Meitä pommitetaan kuvilla superälykkäästä tekoälystä, joka ottaa maailman haltuunsa, mutta onko se realistista?
Tässä haastattelussa tohtori Eric Siegel, Columbian yliopiston entinen professori, johtava koneoppimiskonsultti ja teoksen Tekoälykäsikirja: koneoppimisen käyttöönoton harvinaisen taidon hallinta kirjoittaja, väittää, että ennakoiva tekoäly – eli yritysten koneoppiminen – tarjoaa konkreettista arvoa, jota generatiivinen tekoäly ei ole vielä pystynyt osoittamaan.
Tarkastelemme, miksi monet ML-hankkeet epäonnistuvat ja miten liiketoiminta- ja datatiimien välinen kuilu voidaan kuroa umpeen. Ota selvää, miten yritykset hyödyntävät ML:ää todellisten haasteiden ratkaisemiseen ja kilpailuedun saavuttamiseen.
Miksi ihmiset uskovat virheellisesti, että tekoälystä tulee yhtä kyvykäs kuin ihmiset – tai että se voisi mahdollisesti muodostaa hengenvaarallisen riskin ihmiskunnalle?
Yleistekoälyn (AGI) lupaama toiveiden täyttymys – ohjelmisto, joka pystyy suoriutumaan kaikista ihmisten tekemistä älyllisistä tehtävistä – on niin houkutteleva, että sitä on lähes mahdotonta vastustaa. Luomalla perimmäisen voiman saavutamme tutkijoina ja tulevaisuudentutkijoina täydellisen egon tyydytyksen.
Rakentamalla järjestelmän, joka asettaa omat tavoitteensa ja pyrkii itsenäisesti saavuttamaan ne yhtä tehokkaasti kuin ihminen, ulkoistamme ennakoivan tahtomme ja siirrämme sen ihmiskunnan uudelle parhaalle ystävälle, jota arvostamme kaikkein korkeimmalle ja johon voimme mahdollisesti samaistua. Luomalla uuden elämänmuodon toteutamme viimeistä piirtoa myöten yleiskäyttöisten koneidemme, tietokoneiden, vielä hyödyntämättömän potentiaalin. Luomalla itsemme uudelleen saavutamme kuolemattomuuden.
Luomalla yhden ratkaisun kaikkiin ongelmiin ylitämme kaiken taloudellisen palkkion mittapuun ja saavutamme rajattoman vaurauden. ML-ajattelun johtaja ja johtaja Richard Heimann kutsuu tätä yhden ratkaisun harhaluuloksi. Sen sijaan, että ratkaisemme maailman monet ongelmat yksi kerrallaan, ratkaisemme ne kaikki yhdellä iskulla perimmäisen hopealuodin avulla.
Meidän ei tarvitse huolehtia maailmanlaajuisista ongelmista, kuten ilmastonmuutoksesta, poliittisesta epävakaudesta, köyhyydestä tai terveyskriiseistä. Kun keinotekoinen ihminen on kerran syntynyt, se jatkaa itsensä kehittämistä, kunnes siitä tulee yhtä kyvykäs ongelmanratkaisija kuin ihmiskunta parhaimmillaan voisi koskaan olla.
Mikä on hyvä strategia liiketoiminnan ammattilaisten ja data-ammattilaisten välistä kuilua erottavan jaon kuromiseksi umpeen, mikä yleensä estää ML:ää menestymästä?
Tässä on ongelma. ML on maailman tehokkain yleisesti sovellettava teknologia. ML voi kuitenkin parantaa laajamittaisia toimintoja vain muuttamalla niitä. Siksi ML-hanketta ei pitäisi pitää ”teknologiahankkeena”. Sen sijaan se on vaikutuksen aikaansaamiseksi muotoiltava uudelleen liiketoimintahankkeeksi, jonka tarkoituksena on parantaa toiminnan suorituskykyä ja jossa ML on vain yksi osa – välttämätön, mutta ei yksin riittävä.
