Som det viser seg, ja, men så vidt

AI er allestedsnærværende. En av de vanligste stedene for AI i hjemmet i disse dager er smarttelefonen, smarte hjem og apparater. Nylig, mens vi satte oss til middag, hadde vi en samtale med Alexa som gikk omtrent slik:

Me: Alexa, spill Cubs-høydepunkter. [Dette er en funksjon som vises på Alexas startskjerm. Be Alexa om å spille høydepunkter for favorittlaget ditt.]

Alexa: Jeg fant noe på nettet. [Jeg vet at når Alexa starter slik, er det et problem. Det kommer ikke til å gå bra. Alexa viser en liste over en håndfull videoer. Riktignok er de fleste av dem baseballvideoer med spillere som har spilt eksepsjonelle de siste 5 årene. Min feil. Prøv igjen.]

Me: Alexa, vis meg høydepunktene for den siste Chicago Cubs baseballkampen. [Jeg håper den ikke oppdager den nedlatende tonen da jeg aksepterer skylden for at den ikke kan forstå forespørselen min.]

Alexa: Høydepunkter for Chicago Cubs-spillet vil være tilgjengelig to timer etter at kampen er over. [Framgang. Jeg hadde ingen anelse om at de kanskje spiller akkurat nå. Lykken er på min side. Jeg er plutselig håpefull.]

Me: Alexa, fint vis meg gårsdagens flotte høydepunkter, da. [Ja, frustrasjonen min begynner å vise seg. Jeg er så nær ved å knekke koden. Jeg kan nesten smake den.]

Alexa: Beklager, jeg kjenner ikke den. [Det sier dette altfor ofte. Kanskje jeg ikke var tydelig.]

Meg: Tuller du med meg? Spill, videohøydepunkter for Major League Baseball-kampen mellom Chicago Cubs og Pittsburgh Pirates mandag 25. juli 2022 på Wrigley Field. [Denne gangen er jeg sikker på at jeg har klart det. Jeg har spyttet ut en spesifikk, entydig forespørsel som er en ferdighet jeg vet at Alexa har. Det har den gjort før. ]

Alexa: [Stillhet. Ingenting. Ingen respons. Jeg har glemt å si det magiske våkneordet, Alexa.]

De gjennomsnittlig IQ av en 18-åring er rundt 100. Gjennomsnittlig IQ for en 6-åring er 55. Google AI IQ ble evaluert til å være 47. Siris IQ er beregnet til å være 24. Bing og Baidu er på 30-tallet. Jeg fant ingen evaluering av Alexas IQ, men min erfaring var omtrent som å snakke med en førskolebarn.

Noen vil kanskje si at det ikke er rettferdig å gi en datamaskin en IQ-test. Men, det er helt poenget. Løftet til AI er å gjøre det mennesker gjør, bare bedre. Så langt har hver head-to-head – eller, skal vi si, nevrale nettverk til nevrale nettverk – utfordringer vært veldig fokuserte. Spiller sjakk. Diagnostisere sykdom. Melking av kyr. Kjører biler. Roboten vinner vanligvis. Det jeg vil se er Watson som melker en ku mens han kjører bil og spiller Jeopardy. Nå, Det ville være trifectaen. Mennesker kan ikke engang lete etter sigarettene sine mens de kjører uten å havne i en ulykke.

AI sin IQ

Overlistet av en maskin. Jeg mistenker at jeg ikke er alene. Jeg må tenke, hvis dette er toppmoderne, hvor smarte er disse tingene? Kan vi sammenligne et menneskes intelligens med en maskin?

Forskere vurderer systemenes evner til å lære og resonnere. Så langt har de syntetiske menneskene ikke gjort det like bra som den ekte varen. Forskere bruker manglene til å identifisere hullene slik at vi bedre forstår hvor ytterligere utvikling og fremgang må gjøres.

Bare for at du ikke skal gå glipp av poenget og glemme hva "jeget" i AI representerer, har markedsførere nå laget begrepet Smart AI.

Er AI Sentient?

Har roboter følelser? Kan datamaskiner oppleve f.eksmotions? Nei. La oss gå videre. Hvis du vil lese om det hevder en (tidligere) Google-motor at AI-modellen som Google jobber med er sansende. Han hadde en skummel prat med en bot som overbeviste ham om at datamaskinen har følelser. Datamaskinen frykter for livet sitt. Jeg kan ikke engang tro at jeg skrev den setningen. Datamaskiner har ikke noe liv å frykte. Datamaskiner kan ikke tenke. Algoritmer er ikke tenkt.

Jeg ville imidlertid ikke bli overrasket om en datamaskin svarer på en kommando i en svært nær fremtid med: «Jeg beklager, Dave, jeg kan ikke gjøre det.»

Hvor svikter AI?

