Som det visar sig, ja, men bara knappt

AI är allestädes närvarande. En av de vanligaste platserna för AI i hemmet nuförtiden är smartphonen, smarta hem och apparater. Nyligen, när vi satt ner och åt middag, hade vi ett samtal med Alexa som gick ungefär så här:

Me: Alexa, spela Cubs höjdpunkter. [Det här är en funktion som presenteras på Alexas hemskärm. Be Alexa spela höjdpunkter för ditt favoritlag.]

alexa: Jag hittade något på webben. [Jag vet att det finns ett problem när Alexa börjar så här. Det kommer inte att gå bra. Alexa visar en lista med en handfull videor. Visst, de flesta av dem är basebollvideor med spelare som gjort exceptionella spelningar under de senaste 5 åren. Mitt fel. Försök igen.]

Me: Alexa, visa mig höjdpunkter för den senaste basebollmatchen från Chicago Cubs. [Jag hoppas att den inte upptäcker den nedlåtande tonen eftersom jag accepterar skulden för att den inte kan förstå min begäran.]

alexa: Höjdpunkter för Chicago Cubs-spelet kommer att finnas tillgängliga två timmar efter att matchen är över. [Framsteg. Jag hade ingen aning om att de kanske spelar just nu. Turen är på min sida. Jag är plötsligt hoppfull.]

Me: Alexa, bra visa mig gårdagens fantastiska höjdpunkter, alltså. [Ja, min frustration börjar synas. Jag är så nära att knäcka koden. Jag kan nästan smaka.]

alexa: Jag är ledsen, jag känner inte den där. [Det säger det alldeles för ofta. Jag kanske inte var tydlig.]

Mig: Skojar du? Spela, videohöjdpunkter för Major League Baseball-matchen mellan Chicago Cubs och Pittsburgh Pirates måndagen den 25 juli 2022 på Wrigley Field. [Den här gången är jag övertygad om att jag har klarat det. Jag har spottat ut en specifik, entydig begäran som är en färdighet som jag vet att Alexa har. Det har den gjort tidigare. ]

alexa: [Tystnad. Ingenting. Inget svar. Jag har glömt att säga det magiska väckningsordet, Alexa.]

Smakämnen genomsnittlig IQ av en 18-åring är runt 100. Medel-IQ för en mänsklig 6-åring är 55. Google AI IQ utvärderades till 47. Siris IQ uppskattas till 24. Bing och Baidu är på 30-talet. Jag hittade ingen utvärdering av Alexas IQ, men min erfarenhet var ungefär som att prata med en förskolebarn.

Vissa kanske säger att det inte är rättvist att ge en dator ett IQ-test. Men det är väl det som är meningen. Löftet om AI är att göra det som människor gör, bara bättre. Hittills har varje head-to-head – eller, ska vi säga, neurala nätverk till neurala nätverk – utmaningar varit mycket fokuserade. Spelar schack. Diagnostisera sjukdom. Mjölkande kor. Köra bilar. Roboten brukar vinna. Det jag vill se är Watson som mjölkar en ko medan han kör bil och spelar Jeopardy. Nu, den där skulle vara trifecta. Människor kan inte ens leta efter sina cigaretter medan de kör utan att råka ut för en olycka.

AI:s IQ

Överlistad av en maskin. Jag misstänker att jag inte är ensam. Jag måste tänka, om detta är toppmodernt, hur smarta är dessa saker? Kan vi jämföra en människas intelligens med en maskin?

Forskare bedömer systemens förmåga att lära och resonera. Hittills har de syntetiska människorna inte gjort det lika bra som den äkta varan. Forskare använder bristerna för att identifiera luckorna så att vi bättre förstår var ytterligare utveckling och framsteg behöver göras.

Bara för att du inte ska missa poängen och glömma vad "jag" i AI representerar, har marknadsförare nu myntat termen Smart AI.

Är AI Sentient?

Har robotar känslor? Kan datorer uppleva t.exmotions? Nej. Låt oss gå vidare. Om du vill läsa om det hävdar en (tidigare) Google-motor att AI-modellen som Google arbetar med är känslig. Han hade en läskig chatt med en bot som övertygade honom om att datorn har känslor. Datorn fruktar för sitt liv. Jag kan inte ens fatta att jag skrev den meningen. Datorer har inget liv att frukta. Datorer kan inte tänka. Algoritmer är inte tänkta.

Jag skulle dock inte bli förvånad om en dator svarar på ett kommando inom en mycket nära framtid med: "Jag är ledsen, Dave, jag kan inte göra det."

Var misslyckas AI?

