Zasypują nas wizje superinteligentnej sztucznej inteligencji przejmującej władzę nad światem, ale czy to realistyczny scenariusz?
W tym wywiadzie dr Eric Siegel, były profesor Uniwersytetu Columbia, czołowy konsultant w dziedzinie uczenia maszynowego i autor książki Podręcznik AI: opanowanie rzadkiej sztuki wdrażania uczenia maszynowego, przekonuje, że predykcyjna sztuczna inteligencja — inaczej uczenie maszynowe w przedsiębiorstwach — oferuje konkretną wartość, której generatywna sztuczna inteligencja nie zdołała jeszcze udowodnić.
Przeanalizujemy, dlaczego wiele projektów ML kończy się niepowodzeniem i jak zniwelować lukę między zespołami biznesowymi a zespołami zajmującymi się danymi. Dowiedz się, jak firmy wykorzystują ML do rozwiązywania rzeczywistych problemów i zdobywania przewagi konkurencyjnej.
Dlaczego ludzie błędnie wierzą, że AI stanie się równie zdolna jak ludzie — albo potencjalnie będzie stanowić śmiertelne zagrożenie dla ludzkiego gatunku?
Spełnienie życzeń obiecywane przez sztuczną inteligencję ogólnego przeznaczenia (AGI) — oprogramowanie zdolne do wykonywania każdego zadania intelektualnego, które mogą wykonywać ludzie — jest tak kuszące, że niemal nie sposób mu się oprzeć. Tworząc ostateczną potęgę, osiągamy ostateczne zaspokojenie ego jako naukowcy i futuryści.
Budując system, który sam wyznacza sobie cele i autonomicznie dąży do ich realizacji równie skutecznie jak człowiek, uzewnętrzniamy naszą sprawczą wolę, wszczepiając ją nowemu najlepszemu przyjacielowi ludzkości, dla którego żywimy najwyższy szacunek i z którym potencjalnie możemy się utożsamiać. Tworząc nową formę życia, urzeczywistniamy każdy ostatni fragment dotąd niezrealizowanego potencjału naszych uniwersalnych maszyn znanych jako komputery. Odtwarzając samych siebie, zyskujemy nieśmiertelność.
Tworząc jedno rozwiązanie wszystkich problemów, wykraczamy poza wszelką miarę finansowej nagrody, aby zdobyć nieskończone bogactwo. Richard Heimann, lider opinii w dziedzinie ML i dyrektor, nazywa to błędem jednego rozwiązania. Zamiast rozwiązywać liczne problemy świata pojedynczo, rozwiązujemy je wszystkie za jednym zamachem, za pomocą ostatecznego cudownego środka.
Nie musimy martwić się globalnymi problemami, takimi jak zmiana klimatu, niestabilność polityczna, ubóstwo czy kryzysy zdrowotne. Zamiast tego, gdy tylko sztuczny człowiek zaistnieje, będzie nieustannie się rozwijał, aby stać się równie skutecznym w rozwiązywaniu problemów, jak tylko ludzkość mogłaby kiedykolwiek być.
Jaka jest dobra strategia na zniwelowanie podziału oddzielającego specjalistów biznesowych od specjalistów ds. danych, który rutynowo uniemożliwia powodzenie ML?
Oto problem. ML to najpotężniejsza technologia o szerokim zastosowaniu na świecie. Jednak ML może usprawniać operacje na dużą skalę wyłącznie poprzez ich zmianę. Dlatego projektu ML nie należy postrzegać jako „projektu technologicznego”. Zamiast tego, aby wywrzeć wpływ, trzeba go przeformułować jako projekt biznesowy mający na celu poprawę efektywności operacyjnej, w którym ML jest tylko jednym z elementów — elementem niezbędnym, ale niewystarczającym.
Ponieważ uwaga skupia się niemal wyłącznie na części technicznej i jej realizacji, branża nie zdołała ustanowić powszechnie przyjętej praktyki biznesowej dotyczącej realizacji całej drugiej połowy udanego projektu ML. W rezultacie nowe inicjatywy ML rutynowo nie są wdrażane.
Moim rozwiązaniem tego problemu jest bizML — sześcioetapowa metodyka prowadzenia projektu ML, tak aby zakończył się on pomyślnym wdrożeniem. Więcej na ten temat można przeczytać w mojej najnowszej książce.
Jak wyjaśniasz, dlaczego większość projektów ML w przedsiębiorstwach nie zostaje wdrożona, podczas gdy nieliczne odnoszą spektakularny sukces?
