Kazalo:
Video: 5 najboljših spletnih poslovnih idej za leto 2020 (zaslužite na spletu) (November 2024)
"Andrew Ingram" je digitalni asistent, ki pregleduje vaša e-poštna sporočila, daje predloge za sestanke in sestanke, o katerih razpravljate s sodelavci, postavlja naloge in pošilja povabila ustreznim strankam z zelo malo pomoči. Uporablja napredne zmogljivosti umetne inteligence X.ai, Nove
Čeprav ideja, da resnični ljudje pregledujejo vaša e-poštna sporočila, morda zveni grozljivo, je med številnimi podjetji, ki ponujajo storitve AI svojim strankam, postala običajna praksa. Nedavni članek časopisa The Wall Street Journal je razkril več podjetij, ki so svojim zaposlenim omogočale dostop do bralnih e-poštnih sporočil in oblikovanje novih funkcij ter usposabljanje AI na primerih, ki jih še niso videli.
Poimenovana tehnika "Čarovnik iz Oza" ali psevdo AI, praksa tihe uporabe ljudi za nadomeščanje pomanjkljivosti algoritmov AI osvetljuje nekatere najgloblje izzive, s katerimi se spopada industrija AI.
AI ni pripravljen na široke težave
Za večino inovacij AI v zadnjih letih so algoritmi globokega učenja in nevronske mreže. Globoko-nevronske mreže so zelo učinkovite pri razvrščanju informacij. V mnogih primerih, na primer prepoznavanje glasu in obrazov ali prepoznavanje raka na MRI in CT, lahko prekašajo človeka.
Vendar to ne pomeni, da lahko globoko učenje in nevronske mreže opravijo katero koli nalogo, ki jo človek lahko.
"Globoko učenje nam omogoča, da rešimo problem percepcije. To je veliko, saj je zaznavanje AI od njegovega začetka pred 60 leti omejeno, " pravi Jonathan Mugan, soustanovitelj in izvršni direktor DeepGrammar. "Reševanje problema zaznave je končno naredilo AI uporabno za stvari, kot sta prepoznavanje glasu in robotika."
Vendar, ugotavlja Mugan, zaznavanje ni edini problem. Globoko učenje se bori, kadar gre za razumno razmišljanje in razumevanje.
"Globoko učenje nam ne pomaga pri tej težavi, " pravi. "Nekaj napredka smo na področju NLP (obdelava naravnega jezika) dosegli tako, da smo jezik obravnavali kot problem zaznavanja, tj. Pretvorbo besed in stavkov v vektorje. To nam je omogočilo boljše predstavljanje besedila za klasifikacijo in strojni prevod (kadar je veliko podatkov), vendar ne pomaga pri zdravorazumskih sklepih. Zato so chatboti v glavnem neuspešni."
Ena glavnih težav, s katerimi se srečujejo vse aplikacije za globoko učenje, je zbiranje pravih podatkov za usposabljanje njihovih AI modelov. Napor in podatki, ki segajo v usposabljanje nevronske mreže za izvajanje naloge, so odvisni od tega, kako širok je problemski prostor in kakšna stopnja natančnosti je potrebna.
Na primer, aplikacija za razvrščanje slik, kot je na primer aplikacija Not Hotdog iz HBO-ove Silicijeve doline, opravlja zelo ozko in točno določeno nalogo: pove, ali kamera v vašem pametnem telefonu prikazuje hotdog ali ne. Z dovolj vročih slik lahko AI aplikacije opravlja svojo zelo pomembno funkcijo z visoko stopnjo natančnosti. In četudi vsakič naredi napako, ne bo nikomur škodilo.
Toda druge AI aplikacije, kot je ena, ki jo gradi X.ai, se spopadajo s širšimi težavami, kar pomeni, da zahtevajo veliko kakovostnih primerov. Prav tako je njihova toleranca do napak veliko nižja. Obstaja velika razlika med napako kumare za vročega psa in načrtovanjem pomembnega poslovnega sestanka ob napačnem času.