Eller, mer exakt, varför misslyckas AI-projekt? De misslyckas av samma skäl som IT-projekt alltid har misslyckats. Projekt misslyckas på grund av misskötsel, eller misslyckande med att hantera tid, omfattning eller budget..:

• Otydlig eller odefinierad syn. Dålig strategi. Du kanske har hört ledningen säga: "Vi behöver bara markera rutan." Om värdeförslaget inte kan definieras är syftet oklart.
• Orealistiska förväntningar. Detta kan bero på missförstånd, dålig kommunikation eller orealistisk schemaläggning. Orealistiska förväntningar kan också bero på bristande förståelse av AI-verktygens kapacitet och metodik.
• Oacceptabla krav. Affärskraven är inte väldefinierade. Måtten för framgång är oklara. Även i denna kategori är undervärdering av anställda som förstår data.
• Obudgeterade och underskattade projekt. Kostnaderna har inte varit helt och objektivt uppskattade. Eventuella händelser har inte planerats och förutsetts. Tidsbidraget från personal som redan är för upptagen har underskattats.
• Oförutsedda omständigheter. Ja, slumpen händer, men jag tror att detta faller under dålig planering.

Se även vårt tidigare inlägg 12 orsaker till misslyckanden i Analytics och Business Intelligence.

AI är idag mycket kraftfullt och kan hjälpa företag att nå enorma framgångar. När AI-initiativ misslyckas kan misslyckandet nästan alltid spåras till något av ovanstående.

Var är AI Excel?

AI är bra på repetitiva, komplexa uppgifter. (För att vara rättvis kan den också göra enkla, icke-repetitiva uppgifter. Men det skulle vara billigare att låta din förskolebarn göra det.) Den är bra på att hitta mönster och relationer, om de finns, i stora mängder data.

• AI fungerar bra när man letar efter händelser som inte matchar specifika mönster.
  • upptäcka kreditkortsbedrägerier handlar om att hitta transaktioner som inte följer användningsmönster. Det tenderar att vara försiktigt. Jag har fått samtal från mitt kreditkort med en överivrig algoritm när jag fyllde på min hyrbil med bensin i Dallas och sedan fyllde min personliga bil i Chicago. Det var legitimt, men ovanligt nog att bli flaggat.

"American Express behandlar 1 biljon dollar i transaktioner och har 110 miljoner AmEx-kort i drift. De förlitar sig starkt på dataanalys och maskininlärningsalgoritmer för att hjälpa till att upptäcka bedrägerier i nästan realtid, vilket sparar miljoner i förluster”.

• Läkemedelsbedrägeri och missbruk. System kan hitta ovanliga beteendemönster baserat på många programmerade regler. Till exempel, om en patient träffade tre olika läkare runt om i staden samma dag med liknande smärta, kan ytterligare utredning vara motiverad för att utesluta övergrepp.
• AI i hälso-och sjukvård har haft några utmärkta framgångar.
  • AI och djupinlärning lärdes ut för att jämföra röntgenstrålar med normala fynd. Det kunde utöka en radiologs arbete genom att flagga avvikelser för en radiolog att kontrollera.
• AI fungerar bra med socialt och shopping. En anledning till att vi ser detta så mycket är att det är låg risk. Risken för att AI har fel och får allvarliga konsekvenser är låg.
• • Om du gillade/köpte detta, vi tror att du kommer att gilla detta. Från Amazon till Netflix och YouTube använder de alla någon form av mönsterigenkänning. Instagram AI överväger dina interaktioner för att fokusera ditt flöde. Detta brukar fungera bäst om algoritmen kan placera dina preferenser i en hink eller grupp av andra användare som har gjort liknande val, eller om dina intressen är snäva.
  • AI har haft viss framgång med ansiktsigenkänning. Facebook kan identifiera en tidigare taggad person i ett nytt foto. Vissa tidiga säkerhetsrelaterade ansiktsigenkänningssystem lurades av masker.
• AI har haft framgångar i odling med hjälp av maskininlärning, IoT-sensorer och uppkopplade system.
  • AI assisterade smarta traktorer plantera och skörda fält för att maximera avkastningen, minimera gödselmedel och förbättra kostnaderna för livsmedelsproduktion.
  • Med datapunkter från 3D-kartor, jordsensorer, drönare, vädermönster, övervakade maskininlärning hittar mönster i stora datamängder för att förutsäga den bästa tiden att plantera grödor och förutsäga avkastningen innan de ens planteras.
  • Mjölkgårdar använda AI-robotar för att få kor att mjölka själva, AI och maskininlärning övervakar också kons vitala tecken, aktivitet, mat och vattenintag för att hålla dem friska och nöjda.
  • Med hjälp av AI, lantbrukare som är mindre än 2% av befolkningen föder 300 miljoner i resten av USA.
  • Artificiell intelligens inom jordbruket

Det finns också fantastiska historier om AI framgång inom tjänstebranscherna, detaljhandeln, media och tillverkning. AI finns verkligen överallt.

