Meitä pommitetaan kuvilla superälykkäästä tekoälystä, joka ottaa maailman haltuunsa, mutta onko se realistista?
Tässä haastattelussa tohtori Eric Siegel, entinen Columbian yliopiston professori, johtava koneoppimisen konsultti ja teoksen The AI Playbook: Mastering the Rare Art of Machine Learning Deployment kirjoittaja, väittää, että ennakoiva tekoäly – eli yritysten koneoppiminen – tarjoaa konkreettista arvoa, jota generatiivinen tekoäly ei ole vielä pystynyt osoittamaan.
Tarkastelemme, miksi monet koneoppimisprojektit epäonnistuvat ja miten liiketoiminta- ja datatiimien välinen kuilu voidaan kuroa umpeen. Selvitä, miten yritykset hyödyntävät koneoppimista todellisten haasteiden ratkaisemiseen ja kilpailuedun saavuttamiseen.
Miksi ihmiset uskovat virheellisesti, että tekoälystä tulee yhtä kyvykäs kuin ihmisistä – tai että se saattaa aiheuttaa ihmiskunnalle kuolemanvaaran?
Yleistekoälyn (AGI) – eli ohjelmiston, joka pystyy mihin tahansa ihmisen suorittamaan älylliseen tehtävään – lupaama toiveiden toteutuminen on niin houkuttelevaa, että sitä on lähes mahdotonta vastustaa. Luomalla perimmäisen voiman saavutamme tutkijoina ja tulevaisuudentutkijoina äärimmäisen egon tyydytyksen.
Rakentamalla järjestelmän, joka asettaa omat tavoitteensa ja tavoittelee niitä itsenäisesti yhtä tehokkaasti kuin ihminen, ulkoistamme ennakoivan tahtomme ja siirrämme sen ihmiskunnan uudeksi parhaaksi ystäväksi, jota kohtaan tunnemme mitä suurinta arvostusta ja johon voimme mahdollisesti samaistua. Luomalla uuden elämänmuodon toteutamme yleiskäyttöisten koneidemme, tietokoneiden, kaiken vielä hyödyntämättömän potentiaalin. Luomalla itsemme uudelleen saavutamme kuolemattomuuden.
Luomalla yhden ratkaisun kaikkiin ongelmiin ylitämme kaiken taloudellisen palkkion mitan ja saavutamme äärettömän vaurauden. Koneoppimisen ajatusjohtaja ja johtaja Richard Heimann kutsuu tätä yhden ratkaisun harhaluuloksi. Sen sijaan, että ratkaisisimme maailman monet ongelmat yksi kerrallaan, ratkaisemme ne kaikki yhdellä iskulla lopullisen ihmelääkkeen avulla.
Meidän ei tarvitse huolehtia maailmanlaajuisista ongelmista, kuten ilmastonmuutoksesta, poliittisesta epävakaudesta, köyhyydestä tai terveyskriiseistä. Kun keinotekoinen ihminen on kerran luotu, se jatkaa itsensä kehittämistä ja muuttuu yhtä kyvykkääksi ongelmanratkaisijaksi kuin ihmiskunta parhaimmillaan voisi koskaan olla.
Mikä on hyvä strategia liiketoiminnan ammattilaisten ja data-ammattilaisten välisen kuilun kuromiseen umpeen, joka säännöllisesti estää koneoppimista onnistumasta?
Tässä on ongelma. Koneoppiminen on maailman tehokkain yleisesti sovellettava teknologia. Koneoppiminen voi kuitenkin parantaa laajamittaista toimintaa vain muuttamalla sitä. Siksi koneoppimisprojektia ei pitäisi pitää ”teknologiaprojektina”. Sen sijaan se on vaikutuksen aikaansaamiseksi määriteltävä uudelleen liiketoimintaprojektiksi, jonka tarkoituksena on parantaa toiminnan suorituskykyä ja jossa koneoppiminen on vain yksi osa – tarpeellinen, mutta ei yksin riittävä.
Huomion kohdistuessa lähes kokonaan tekniseen osuuteen ja sen toteutukseen ala ei ole onnistunut vakiinnuttamaan laajasti omaksuttua liiketoimintakäytäntöä onnistuneen koneoppimisprojektin toisen puoliskon toteuttamiseksi. Tämän seurauksena uudet koneoppimisaloitteet epäonnistuvat säännöllisesti käyttöönotossa.
Ratkaisuni tähän on bizML, kuusivaiheinen toimintamalli koneoppimisprojektin toteuttamiseen siten, että se otetaan onnistuneesti käyttöön. Voit lukea tästä lisää uusimmasta kirjastani.