Žal kakovostni podatki niso blago, ki ga imajo vsa podjetja.
"Glavno pravilo je, da s splošnejšimi težavami, ki jih AI poskuša rešiti, več primerov ali nenavadnih vedenj, ki se lahko pojavijo. To neizogibno pomeni, da potrebujete veliko več primerov usposabljanja, da pokrijete vse, " pravi dr. Steve Marsh, CTO pri Geospocku. "Startupi običajno nimajo dostopa do ogromnih količin podatkov o treningih, zato bodo modeli, ki jih je mogoče izdelati, zelo nišni in krhki, ki običajno ne izpolnijo njihovih pričakovanj."
Takšno bogastvo informacij je v lasti le velikih podjetij, kot sta Facebook in Google, ki že leta zbirajo podatke o milijardah uporabnikov. Manjša podjetja morajo plačati velike zneske za pridobitev ali ustvarjanje podatkov o usposabljanju, kar zakasni njihovo zagon. Druga možnost je, da vseeno začnete in začnete trenirati AI na letenju, pri čemer uporabljate trenerje ljudi in žive podatke o kupcih in upajte, da bo AI sčasoma postal manj odvisen od ljudi.
Na primer, v kalifornijskem podjetju Edison Software, ki razvija aplikacije za upravljanje e-poštnih sporočil, so zaposleni prebrali e-poštna sporočila svojih strank, da bi razvili funkcijo "pametnega odgovora", ker niso imeli dovolj podatkov za usposabljanje algoritma, podjetje Izvršni direktor je povedal za The Wall Street Journal. Ustvarjanje pametnih odgovorov je široka in zahtevna naloga. Tudi Google, ki ima dostop do e-poštnih sporočil milijard uporabnikov, ponuja pametne odgovore za zelo ozke primere.
Toda uporaba ljudi za usposabljanje AI z uporabniškimi podatki v živo ni omejena na manjša podjetja.
Leta 2015 je Facebook predstavil M, AI chatbot, ki je lahko razumel in odzval na različne nianse pogovorov in opravil številne naloge. Facebook je M dal na voljo omejenemu številu uporabnikov v Kaliforniji in ustanovil osebje človeških operaterjev, ki bi spremljali delovanje AI in posredovali, da bi ga popravili, ko ne bi mogel razumeti zahteve uporabnika. Prvotni načrt je bil, da človeški izvajalci pomagajo učitelju pomagati, da se odzove na primere, ki jih prej ni videl. Sčasoma bi lahko M deloval brez človeške pomoči.
Nedosegljiv cilj?
Ni jasno, kako dolgo bo trajalo, da bodo Edison Software, X.ai in druga podjetja, ki so zagnala sisteme človek-v-zanki, naredili popolnoma samodejen AI. Dvomi tudi, ali lahko trenutni trendi AI kdaj dosežejo širše področje.
Leta 2018 je Facebook ugasnil M, ne da bi ga vsak uradno napotil. Podjetje ni delilo podrobnosti, vendar je jasno, da je ustvarjanje klepeta, ki lahko sodeluje v širokih pogovorih, zelo težaven. Če bi M omogočil dostop do vseh dveh milijard uporabnikov Facebooka, ne da bi se v celoti samodejno odzval na vse vrste pogovorov, bi velikan družbenih medijev potreboval najem ogromnega človeškega osebja, ki bi zapolnilo vrzeli M.
Mugan DeepGrammar verjame, da bomo sčasoma lahko ustvarili AI, ki bo reševal zdravorazumsko sklepanje, kar drugi uvrščajo med splošne AI. Vendar se to ne bo zgodilo kmalu. "Na obzorju trenutno ni načinov, ki bi računalniku omogočili razumevanje, kaj majhen otrok ve, " pravi Mugan. "Brez tega osnovnega razumevanja računalniki 100 odstotkov časa ne bodo mogli opraviti več nalog."