Eller, mer presist, hvorfor mislykkes AI-prosjekter? De mislykkes av de samme grunnene som IT-prosjekter alltid har mislyktes. Prosjekter mislykkes på grunn av feilstyring, eller svikt i styring av tid, omfang eller budsjett..:

• Uklart eller udefinert syn. Dårlig strategi. Du har kanskje hørt ledelsen si: "Vi må bare merke av i boksen." Hvis verdiforslaget ikke kan defineres, er formålet uklart.
• Urealistiske forventninger. Dette kan skyldes misforståelser, dårlig kommunikasjon eller urealistisk planlegging. Urealistiske forventninger kan også stamme fra mangel på forståelse av AI-verktøyets evner og metodikk.
• Uakseptable krav. Forretningskravene er ikke godt definert. Beregningene for suksess er uklare. Også i denne kategorien er undervurdering av ansatte som forstår dataene.
• Ubudsjetterte og undervurderte prosjekter. Kostnadene er ikke fullstendig og objektivt estimert. Beredskapen er ikke planlagt og forutsett. Tidsbidraget til ansatte som allerede har det for travelt, har blitt undervurdert.
• Uforutsette omstendigheter. Ja, tilfeldigheter skjer, men jeg tror dette faller inn under dårlig planlegging.

Se også vårt forrige innlegg 12 årsaker til feil i Analytics og Business Intelligence.

AI, i dag, er veldig kraftig og kan hjelpe selskaper med å oppnå enorm suksess. Når AI-initiativer mislykkes, kan feilen nesten alltid spores til en av de ovennevnte.

Hvor gjør AI Excel?

AI er god på repeterende, komplekse oppgaver. (For å være rettferdig kan den også gjøre enkle, ikke-repetitive oppgaver. Men det ville være billigere å få førskolebarnet til å gjøre det.) Den er god til å finne mønstre og relasjoner, hvis de eksisterer, i enorme mengder data.

• AI gjør det bra når du leter etter hendelser som ikke samsvarer med spesifikke mønstre.
  • Oppdager kredittkort svindel handler om å finne transaksjoner som ikke følger bruksmønstre. Det har en tendens til å feile på siden av forsiktighet. Jeg har mottatt anrop fra kredittkortet mitt med en overivrig algoritme da jeg fylte bensin på leiebilen min i Dallas og deretter fylte min personlige bil i Chicago. Det var lovlig, men uvanlig nok til å bli flagget.

"American Express behandler 1 billion dollar i transaksjoner og har 110 millioner AmEx-kort i drift. De er avhengige av dataanalyse og maskinlæringsalgoritmer for å hjelpe med å oppdage svindel i nesten sanntid, og sparer derfor millioner i tap.

• Legemiddelsvindel og misbruk. Systemer kan finne uvanlige atferdsmønstre basert på mange programmerte regler. For eksempel, hvis en pasient så tre forskjellige leger rundt i byen på samme dag med lignende smerteklager, kan ytterligere undersøkelser være berettiget for å utelukke misbruk.
• AI inn helsetjenester har hatt noen gode suksesser.
  • AI og dyp læring ble lært for å sammenligne røntgenstråler med normale funn. Det var i stand til å forsterke et radiologarbeid ved å flagge unormalt for en radiolog å sjekke.
• AI fungerer bra med sosialt og shopping. En grunn til at vi ser dette så mye er at det er lav risiko. Risikoen for at AI tar feil og får alvorlige konsekvenser er lav.
• • Hvis du likte/kjøpte denne, vi tror du vil like dette. Fra Amazon til Netflix og YouTube bruker de alle en eller annen form for mønstergjenkjenning. Instagram AI vurderer interaksjonene dine for å fokusere feeden din. Dette pleier å fungere best hvis algoritmen kan sette dine preferanser i en bøtte eller gruppe med andre brukere som har gjort lignende valg, eller hvis interessene dine er snevre.
  • AI har hatt en viss suksess med ansiktsgjenkjenning. Facebook er i stand til å identifisere en tidligere tagget person i et nytt bilde. Noen tidlige sikkerhetsrelaterte ansiktsgjenkjenningssystemer ble lurt av masker.
• AI har hatt suksesser i oppdrett ved hjelp av maskinlæring, IoT-sensorer og tilkoblede systemer.
  • AI assisterte smarte traktorer plante og høste felt for å maksimere utbytte, minimere gjødsel og forbedre matproduksjonskostnadene.
  • Med datapunkter fra 3-D kart, jordsensorer, droner, værmønstre, overvåket maskinlæring finner mønstre i store datasett for å forutsi den beste tiden å plante avlinger og forutsi avlinger før de i det hele tatt er plantet.
  • Melkebruk bruke AI-roboter for å få kuene til å melke selv, AI og maskinlæring overvåker også kuas vitale tegn, aktivitet, mat- og vanninntak for å holde dem friske og fornøyde.
  • Ved hjelp av AI, bønder som er mindre enn 2% av befolkningen mater 300 millioner i resten av USA.
  • Kunstig intelligens i landbruket

Det er også gode historier om AI suksess i tjenesteytende næringer, detaljhandel, media og produksjon. AI er virkelig overalt.