Kun huomio on keskittynyt lähes täysin tekniseen osuuteen ja sen toteutukseen, ala ei ole onnistunut luomaan laajasti omaksuttua liiketoimintakäytäntöä menestyksekkään ML-hankkeen toisen puoliskon toteuttamiseen. Tämän seurauksena uudet ML-hankkeet epäonnistuvat säännönmukaisesti käyttöönotossa.
Ratkaisuni tähän on bizML, kuusivaiheinen toimintamalli ML-hankkeen johtamiseen niin, että se otetaan onnistuneesti käyttöön. Voit lukea tästä lisää uusimmasta kirjastani.
Miten selität sen, että useimpia yritysten ML-hankkeita ei saada käyttöön, kun taas harvat valitut onnistuvat siinä hämmästyttävän hyvin?
Useimpien ML-hankkeiden epäonnistumisen perimmäinen syy on käyttöönoton huolellisen suunnittelun puute – ei suunnitella toiminnallista muutosta, jonka ennakoivan mallin integrointi saisi aikaan. Koska maailma käsittää ML-hankkeet teknisiksi hankkeiksi, joihin liittyy edistyneintä mahdollista numeronmurskausta, oletetaan teknisen hankkeen tuottavan arvoa. Tämä on vakava väärinkäsitys.
Arvo syntyy vain muuttamalla – ja siten parantamalla – laajamittaisia toimintoja ML-mallin tuottamien ennusteiden ohjaamana.
Onko sinulla vastakkaista näkemystä tekoälyn ympärillä vellovasta ylenpalttisesta hypestä ja siitä, miksi tuskin kukaan kysyy – tai mittaa – kuinka hyvää tekoälyteknologia on?
Nämä ovat kaksi eri asiaa. Hypen osalta yleinen kertomus on, että olemme matkalla kohti AGI:tä. Tämä on myytti. Se on romaani, jonka Mary Shelly olisi kirjoittanut, jos hän olisi tiennyt algoritmeista.
Mitä tulee siihen, miksi emme mittaa, kuinka *hyvää* tekoäly on – kuinka hyvin se suoriutuu määrällisesti ja kuinka paljon liiketoiminta-arvoa se voisi tuottaa riippuen siitä, miten se otetaan käyttöön – huomio on kohdistettu väärin.
Miten organisaatiot hyödyntävät aktiivisesti koneoppimista tehostaakseen toimintoja ja luodakseen kilpailuetua useilla eri toimialoilla?
Koneoppiminen uudistaa toimintaa suoraviivaisella, joskin mullistavalla tavalla. Älä anna tämän näyttävän teknologian ympäriltä hohtavan loisteen peittää sen perustehtävän yksinkertaisuutta: useimmissa liiketoimintasovelluksissa koneoppimisen tarkoituksena on tuottaa toimintaan ohjaavia ennusteita – minkä vuoksi sitä kutsutaan joskus myös nimillä ennakoiva analytiikka tai ennakoiva tekoäly.
Vaikka datasta oppiminen ennustemallin luomiseksi ansaitsee yhtä paljon ”vau-efektiä” kuin mikä tahansa muu tieteen tai tekniikan saavutus, tämä kyvykkyys muuttuu konkreettiseksi arvoksi mutkattomalla tavalla: malli tuottaa ennustepisteitä, jotka puolestaan ohjaavat miljoonia operatiivisia päätöksiä.
Tällä tavoin koneoppiminen torjuu merkittävimpiä riskejämme – kuten metsäpaloja, ilmastonmuutosta, pandemioita ja lasten hyväksikäyttöä. Se kasvattaa myyntiä, pienentää kustannuksia, ehkäisee petoksia, tehostaa valmistusta ja vahvistaa terveydenhuoltoa.
Jos haluat lukea lisää oivaltavia haastatteluja, liity The CTO Clubin uutiskirjeen tilaajaksi.
