Vi bombarderes med forestillinger om superintelligent AI, der overtager verden, men er det realistisk?
I dette interview argumenterer Dr. Eric Siegel, tidligere professor ved Columbia, førende ML-konsulent og forfatter til AI-håndbogen: Sådan mestrer du den sjældne kunst at implementere maskinlæring, for, at prædiktiv AI – også kaldet maskinlæring i virksomheder – tilbyder konkret værdi, som generativ AI endnu ikke har bevist.
Vi undersøger, hvorfor mange ML-projekter mislykkes, og hvordan man bygger bro mellem forretnings- og datateams. Opdag, hvordan virksomheder udnytter ML til at tackle udfordringer fra den virkelige verden og opnå en konkurrencemæssig fordel.
Hvorfor tror folk fejlagtigt, at AI vil blive lige så kapabel som mennesker – eller potentielt udgøre en dødelig risiko for menneskeheden?
Den ønsketænkning, som kunstig generel intelligens (AGI) lover – software, der er i stand til at udføre enhver intellektuel opgave, som mennesker kan – er så forførende, at den næsten er uimodståelig. Ved at skabe den ultimative magt opnår vi den ultimative ego-tilfredsstillelse som forskere og futurister.
Ved at bygge et system, der sætter sine egne mål og forfølger dem autonomt lige så effektivt som et menneske, eksternaliserer vi vores proaktive vilje og indplanter den i en ny bedste ven for menneskeheden, som vi nærer den allerstørste respekt for, og som vi potentielt kan føle empati med. Ved at skabe en ny livsform realiserer vi hver eneste del af det endnu ikke realiserede potentiale i vores alsidige maskiner, der er kendt som computere. Ved at genskabe os selv opnår vi udødelighed.
Ved at skabe én enkelt løsning på alle problemer overskrider vi enhver form for økonomisk belønning og opnår uendelig rigdom. ML-tankeleder og leder Richard Heimann kalder dette fejlslutningen om én enkelt løsning. I stedet for at løse verdens mange problemer ét ad gangen løser vi dem alle på én gang med den ultimative mirakelkur.
Vi behøver ikke bekymre os om globale problemer som klimaforandringer, politisk ustabilitet, fattigdom eller sundhedskriser. I stedet vil et kunstigt menneske, når det først er blevet skabt, fortsætte med at udvikle sig selv for at blive lige så god til at løse problemer, som menneskeheden nogensinde kunne blive.
Hvad er en god strategi til at bygge bro over kløften mellem forretningsfolk og datafolk, som rutinemæssigt forhindrer ML i at lykkes?
Her er problemet. ML er verdens mest kraftfulde teknologi med bred anvendelighed. ML kan imidlertid kun forbedre driften i stor skala ved at ændre den. Derfor bør et ML-projekt ikke betragtes som “et teknologiprojekt”. For at skabe en effekt skal det i stedet omdefineres som et forretningsprojekt, der skal forbedre den operationelle drift, hvor ML kun er én komponent – en komponent, der er nødvendig, men ikke tilstrækkelig.
Fordi opmærksomheden i overvældende grad har været rettet mod den tekniske del og dens udførelse, har branchen ikke formået at etablere en bredt udbredt forretningspraksis for at gennemføre den anden halvdel af et vellykket ML-projekt. Som følge heraf bliver nye ML-initiativer rutinemæssigt ikke implementeret.
Min løsning på dette er bizML, en disciplin i seks trin til gennemførelse af et ML-projekt, så det bliver implementeret med succes. Du kan læse mere om dette i min seneste bog.
Hvad er din forklaring på, at de fleste ML-projekter i virksomheder ikke bliver implementeret, mens nogle få udvalgte opnår massiv succes?
Den grundlæggende årsag til de fleste ML-projekters fiasko er mangel på grundig planlægning af implementeringen – planlægning af den operationelle forandring, som integrationen af en prædiktiv model ville medføre. Eftersom verden opfatter ML-projekter som tekniske projekter, der involverer de mest avancerede beregninger, antager man, at det tekniske projekt vil skabe værdi. Det er en alvorlig misforståelse.
Værdien realiseres kun ved at *ændre* – og dermed forbedre – driften i stor skala på baggrund af de forudsigelser, som en ML-model leverer.
Har du en kontrarisk vurdering af den overgearede hype omkring kunstig intelligens, og hvorfor er der næsten ingen, der spørger – eller måler – hvor god AI-teknologien er?
Det er to forskellige ting. Hvad angår hypen, lyder den populære fortælling, at vi bevæger os mod AGI. Det er en myte. Det er den roman, Mary Shelley ville have skrevet, hvis hun havde kendt til algoritmer.
Hvad angår, hvorfor vi ikke måler, hvor *god* AI er – hvor godt den præsterer kvantitativt, og hvor meget forretningsværdi den kan skabe, afhængigt af hvordan den implementeres – er fokus misforstået.
Author's Tip
“Når man evaluerer ML-modeller, fokuserer data scientists næsten udelukkende på tekniske målinger som præcision, genkaldelse og løft, en form for prædiktiv multiplikator (med andre ord: hvor mange gange bedre end tilfældig gætning forudsiger modellen?). Men disse målinger er kritisk utilstrækkelige. De fortæller os om den relative ydeevne for en prædiktiv model — sammenlignet med en baseline som tilfældig gætning — men giver ingen direkte indikation af modellens absolutte forretningsværdi. Selv den mest almindelige standardmåling, nøjagtighed, falder i denne kategori. (Desuden er den som regel irrelevant og ofte misvisende.)
I stedet bør fokus være på forretningsmålinger — såsom omsætning, fortjeneste, besparelser og antallet af erhvervede kunder. Disse enkle, betydningsfulde målinger vurderer de grundlæggende forestillinger om succes. De relaterer sig direkte til forretningsmål og afslører den reelle værdi af de ufuldkomne forudsigelser, som ML leverer. De er afgørende for at bygge den hårdt tiltrængte bro mellem forretnings- og datavidenskabsteams.
Desværre undlader data scientists rutinemæssigt at medtage forretningsmålinger i rapporter og diskussioner på trods af deres betydning. I stedet dominerer tekniske målinger ML-praksissen — både hvad angår den tekniske udførelse og rapporteringen af resultater til interessenter.”
Hvordan bruger organisationer aktivt ML til at effektivisere driften og skabe konkurrencemæssige fordele på tværs af en række brancher?
ML skaber innovation på en enkel, om end omvæltende, måde. Lad ikke skæret fra denne glamourøse teknologi skjule enkelheden i dens grundlæggende opgave: For de fleste forretningsanvendelser er formålet med ML at levere handlingsanvisende forudsigelser — og derfor kaldes det også nogle gange prædiktiv analyse eller prædiktiv AI.
Selvom det at lære af data for at generere en prædiktiv model fortjener lige så meget “wow”-beundring som enhver anden videnskabelig eller teknisk bedrift, omsættes denne evne til konkret værdi på en ukompliceret måde: Modellen genererer prædiktive scorer, som igen driver millioner af operationelle beslutninger.
På denne måde bekæmper ML vores mest betydelige risici — herunder skovbrande, klimaforandringer, pandemier og misbrug af børn. Det øger salget, reducerer omkostningerne, forebygger svindel, effektiviserer produktionen og styrker sundhedssektoren.
Hvis du vil læse flere indsigtsfulde interviews, kan du tilmelde dig The CTO Clubs nyhedsbrev.