AI styrker og svakheter kontrast

En solid forståelse av AIs styrker og svakheter kan bidra til suksessen til AI-initiativene dine. Husk også at mulighetene for øyeblikket i høyre kolonne er muligheter. Dette er områdene der leverandører og nyskapende brukere for tiden gjør fremgang. Vi vil se på egenskapene som for øyeblikket utfordrer AI igjen om et år og dokumentere venstreskiftet. Hvis du studerer følgende diagram nøye, ville jeg ikke bli overrasket om det var en viss bevegelse mellom tidspunktet jeg skriver dette og tidspunktet det publiseres.

Hva er AIs fremtid?

Hvis AI var smartere, kan det forutsi hva fremtiden bringer. Det er tydelig at det er mange misoppfatninger om hva AI kan og ikke kan gjøre. Mange misoppfatninger og AI-analfabetisme er resultatet av at teknologimarkedsføring overhyper eksisterende evner. AI er imponerende for hva den kan gjøre i dag. Jeg spår at mange av svakhetene i høyre kolonne vil skifte til venstre og bli styrker i løpet av de neste 2 eller 3 årene.

[Etter at jeg var ferdig med denne artikkelen, presenterte jeg forrige avsnitt for OpenAI, en språkgenerator for åpen AI-plattform. Du har kanskje sett noe av kunsten som genereres av DALL-E. Jeg ville vite hva den tenkte om fremtiden til AI. Her er hva den hadde å si. ]

Fremtiden til AI handler ikke om å kjøpe noen få servere og installere en hyllevarepakke. Det handler om å finne og ansette de rette menneskene, bygge det riktige teamet og gjøre de riktige investeringene i både maskinvare og programvare.

Noen potensielle suksesser for AI i løpet av de neste årene inkluderer:

• Økende nøyaktighet av spådommer og anbefalinger
• Forbedre beslutningsprosesser
• Fremskynde forskning og utvikling
• Hjelper med å automatisere og optimalisere forretningsprosesser

Det er imidlertid også noen potensielle feil ved AI som bedrifter bør være oppmerksomme på, for eksempel:

• Overdreven avhengighet av AI som fører til suboptimale beslutninger
• Mangel på forståelse av hvordan AI fungerer som fører til misbruk
• Bias i data som brukes til å trene AI-modeller som fører til unøyaktige resultater
• Bekymringer om sikkerhet og personvern rundt data som brukes til å trene AI-modeller

Så, hva betyr dette for bedrifter som investerer i AI for å supplere sine tradisjonelle analyser? Det korte svaret er at det ikke finnes noen snarveier. 85 % av AI-initiativer mislykkes. Interessant nok ligner dette på ofte sitert statistikk knyttet til tradisjonelle IT- og BI-prosjekter. Det samme harde arbeidet som alltid har vært nødvendig før du kan få verdi ut av analyser, må fortsatt gjøres. Visjonen må eksistere, være realistisk og oppnåelig. Det skitne arbeidet er dataforberedelse, datakrangel og datarensing. Dette vil alltid måtte gjøres. I trening AI, enda mer. Det er foreløpig ingen snarveier til menneskelig intervensjon. Mennesker er fortsatt pålagt å definere algoritmene. Mennesker er pålagt å identifisere det "riktige" svaret.

Oppsummert, for at AI skal lykkes, må mennesker:

• Etablere infrastrukturen. Dette er i hovedsak å etablere grensene der AI vil fungere. Det handler om hvorvidt stiftelsen kan støtte ustrukturert data, blokkjede, IoT, hensiktsmessig sikkerhet.
• Hjelp til å oppdage. Finn og finn tilgjengeligheten av data. Data for å trene opp AI må eksistere og være tilgjengelig.
• Kodér dataene. Når de presenteres med et stort datasett og følgelig et stort antall potensielle resultater, kan det være nødvendig med en domeneekspert for å evaluere resultatene. Kurering vil også inkludere validering av datakontekst.

For å låne en setning fra dataforskerne, for at selskaper skal lykkes med AI, for å kunne legge til verdi til eksisterende analysefunksjoner, må de være i stand til å skille signalet fra støyen, budskapet fra hypen.

For syv år siden, IBM's Ginni rometty sa noe sånt som: Watson Health [AI] er vårt månebilde. Med andre ord, AI – tilsvarende en månelanding – er et inspirerende, oppnåelig, strekkmål. Jeg tror ikke vi har landet på månen. Ennå. IBM og mange andre selskaper fortsetter å jobbe mot målet om transformativ AI.

Hvis AI er månen, er månen i sikte og den er nærmere enn den noen gang har vært.