Da bi to postavili v perspektivo, so strokovnjaki na OpenAI pred kratkim razvili Dactyl, robotsko roko, ki je lahko rokovala s predmeti. To je naloga, ki se jo vsak človeški otrok nauči opravljati podzavestno že v zgodnji mladosti. Toda za razvoj enakih znanj je bilo potrebnih 6.144 CPU-jev Dactyl in 8 GPU-jev ter približno sto let izkušenj. Čeprav je fascinanten dosežek, poudarja tudi velike razlike med ozkim AI in načinom delovanja človeških možganov.
"Od umetne splošne inteligence smo zelo daleč in zelo verjetno je, da bo AGI kombinacija in usklajevanje številnih različnih vrst ozkih ali aplikacijskih specifičnih AI, " pravi Marsh. "Mislim, da je trenutno nagnjenost k pretiravanju z zmogljivostmi AI, vendar tudi vidim, da ima ogromno korist samo početje prvih korakov in izvajanje tradicionalnih modelov strojnega učenja."
Ali je še en AI zimski tek?
Leta 1984 je Ameriško združenje za umetno inteligenco (pozneje preimenovano v Association for Advanced of Artificial Intelligence) poslovno skupnost opozorilo, da bosta hype in navdušenje okoli AI sčasoma privedla do razočaranja. Kmalu zatem sta naložba in zanimanje za AI propadla, kar je vodilo v obdobje, bolj znano kot "AI zima."
Od začetka leta 2010 se zanimanje in naložbe na tem področju znova povečujejo. Nekateri strokovnjaki se bojijo, da če bodo aplikacije AI premalo uspele in ne bodo izpolnile pričakovanj, bo sledila druga zima AI. Toda strokovnjaki, s katerimi smo govorili, verjamejo, da se je AI v naše življenje že preveč integriral, da bi sledil svojim korakom.
"Mislim, da nismo v nevarnosti AI zime kot prejšnje, ker AI zdaj prinaša resnično vrednost, ne le hipotetične vrednosti, " pravi Mugan. "Če pa širši javnosti še naprej dopovedujemo, da so računalniki pametni kot ljudje, tvegamo povratno reakcijo. Ne bomo se vrnili k uporabi globljega učenja za dojemanje, vendar bi izraz" AI "lahko zaznamoval, bi moral to imenovati nekaj drugega."
Zagotovo je, da vsaj pred nami stoji doba razočaranja. Spoznali bomo, v kolikšni meri lahko zaupamo trenutnim mešanicam AI na različnih področjih.
"Pričakujem, da so nekatera podjetja prijetno presenečena nad tem, kako hitro lahko zagotovijo AI za predhodno ročno in drago storitev ter da bodo druga podjetja ugotovila, da traja dlje, kot so pričakovali, da bodo zbrali dovolj podatkov, da bodo postali finančno sposobna preživeti, "pravi James Bergstra, soustanovitelj in vodja raziskav na Kindred.ai. "Če je slednjih preveč in premalo prvih, bi to lahko povzročilo še eno AI zimo med vlagatelji."
- Umetna inteligenca ima težave s pristranskostjo in naša napaka Umetna inteligenca ima težavo s pristranskostjo in naša napaka
- Zakaj je poučevanje AI igranja iger pomembno, zakaj je poučevanje AI igranja iger pomembno
- AI ponuja ogromen potencial, vendar se čez noč ne bo zgodilo AI ponuja ogromen potencial, vendar se čez noč ne bo zgodil
Maros Geospock napoveduje, da se bo njegova dinamika, čeprav financiranje ne bo zmanjšalo, prilagodilo. Ker vlagatelji zavedajo, da je resnično strokovno znanje redko in samo tisti, ki imajo dostop do podatkov za usposabljanje modelov, bodo v panogi različni, na trgu bo prišlo do velike konsolidacije in veliko manj zagonskih podjetij bo dobilo sredstva.
"Za številne startupe AI brez tržne tržne aplikacije ali velike količine podatkov: prihaja zima, " sklene Marsh.
