Inhoud
- AI in de hype-cyclus
- Tot nu toe, niet zo goed
- Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
- Het hangt allemaal af van de gegevens
Bron: charles taylor / iStockphoto
Afhaal:
Er is veel hype over kunstmatige intelligentie, hoe intelligent is het?
Kunstmatige intelligentie heeft zoveel aandacht gekregen in zakelijke kringen dat veel IT-leiders kunnen worden verontschuldigd omdat ze denken dat het alle antwoorden op een steeds complexer gegevensecosysteem zal bieden. Maar hoewel het zeker het potentieel heeft om veel zinvolle verbeteringen aan te brengen in de bestaande technologie, is het ook eerlijk om te zeggen dat sommige van de verwachtingen rond de werkzaamheid ervan overdreven zijn.
In feite is er relatief weinig begrip van wat AI precies is, hoe het echt functioneert en wat het eigenlijk kan doen. En dit leidt tot brede misvattingen over zijn rol in de onderneming en de manier waarop deze zich zal verhouden tot bestaande infrastructuur en de mensen die deze exploiteren.
AI in de hype-cyclus
Volgens de meest recente hype-cyclus van Gartner staan belangrijke AI-subsets zoals diep leren, machine learning en cognitief computergebruik bovenaan de curve van de Peak Inflated Expectations, wat betekent dat ze op het punt staan een lange glijbaan binnen te gaan in de Trog van desillusie. Hoewel dit de gewoonte is voor vrijwel elke disruptieve technologie in de afgelopen 30 jaar, wijst het erop dat de verwachte impact van AI op de onderneming, die voornamelijk is afgeleid van gecontroleerde laboratoriumtests, op het punt staat in de realiteit te lopen van de productieomgeving. (Bekijk een geschiedenis van computerinnovaties in Van Ada Lovelace tot Deep Learning.)
Desondanks verwacht Gartner-onderzoeker Mike Walker dat AI het komende decennium alomtegenwoordig wordt door een combinatie van voortschrijdende rekenkracht, wat leidt tot de ontwikkeling van constructen als het neurale netwerk, en het enkele feit dat de gegevensbelasting van de onderneming zo immens is geworden en zo complex dat menselijke operatoren het niet langer alleen aankunnen.
Een van de eerste dingen die de onderneming moet begrijpen over AI is dat het snel en los speelt met de term 'intelligentie'. Zoals de Zwitserse neurowetenschapper Pascal Kaufmann onlangs aan ZDnet heeft uitgelegd, zijn er grote verschillen in de manieren waarop een computeralgoritme en een menselijk brein informatie verwerken om tot een conclusie te komen. Bij voldoende verwerkingskracht kan een computeralgoritme miljoenen, miljarden, misschien zelfs triljoenen datasets vergelijken om een eenvoudige bepaling te maken, bijvoorbeeld of een afbeelding van een kat inderdaad een afbeelding van een kat is. Maar zelfs een klein kind kan instinctief bepalen dat het een kat is en voor altijd weet wat een kat is en hoe het eruit ziet.
Volgens deze standaard was zelfs het leidende voorbeeld van AI aan het werk - Google DeepMind's beheersing van AlphaGo van het strategiespel Go - niet echt kunstmatige intelligentie, maar een dwarsdoorsnede van big data, analyse en automatisering die in staat was om een op regels gebaseerde aanpak te rationaliseren om te winnen. Interessant genoeg voegt Kaufmann eraan toe dat een echt voorbeeld van kunstmatige intelligentie zou zijn als AlphaGo had bedacht hoe hij vals moest spelen om te winnen. Om dit te doen, zal de wetenschap echter eerst de 'hersencode' moeten kraken die ons vermogen ondersteunt om informatie te verwerken, kennis op te halen en herinneringen op te slaan. (Meer weten over automatisering met Automation: The Future of Data Science and Machine Learning?)
Tot nu toe, niet zo goed
Inderdaad, ondanks de angst dat AI op het punt staat ieders taak te ondervangen, zijn de resultaten tot nu toe bijna komisch. Fans van George R.R. Martin's "Game of Thrones" zijn zo ongeduldig voor de volgende aflevering van de serie dat velen stroomden naar een hoofdstuk van bijna pure gobbledygook geschreven door een vorm van AI genaamd een terugkerend neuraal netwerk. Ondertussen neemt IBM luchtafweergeschut van oncologie-onderzoekers aan wie werd verteld dat Watson een nieuw tijdperk in diagnose en behandeling zou ontketenen, maar in plaats daarvan nog steeds worstelt om onderscheid te maken tussen basisvormen van kanker. Gezien deze staat van dienst, is het heel goed mogelijk dat wanneer AI voor het eerst in de typische onderneming wordt geïntroduceerd, het waarschijnlijk meer inspanning van de kant van menselijke exploitanten vereist om alleen maar alle fouten te volgen en te volgen die het zal maken.
Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
Je kunt je programmeervaardigheden niet verbeteren als niemand om softwarekwaliteit geeft.
Maar dit is het probleem: AI wordt na verloop van tijd beter zonder opnieuw te moeten worden geprogrammeerd. Zoals Cornell Tech-onderzoeker Daniel Huttenlocker onlangs aan Tech Crunch vertelde, is het waarschijnlijker dat AI traditionele software verplaatst - en alle vervelende patches, updates en fixes die het vereist - dan menselijke operators. Dit betekent niet dat AI niet hoeft te worden geprogrammeerd, maar dat de aanpak enorm is vereenvoudigd. Met de software van vandaag moet de programmeur niet alleen de taak definiëren die moet worden opgelost, maar ook de exacte stappen om deze op te lossen. Met AI is alles wat nodig is het doel en de software zou de rest moeten kunnen verwerken, op voorwaarde dat het de juiste gegevens heeft om mee te werken.
Het hangt allemaal af van de gegevens
Dat laatste punt is cruciaal omdat AI uiteindelijk gewoon een algoritme is en algoritmen alleen zo goed zijn als de gegevens die ze krijgen. Dit betekent dat de onderneming, naast het bouwen van een goed AI-operationeel raamwerk, een redelijk krachtige gegevensconditioneringsomgeving moet opzetten, zodat de analyseresultaten gebaseerd zullen zijn op nauwkeurige informatie die binnenkomt. Zoals Jason VandeBoom, CEO van ActiveCampaign onlangs vertelde, de oude regels van "afval in is afval" nog steeds van toepassing, dus het kan een tijdje duren voordat organisaties de echte voordelen van hun AI-investering zien.
Gezien dit alles mag de onderneming niet verwachten dat AI een snelle oplossing biedt voor de opkomende uitdagingen van big data en het IoT. De leercurve voor zowel mensen als machines is waarschijnlijk vrij lang en de resultaten zijn op zijn best onzeker.
Maar als alles volgens plan verloopt, zouden zowel de onderneming als de kenniswerkers op de lange termijn aanzienlijke voordelen moeten zien. Denk maar aan de meest alledaagse, saaie en tijdrovende taak die uw processen op dit moment vertraagt en stel u voor dat u ze nooit meer hoeft te doen.