gaat over het vinden van transacties die geen gebruikspatronen volgen. Het heeft de neiging om voorzichtig te zijn. Ik heb telefoontjes gekregen van mijn creditcard met een overijverig algoritme toen ik mijn huurauto voltankte in Dallas en vervolgens mijn persoonlijke auto in Chicago voltankte. Het was legitiem, maar ongebruikelijk genoeg om te worden gemarkeerd.

"American Express verwerkt $ 1 biljoen aan transacties en heeft 110 miljoen AmEx-kaarten in gebruik. Ze zijn sterk afhankelijk van data-analyse en algoritmen voor machine learning om fraude in bijna realtime te detecteren, waardoor ze miljoenen aan verliezen besparen.”

• Farmaceutische fraude en misbruik. Systemen kunnen ongewone gedragspatronen vinden op basis van veel geprogrammeerde regels. Als een patiënt bijvoorbeeld op dezelfde dag drie verschillende artsen in de stad zag met vergelijkbare pijnklachten, kan aanvullend onderzoek gerechtvaardigd zijn om misbruik uit te sluiten.
• AI binnen gezondheidszorg heeft enkele uitstekende successen geboekt.
  • AI en deep learning werd geleerd om röntgenfoto's te vergelijken met normale bevindingen. Het was in staat om het werk van een radioloog te vergroten door afwijkingen te markeren die een radioloog kon controleren.
• AI werkt goed met sociaal en winkelen. Een reden waarom we dit zo vaak zien, is dat er een laag risico is. Het risico dat AI het bij het verkeerde eind heeft en ernstige gevolgen heeft, is klein.
• • Als je het leuk vond / kocht dit, we denken dat je het leuk zult vinden deze. Van Amazon tot Netflix en YouTube, ze gebruiken allemaal een vorm van patroonherkenning. Instagram AI houdt rekening met je interacties om je feed te focussen. Dit werkt meestal het beste als het algoritme uw voorkeuren in een emmer of een groep andere gebruikers kan plaatsen die soortgelijke keuzes hebben gemaakt, of als uw interesses beperkt zijn.
  • AI heeft enig succes gehad met gezichtsherkenning. Facebook kan een eerder getagde persoon identificeren in een nieuwe foto. Sommige vroege beveiligingsgerelateerde gezichtsherkenningssystemen werden voor de gek gehouden door maskers.
• AI heeft successen geboekt in landbouw met behulp van machine learning, IoT-sensoren en verbonden systemen.
  • AI geassisteerd slimme tractoren plant en oogst velden om de opbrengst te maximaliseren, kunstmest te minimaliseren en de voedselproductiekosten te verbeteren.
  • Met datapunten van 3D-kaarten, bodemsensoren, drones, weerpatronen, onder toezicht machine learning vindt patronen in grote datasets om de beste tijd te voorspellen om gewassen te planten en de opbrengst te voorspellen voordat ze zelfs maar geplant zijn.
  • Melkveebedrijven gebruik AI-robots om koeien zelf te laten melken, AI en machine learning bewaken ook de vitale functies, activiteit, voedsel- en wateropname van de koe om ze gezond en tevreden te houden.
  • Met behulp van AI, boeren die minder dan 2% van de bevolking voeden 300 miljoen in de rest van de VS.
  • Kunstmatige intelligentie in de landbouw

Er zijn ook geweldige verhalen van AI succes in de dienstverlenende industrie, detailhandel, media en productie. AI is echt overal.

Sterke en zwakke punten van AI tegenover elkaar

Een goed begrip van de sterke en zwakke punten van AI kan bijdragen aan het succes van uw AI-initiatieven. Onthoud ook dat de mogelijkheden die momenteel in de rechterkolom staan, kansen zijn. Dit zijn de gebieden waarop leveranciers en 'bleed edge' adopters momenteel vooruitgang boeken. We zullen over een jaar kijken naar de mogelijkheden die AI momenteel opnieuw uitdagen en de left-shift documenteren. Als je de volgende grafiek zorgvuldig bestudeert, zou het me niet verbazen als er enige beweging was tussen het moment dat ik dit schrijf en het moment waarop het wordt gepubliceerd.

Wat is de toekomst van AI?