Główną przyczyną niepowodzeń większości projektów ML jest brak rygorystycznego planowania wdrożenia — planowania zmiany operacyjnej, którą spowodowałoby zintegrowanie modelu predykcyjnego. Ponieważ świat postrzega projekty ML jako projekty techniczne obejmujące najbardziej zaawansowane obliczenia, zakłada się, że projekt techniczny przyniesie wartość. To poważne nieporozumienie.
Wartość jest uzyskiwana wyłącznie poprzez *zmianę* — a tym samym usprawnienie — operacji na dużą skalę, zgodnie z przewidywaniami dostarczanymi przez model ML.
Czy masz odmienne zdanie na temat przesadnego szumu wokół sztucznej inteligencji i tego, dlaczego niemal nikt nie pyta — ani nie mierzy — jak dobra jest technologia AI?
To dwie różne kwestie. Jeśli chodzi o szum, popularna narracja głosi, że zmierzamy w kierunku AGI. To mit. To nowa opowieść, którą napisałaby Mary Shelley, gdyby wiedziała o algorytmach.
Jeśli zaś chodzi o to, dlaczego nie mierzymy, jak *dobra* jest AI — jak dobrze działa pod względem ilościowym i jak dużą wartość biznesową mogłaby dostarczyć, zależnie od sposobu jej wdrożenia — uwaga jest skierowana na niewłaściwy aspekt.
Author's Tip
“Podczas oceniania modeli ML specjaliści ds. danych skupiają się niemal wyłącznie na metrykach technicznych, takich jak precyzja, czułość i współczynnik wzrostu — swego rodzaju mnożnik predykcyjny (innymi słowy: ile razy lepiej niż losowe zgadywanie model dokonuje predykcji?). Metryki te są jednak zdecydowanie niewystarczające. Mówią nam o względnej skuteczności modelu predykcyjnego — w porównaniu z punktem odniesienia, takim jak losowe zgadywanie — ale nie dają bezpośredniej informacji o bezwzględnej wartości biznesowej modelu. Nawet najczęściej stosowana, podstawowa metryka, czyli dokładność, należy do tej kategorii. (Poza tym zazwyczaj jest nieadekwatna i często wprowadza w błąd.)
Zamiast tego należy skupić się na metrykach biznesowych — takich jak przychody, zysk, oszczędności i liczba pozyskanych klientów. Te proste i istotne metryki mierzą fundamentalne pojęcia sukcesu. Są bezpośrednio związane z celami biznesowymi i ujawniają prawdziwą wartość niedoskonałych predykcji dostarczanych przez ML. Stanowią podstawę budowania niezwykle potrzebnego pomostu między zespołami biznesowymi a zespołami zajmującymi się analizą danych.
Niestety specjaliści ds. danych regularnie pomijają metryki biznesowe w raportach i dyskusjach, mimo ich znaczenia. Zamiast tego metryki techniczne dominują w praktyce ML — zarówno pod względem realizacji technicznej, jak i raportowania wyników interesariuszom.”
W jaki sposób organizacje aktywnie wykorzystują ML, aby zwiększać efektywność operacji i budować przewagę konkurencyjną w wielu branżach?
ML wprowadza innowacje w prosty, choć przełomowy sposób. Nie pozwól, aby blask tej efektownej technologii przesłonił prostotę jej podstawowego zadania: w większości zastosowań biznesowych celem ML jest dostarczanie prognoz umożliwiających podejmowanie działań — dlatego technologia ta jest czasami nazywana również analizą predykcyjną lub predykcyjną sztuczną inteligencją.
Choć uczenie się na podstawie danych w celu wygenerowania modelu predykcyjnego zasługuje na tyle samo zachwytu co każde inne osiągnięcie nauki lub inżynierii, zdolność ta przekłada się na wymierną wartość w nieskomplikowany sposób: model generuje wyniki predykcyjne, które z kolei napędzają miliony decyzji operacyjnych.
W ten sposób ML pomaga zwalczać nasze największe zagrożenia — w tym pożary lasów, zmiany klimatyczne, pandemie i wykorzystywanie dzieci. Zwiększa sprzedaż, obniża koszty, zapobiega oszustwom, usprawnia produkcję i wzmacnia opiekę zdrowotną.
Aby przeczytać więcej inspirujących wywiadów, zapisz się do biuletynu The CTO Club.