AI:s styrkor och svagheter kontrasteras

En gedigen förståelse för AI:s styrkor och svagheter kan bidra till framgången för dina AI-initiativ. Kom också ihåg att funktionerna i den högra kolumnen för närvarande är möjligheter. Det är dessa områden där leverantörer och avancerade användare gör framsteg för närvarande. Vi kommer att titta på de funktioner som för närvarande utmanar AI igen om ett år och dokumentera vänsterskiftet. Om du studerar följande diagram noggrant skulle jag inte bli förvånad om det fanns en viss rörelse mellan det att jag skriver detta och det att det publiceras.

Vad är AI:s framtid?

Om AI var smartare, skulle det kunna förutsäga vad framtiden har att erbjuda. Det är klart att det är många missuppfattningar om vad AI kan och inte kan göra. Många missuppfattningar och AI-analfabetism är resultatet av att teknisk marknadsföring överhyper befintliga möjligheter. AI är imponerande för vad den kan göra idag. Jag förutspår att många av svagheterna i högerkolumnen kommer att flyttas åt vänster och bli styrkor under de kommande 2 eller 3 åren.

[Efter att jag avslutat den här artikeln presenterade jag föregående stycke för OpenAI, en språkgenerator för öppen AI-plattform. Du kanske har sett en del av konsten som genereras av dess DALL-E. Jag ville veta vad den tyckte om framtiden för AI. Här är vad den hade att säga. ]

Framtiden för AI handlar inte om att köpa några servrar och installera ett standardprogrampaket. Det handlar om att hitta och anställa rätt personer, bygga rätt team och göra rätt investeringar i både hårdvara och mjukvara.

Några potentiella framgångar för AI under de närmaste åren inkluderar:

• Öka noggrannheten i förutsägelser och rekommendationer
• Förbättra beslutsprocesser
• Påskynda forskning och utveckling
• Hjälper till att automatisera och optimera affärsprocesser

Men det finns också några potentiella fel i AI som företag bör vara medvetna om, till exempel:

• Övertilltro till AI leder till suboptimala beslut
• Bristande förståelse för hur AI fungerar leder till missbruk
• Bias i data som används för att träna AI-modeller som leder till felaktiga resultat
• Säkerhets- och integritetsproblem kring data som används för att träna AI-modeller

Så, vad betyder detta för företag som investerar i AI för att komplettera sin traditionella analys? Det korta svaret är att det inte finns några genvägar. 85 % av AI-initiativen misslyckas. Intressant nog liknar detta ofta citerad statistik relaterad till traditionella IT- och BI-projekt. Samma hårda arbete som alltid har krävts innan du kan få ut värdet av analyser måste fortfarande göras. Visionen ska finnas, vara realistisk och genomförbar. Det smutsiga arbetet är dataförberedelse, datatvistelse och datarensning. Detta kommer alltid att behöva göras. I träning av AI, ännu mer. Det finns för närvarande inga genvägar till mänskligt ingripande. Det krävs fortfarande att människor definierar algoritmerna. Människor måste identifiera det "rätta" svaret.

Sammanfattningsvis, för att AI ska bli framgångsrik måste människor:

• Etablera infrastrukturen. Detta är i huvudsak att fastställa gränserna inom vilka AI kommer att fungera. Det handlar om huruvida stiftelsen kan stödja ostrukturerad data, blockchain, IoT, lämplig säkerhet.
• Hjälp till att upptäcka. Hitta och bestämma tillgängligheten för data. Data för att träna AI måste finnas och vara tillgänglig.
• Kurera data. När den presenteras med en stor datamängd och följaktligen ett stort antal potentiella resultat, kan en domänexpert krävas för att utvärdera resultaten. Kurering kommer också att inkludera validering av datakontext.

För att låna en fras från dataforskarna, för att företag ska lyckas med AI, för att kunna tillföra värde till befintliga analysmöjligheter, måste de kunna separera signalen från bruset, budskapet från hypen.

För sju år sedan, IBM's Ginni rometty sa något i stil med, Watson Health [AI] är vår moonshot. Med andra ord, AI – motsvarigheten till en månlandning – är ett inspirerande, uppnåeligt, stretch-mål. Jag tror inte att vi har landat på månen. Än. IBM och många andra företag fortsätter att arbeta mot målet med transformativ AI.

Om AI är månen, är månen i sikte och den är närmare än den någonsin har varit.