Als AI slimmer was, zou het kunnen voorspellen wat de toekomst in petto heeft. Het is duidelijk dat er veel zijn misvattingen over wat AI wel en niet kan. Veel misvattingen en AI-analfabetisme zijn het resultaat van het overhypen van bestaande mogelijkheden van technische marketing. AI is indrukwekkend voor wat het vandaag de dag kan doen. Ik voorspel dat veel van de zwakke punten in de rechterkolom naar links zullen verschuiven en in de komende 2 of 3 jaar sterke punten zullen worden.

[Nadat ik dit artikel had voltooid, presenteerde ik de vorige paragraaf aan OpenAI, een taalgenerator voor een open AI-platform. Je hebt misschien een deel van de kunst gezien die is gegenereerd door zijn DALL-E. Ik wilde weten wat het dacht over de toekomst van AI. Dit is wat het te zeggen had. ]

De toekomst van AI gaat niet over het kopen van een paar servers en het installeren van een kant-en-klaar softwarepakket. Het gaat om het vinden en aannemen van de juiste mensen, het bouwen van het juiste team en het doen van de juiste investeringen in zowel hardware als software.

Enkele potentiële successen van AI in de komende jaren zijn:

• Toenemende nauwkeurigheid van voorspellingen en aanbevelingen
• Besluitvormingsprocessen verbeteren
• Onderzoek en ontwikkeling versnellen
• Helpen bij het automatiseren en optimaliseren van bedrijfsprocessen

Er zijn echter ook enkele potentiële tekortkomingen van AI waarvan bedrijven op de hoogte moeten zijn, zoals:

• Overmatig vertrouwen op AI leidt tot suboptimale beslissingen
• Gebrek aan begrip van hoe AI werkt, wat leidt tot misbruik
• Bias in gegevens die worden gebruikt om AI-modellen te trainen, wat leidt tot onnauwkeurige resultaten
• Beveiligings- en privacykwesties rond gegevens die worden gebruikt om AI-modellen te trainen

Wat betekent dit voor bedrijven die investeren in AI als aanvulling op hun traditionele analyses? Het korte antwoord is dat er geen snelkoppelingen zijn. 85% van de AI-initiatieven mislukt. Interessant is dat dit vergelijkbaar is met vaak geciteerde statistieken met betrekking tot traditionele IT- en BI-projecten. Hetzelfde harde werk dat altijd nodig was voordat u waarde uit analyses kunt halen, moet nog steeds worden gedaan. De visie moet bestaan, realistisch en haalbaar zijn. Het vuile werk is datavoorbereiding, dataruzie en data-cleaning. Dit zal altijd moeten gebeuren. Bij het trainen van AI, nog meer. Er zijn momenteel geen snelkoppelingen naar menselijk ingrijpen. Er zijn nog steeds mensen nodig om de algoritmen te definiëren. Mensen moeten het "juiste" antwoord identificeren.

Samengevat, om AI succesvol te laten zijn, moeten mensen:

• Opzetten van de infrastructuur. Dit is in wezen het vaststellen van de grenzen waarbinnen AI zal werken. Het gaat erom of de stichting ongestructureerde data, blockchain, IoT, passende beveiliging kan ondersteunen.
• Hulp bij ontdekking. Vind en bepaal de beschikbaarheid van data. Gegevens om AI te trainen moeten bestaan ​​en beschikbaar zijn.
• Beheer de gegevens. Wanneer een grote dataset wordt gepresenteerd en bijgevolg een groot aantal potentiële resultaten, kan een domeinexpert nodig zijn om de resultaten te evalueren. Curation omvat ook de validatie van de gegevenscontext.

Om een ​​uitdrukking van de datawetenschappers te gebruiken, moeten bedrijven om succesvol te zijn met AI, om waarde toe te voegen aan bestaande analysemogelijkheden, het signaal van de ruis, de boodschap van de hype kunnen scheiden.

Zeven jaar geleden, IBM's Ginni Rometty zei iets als: Watson Health [AI] is onze moonshot. Met andere woorden, AI – het equivalent van een maanlanding – is een inspirerend, haalbaar en uitdagend doel. Ik denk niet dat we op de maan zijn geland. Nog. IBM en vele andere bedrijven blijven werken aan het doel van transformatieve AI.

Als AI de maan is, is de maan in zicht en dichterbij dan ooit.