Den överdrivna hajpen kring generativ AI: Frågor och svar med dr Eric Siegel

Varför tror människor felaktigt att AI kommer att bli lika kapabel som människor – eller potentiellt utgöra en dödlig risk för mänskligheten?

Den önskeuppfyllelse som utlovas av artificiell generell intelligens (AGI) – programvara som kan utföra alla intellektuella uppgifter som människor kan – är så lockande att den nästan är oemotståndlig. Genom att skapa den ultimata makten uppnår vi den ultimata egotillfredsställelsen som forskare och framtidsvisionärer.

Genom att bygga ett system som sätter upp sina egna mål och självständigt strävar efter att uppnå dem lika effektivt som en människa, externaliserar vi vår proaktiva vilja och överför den till en ny bästa vän för mänskligheten, som vi hyser den allra största aktningen för och som vi potentiellt kan känna empati med. Genom att skapa en ny livsform förverkligar vi varje sista uns av den ännu inte realiserade potentialen hos våra datorer, dessa maskiner för allmänna ändamål. Genom att återskapa oss själva vinner vi odödlighet.

Genom att skapa en enda lösning på alla problem överskrider vi alla mått på ekonomisk belöning och vinner oändlig rikedom. ML-tankeledaren och chefen Richard Heimann kallar detta villfarelsen om den enda lösningen. I stället för att lösa världens många problem ett i taget löser vi dem alla i ett enda slag med den ultimata universallösningen.

Vi behöver inte bekymra oss om globala frågor som klimatförändringar, politisk instabilitet, fattigdom eller hälsokriser. I stället kommer en artificiell människa, när den väl har blivit till, att fortsätta utveckla sig själv och bli lika kapabel att lösa problem som mänskligheten någonsin skulle kunna bli.

Vilken är en bra strategi för att överbrygga klyftan mellan affärs- och dataprofessionella, som regelbundet hindrar ML från att lyckas?

Här är problemet. ML är världens mest kraftfulla teknik med bred generell tillämpning. ML kan dock bara förbättra storskalig verksamhet genom att förändra den. Därför bör ett ML-projekt inte betraktas som ”ett teknikprojekt”. För att skapa effekt måste det i stället omformuleras till ett affärsprojekt som syftar till att förbättra den operativa effektiviteten, där ML bara är en komponent – en som är nödvändig men inte tillräcklig.

Eftersom uppmärksamheten i överväldigande grad har fokuserats på den tekniska delen och dess genomförande har branschen misslyckats med att etablera en brett accepterad affärsmetod för att genomföra den andra halvan av ett framgångsrikt ML-projekt. Som ett resultat misslyckas nya ML-initiativ regelbundet med att tas i drift.

Min lösning på detta är bizML, en disciplin i sex steg för att driva ett ML-projekt så att det framgångsrikt tas i drift. Du kan läsa mer om detta i min senaste bok.

Hur förklarar du att de flesta ML-projekt inom företag misslyckas med att tas i drift, medan ett fåtal lyckas över all förväntan?

Grundorsaken till de flesta misslyckade ML-projekt är brist på noggrann planering för driftsättning – planering för den operativa förändring som integreringen av en prediktiv modell skulle medföra. Eftersom världen betraktar ML-projekt som tekniska projekt som omfattar de mest avancerade numeriska beräkningarna, antas det att det tekniska projektet kommer att skapa värde. Detta är en allvarlig missuppfattning.

Värdet realiseras endast genom att *förändra* – och därmed förbättra – storskalig verksamhet, vägledd av de förutsägelser som en ML-modell tillhandahåller.

Har du en avvikande bedömning av den överdrivna hypen kring artificiell intelligens och varför nästan ingen frågar – eller mäter – hur bra AI-tekniken är?

Detta är två olika frågor. När det gäller hypen är den allmänna berättelsen att vi är på väg mot AGI. Detta är en myt. Det är den nya berättelsen som Mary Shelley skulle ha skrivit om hon hade känt till algoritmer.

När det gäller varför vi inte mäter hur *bra* AI är – hur väl den presterar kvantitativt och hur stort affärsvärde den skulle kunna leverera, beroende på hur den används – är fokus felriktat.

Hur använder organisationer aktivt ML för att effektivisera verksamheten och skapa konkurrensfördelar inom en rad olika branscher?

ML förnyar på ett okomplicerat, om än omvälvande, sätt. Låt inte glansen från denna högteknologiska teknik skymma enkelheten i dess grundläggande uppgift: För de flesta affärstillämpningar är syftet med ML att utfärda handlingsbara prognoser – vilket är anledningen till att det ibland också kallas prediktiv analys eller prediktiv AI.

Även om förmågan att lära sig från data för att generera en prediktiv modell förtjänar lika mycket ”wow”-beundran som vilken annan vetenskaplig eller teknisk bedrift som helst, omsätts denna förmåga i konkret värde på ett okomplicerat sätt: Modellen genererar prediktiva poäng, som i sin tur driver miljontals operativa beslut.

På så sätt bekämpar ML våra största risker – däribland skogsbränder, klimatförändringar, pandemier och övergrepp mot barn. Det ökar försäljningen, sänker kostnaderna, förebygger bedrägerier, effektiviserar tillverkningen och stärker hälso- och sjukvården.

För fler insiktsfulla intervjuer, prenumerera på The CTO Clubs nyhetsbrev.