Miten selität sen, että useimmat yritysten koneoppimisprojektit eivät pääse käyttöönottoon, kun taas harvat valitut onnistuvat erinomaisesti?
Useimpien koneoppimisprojektien epäonnistumisen perimmäinen syy on käyttöönoton huolellisen suunnittelun puute – eli sen operatiivisen muutoksen suunnittelun puute, jonka ennakoivan mallin integrointi saisi aikaan. Koska maailma mieltää koneoppimisprojektit teknisiksi projekteiksi, joihin liittyy edistyneintä mahdollista lukujen käsittelyä, oletetaan teknisen projektin tuottavan arvoa. Tämä on vakava väärinkäsitys.
Arvo syntyy vain *muuttamalla* – ja siten parantamalla – laajamittaista toimintaa koneoppimismallin tuottamien ennusteiden ohjaamana.
Onko sinulla vastakkainen näkemys tekoälyn ympärillä käytävästä ylenpalttisesta hypetyksestä ja siitä, miksi tuskin kukaan kysyy – tai mittaa – kuinka hyvää tekoälyteknologia on?
Nämä ovat kaksi eri asiaa. Hypetyksen osalta vallitseva kertomus on, että olemme matkalla kohti yleistekoälyä. Tämä on myytti. Se on se tarina, jonka Mary Shelley olisi kirjoittanut, jos hän olisi tiennyt algoritmeista.
Siihen, miksi emme mittaa, kuinka *hyvää* tekoäly on – kuinka hyvin se suoriutuu määrällisesti ja kuinka paljon liiketoiminta-arvoa se voisi tuottaa sen mukaan, miten se otetaan käyttöön – keskitytään väärällä tavalla.

Author's Tip
“Koneoppimismalleja arvioidessaan datatieteilijät keskittyvät lähes kokonaan teknisiin mittareihin, kuten tarkkuuteen, kattavuuteen ja nostoon, joka on eräänlainen ennustava kerroin (toisin sanoen kuinka monta kertaa paremmin malli ennustaa kuin arvaamalla?). Nämä mittarit ovat kuitenkin kriittisen riittämättömiä. Ne kertovat ennakoivan mallin suhteellisen suorituskyvyn – verrattuna vertailutasoon, kuten satunnaiseen arvaukseen – mutta eivät anna suoraa kuvaa mallin absoluuttisesta liiketoiminta-arvosta. Jopa yleisin ja tavallisimmin käytetty mittari, tarkkuus, kuuluu tähän luokkaan. (Lisäksi se on yleensä asiaankuulumaton ja usein harhaanjohtava.)
Sen sijaan huomion tulisi kohdistua liiketoimintamittareihin – kuten liikevaihtoon, voittoon, säästöihin ja hankittujen asiakkaiden määrään. Nämä suoraviivaiset ja olennaiset mittarit arvioivat menestyksen perusasioita. Ne liittyvät suoraan liiketoiminnan tavoitteisiin ja paljastavat koneoppimisen tuottamien epätäydellisten ennusteiden todellisen arvon. Ne ovat keskeisiä rakennettaessa kipeästi kaivattua siltaa liiketoiminta- ja datatiedetiimien välille.
Valitettavasti datatieteilijät jättävät liiketoimintamittarit säännöllisesti pois raporteista ja keskusteluista niiden tärkeydestä huolimatta. Sen sijaan tekniset mittarit hallitsevat koneoppimisen käytäntöä – sekä teknisen toteutuksen että tulosten raportoinnin osalta sidosryhmille.”
Miten organisaatiot hyödyntävät aktiivisesti ML:ää tehostaakseen toimintojaan ja luodakseen kilpailuetua useilla toimialoilla?
ML uudistaa toimintaa suoraviivaisella, joskin mullistavalla tavalla. Älä anna tämän loistavan teknologian ympärillä säteilevän hohteen hämärtää sen perustavanlaatuisen tehtävän yksinkertaisuutta: useimmissa liiketoimintasovelluksissa ML:n tarkoituksena on tuottaa toimintaan johtavia ennusteita – minkä vuoksi sitä kutsutaan joskus myös ennakoivaksi analytiikaksi tai ennakoivaksi tekoälyksi.
Vaikka datasta oppiminen ennustemallin luomiseksi ansaitsee yhtä paljon ihastunutta hämmästelyä 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 ML torjuu merkittävimpiä riskejämme, kuten maastopaloja, ilmastonmuutosta, pandemioita ja lasten kaltoinkohtelua. Se kasvattaa myyntiä, pienentää kustannuksia, ehkäisee petoksia, tehostaa valmistusta ja vahvistaa terveydenhuoltoa.
Lisää oivaltavia haastatteluja varten, tilaa The CTO Clubin uutiskirje.




