Vi bombarderes med forestillinger om supersmart kunstig intelligens som tar over verden, men er det realistisk?
I dette intervjuet hevder dr. Eric Siegel, tidligere professor ved Columbia, ledende ML-konsulent og forfatter av AI-håndboken: Å mestre den sjeldne kunsten å sette maskinlæring i drift, at prediktiv kunstig intelligens – også kalt maskinlæring i virksomheter – tilbyr konkret verdi som generativ kunstig intelligens ennå ikke har klart å bevise.
Vi skal utforske hvorfor mange ML-prosjekter mislykkes, og hvordan man kan bygge bro mellom forretnings- og datateam. Oppdag hvordan virksomheter utnytter ML til å håndtere utfordringer fra virkeligheten og oppnå et konkurransefortrinn.
Hvorfor tror folk feilaktig at kunstig intelligens vil bli like kapabel som mennesker – eller potensielt utgjøre en dødelig risiko for menneskeheten?
Ønskeoppfyllelsen som loves av kunstig generell intelligens (AGI) – programvare som kan utføre enhver intellektuell oppgave mennesker kan utføre – er så forlokkende at den nesten er uimotståelig. Ved å skape den ultimate kraften oppnår vi den ultimate egotilfredsstillelsen som forskere og fremtidsforskere.
Ved å bygge et system som setter sine egne mål og forfølger dem autonomt og like effektivt som et menneske, eksternaliserer vi vår aktive vilje og planter den inn i en ny bestevenn for menneskeheten, som vi har den største aktelsen for, og som vi potensielt kan føle empati med. Ved å skape en ny livsform realiserer vi hver siste del av det hittil urealiserte potensialet i våre allsidige maskiner kjent som datamaskiner. Ved å gjenskape oss selv oppnår vi udødelighet.
Ved å skape én enkelt løsning på alle problemer overskrider vi enhver form for økonomisk belønning og oppnår uendelig rikdom. ML-tankelederen og lederen Richard Heimann kaller dette feilslutningen om én enkelt løsning. I stedet for å løse verdens mange problemer ett etter ett løser vi dem alle i ett eneste stort grep med det ultimate universalmiddelet.
Vi trenger ikke bekymre oss for globale problemer som klimaendringer, politisk ustabilitet, fattigdom eller helsekriser. Når et kunstig menneske først blir til, vil det i stedet fortsette å forbedre seg selv for å bli en problemløser like kapabel som menneskeheten noensinne kunne bli.
Hva er en god strategi for å bygge bro over skillet mellom forretningsfolk og dataspesialister, som rutinemessig hindrer ML i å lykkes?
Her er problemet. ML er verdens kraftigste teknologi med generell anvendelse. ML kan imidlertid bare forbedre storskalaoperasjoner ved å endre dem. Derfor bør et ML-prosjekt ikke betraktes som «et teknologiprosjekt». For å skape en effekt må det i stedet omdefineres som et forretningsprosjekt som skal forbedre driftsresultatene, der ML bare er én komponent – en komponent som er nødvendig, men ikke tilstrekkelig.
Fordi oppmerksomheten i overveldende grad har vært rettet mot den tekniske delen og gjennomføringen av den, har bransjen ikke klart å etablere en bredt anerkjent forretningspraksis for å gjennomføre den andre halvdelen av et vellykket ML-prosjekt. Som et resultat blir nye ML-initiativer som regel aldri satt i drift.
Min løsning på dette er bizML, en disiplin i seks trinn for å gjennomføre et ML-prosjekt slik at det blir satt i drift på en vellykket måte. Du kan lese mer om dette i min nyeste bok.
Hvordan forklarer du at de fleste ML-prosjekter i virksomheter ikke blir satt i drift, mens noen få lykkes enormt?
Den grunnleggende årsaken til at de fleste ML-prosjekter mislykkes, er mangel på grundig planlegging for idriftsetting – planlegging av den operative endringen som integreringen av en prediktiv modell ville medføre. Ettersom verden oppfatter ML-prosjekter som tekniske prosjekter som innebærer den mest avanserte tallknusingen, antar man at det tekniske prosjektet vil skape verdi. Dette er en alvorlig misforståelse.
Verdien oppstår først når man *endrer* – og dermed forbedrer – storskalaoperasjoner, veiledet av prediksjonene fra en ML-modell.
Har du en kontrær vurdering av den overivrige hypen rundt kunstig intelligens, og hvorfor er det nesten ingen som spør – eller måler – hvor god AI-teknologien er?
Dette er to forskjellige ting. Når det gjelder hypen, er den populære fortellingen at vi beveger oss mot AGI. Dette er en myte. Det er den nye romanen Mary Shelley ville ha skrevet hvis hun hadde kjent til algoritmer.
Når det gjelder hvorfor vi ikke måler hvor *god* AI er – hvor godt den presterer kvantitativt, og hvor mye forretningsverdi den kan skape, avhengig av hvordan den tas i bruk – er fokuset feilrettet.
Author's Tip
“Når man evaluerer ML-modeller, fokuserer dataforskere nesten utelukkende på tekniske måltall som presisjon, gjenfinning og løft, en slags prediktiv multiplikator (med andre ord: hvor mange ganger bedre enn gjetting forutsier modellen?). Men disse måltallene er kritisk utilstrekkelige. De forteller oss den relative ytelsen til en prediktiv modell – sammenlignet med en grunnlinje som tilfeldig gjetting – men gir ingen direkte vurdering av den absolutte forretningsverdien til en modell. Selv det vanligste og mest brukte måltallet, nøyaktighet, faller inn i denne kategorien. (Det er også vanligvis irrelevant og ofte misvisende.)
I stedet bør fokuset være på forretningsmåltall – som inntekter, fortjeneste, besparelser og antall nye kunder. Disse enkle og tydelige måltallene måler de grunnleggende forestillingene om suksess. De er direkte knyttet til forretningsmålene og avdekker den reelle verdien av de ufullkomne prediksjonene ML leverer. De er avgjørende for å bygge en sårt tiltrengt bro mellom forretnings- og datavitenskapsteam.
Dessverre utelater dataforskere rutinemessig forretningsmåltall fra rapporter og diskusjoner, til tross for hvor viktige de er. I stedet dominerer tekniske måltall ML-praksisen – både når det gjelder teknisk gjennomføring og rapportering av resultater til interessenter.”
Hvordan bruker organisasjoner aktivt ML til å effektivisere driften og skape konkurransefortrinn på tvers av en rekke bransjer?
ML skaper innovasjon på en enkel, om enn omveltende, måte. Ikke la glansen fra denne prangende teknologien skjule enkelheten i dens grunnleggende oppgave: For de fleste forretningsanvendelser er formålet med ML å generere handlingsrettede prediksjoner – derfor kalles det også noen ganger prediktiv analyse eller prediktiv AI.
Selv om det å lære av data for å generere en prediktiv modell fortjener like mye «wow»-beundring som enhver annen vitenskapelig eller teknisk prestasjon, omsettes denne evnen til konkret verdi på en ukomplisert måte: Modellen genererer prediksjonsskårer, som igjen styrer millioner av operative beslutninger.
På denne måten bekjemper ML våre største risikoer – inkludert skogbranner, klimaendringer, pandemier og barnemishandling. Det øker salget, kutter kostnader, forebygger svindel, effektiviserer produksjonen og styrker helsetjenestene.
For flere innsiktsfulle intervjuer, bli med i nyhetsbrevet til The CTO Club.
