Распространённые заблуждения о применении искусственного интеллекта в бизнесе
Мифы сопровождают любую новую технологию, но искусственный интеллект, кажется, окутан заблуждениями особенно плотно. Возможно, виной тому потенциально огромные возможности его применения, что создаёт определённый мистический флёр.
Для IT-директоров, оценивающих реальные способы применения ИИ в своих организациях, это становится особенной проблемой.
“Несмотря на то, что применение ИИ в корпорациях уже не является чем-то необычным, до сих пор существует огромное количество мифов о возможностях его внедрения и о том, как он может улучшить или обновить старые системы”, - говорит Билл Брок, вице-президент по технологиям в Very. - “Мы можем сколько угодно романтизировать идею того, как роботы станут нашими коллегами, но необходимо чётко осознавать, как эти разнообразные технологии работают здесь и сейчас”.
Эта романтизация – удел продажников и совсем не отражает реальности того, как IT-директора внедряют искусственный интеллект в реальные процессы. В недавнем отчёте Harvard Business Review Analytic Services представлено, как ИИ завоёвывает таких крупных игроков рынка как Adobe, 7-Eleven, Bayer Crop Science, Caesar's Entertainment, Capital One, Discover, Equifax, and Raytheon. (Скачать полный отчёт.)
Романтизация порождает мифы и заблуждения – реальные препятствия цифровой трансформации. Издание The Enterprisers Project попросило Брока и других экспертов рассказать о наиболее популярных мифах об ИИ в энтерпрайзе – чтобы помочь нам в будущем отличать правду от вымысла.
1. "Искусственный интеллект и машинное обучение – это одно и то же"
Это не так. Понимание разницы может иметь критическое значение в ряде ситуаций – это поможет, в частности, избежать внедрения заведомо бесполезных решений и, в целом, организовать процесс с ориентацией на реальный результат. Машинное обучение лучше всего представлять как одну из разновидностей ИИ.
Майкл МакКорт, исследователь в SigOpt, отмечает: “Зачастую между этими терминами проводится очень небольшое различие. Это может создавать определенные проблемы. Если руководство считает, что построить классификационную модель и использовать данные для оптимизации процесса принятия решений – это одно и то же, то процесс интерпретации структуры и применений модели, оказывается нарушен уже на этом этапе. Неспособность распознать эту типичную ошибку влечёт за собой недостаток инвестиций в ИИ-команду. Нехватка кадров с достаточным опытом и квалификацией может с лёгкостью привести к провалу всего проекта”.
2. "Искусственный интеллект и автоматизация – это одно и то же"
ИИ и машинное обучение – это не единственные термины, что часто путают между собой. ИИ и автоматизация имеют одну очень важную взаимосвязь, из-за которой их путают.
“Ближе знакомясь с ИИ, люди начинают идентифицировать его с думающей машиной – ну или по крайней мере с машиной, принимающей решения на базе предопределенных моделей или алгоритмов. Тогда как автоматизация – это просто выполнение задач без участия человека. Автоматизация не обязательно предполагает ИИ, но зачастую наиболее эффективный способ использования ИИ – это улучшение автоматизации”, - говорит Брок.
3. "Чем больше обучающий датасет, тем лучше результат"
Заблуждение о том, что большое количество данных является абсолютным залогом успешности ИИ-проекта, встречается всё чаще. И вызывает всё больше проблем.
“Решающее значение имеет не количество данных, а их качество”, - говорит Рик МакФарланд, глава отдела данных в LexisNexis Legal and Professional. “Большой объём неправильно размеченных тренировочных данных никак не приблизит вас к точному результату. Зато они могут обмануть команду, выдавая “точные” результаты, поскольку значение дисперсии обратно пропорционально размеру выборки”
Рискнём скромно предположить, что изначально самой большой ошибкой в обращении с ИИ было то, что мы просто скормили ему очень много данных и ожидали, что это сработает. На ранних стадиях “больше” совсем не обязательно “лучше”.
“Нельзя недооценивать тот факт, что качественные данные являются неотъемлемой частью эффективного алгоритма. Люди часто ошибаются в отношении возможностей искусственного интеллекта и того, как он должен быть настроен для успешных результатов. Плохие данные приводят к плохим результатам вне зависимости от того, какую проблему вы пытаетесь решить”.
Сегодня существуют вакансии, практически полностью завязанные на процессы модерирования и очистки тренировочных данных. Даже если вы ещё не дошли до стадии, где такие специалисты просто необходимы, Брок советует всегда ставить качество выше количества. Будущее за использованием небольших качественных тренировочных датасетов, которые в итоге обходятся гораздо дешевле.
4. "ИИ приносит пользу с самого момента внедрения"
Никто не говорит, что “много данных” – это обязательно плохо. На самом деле, со временем это становится необходимо. Ключевой фактор здесь “время” – оно необходимо, чтобы уравнять качество и количество. В общем, не стоит ожидать от своих ИИ-проектов мгновенного результата, но многие делают именно так – развёртываем систему с искусственным интеллектом и случается чудо.
“Системы искусственного интеллекта и машинного обучения необходимо обучать, для чего необходимы большие объёмы данных”, - говорит Джавед Сикандер, технический директор в NetEnrich. “Большая часть этих данных происходит из той сферы, куда внедряется система, и где она учится. Это значит, что не стоит ожидать рекомендаций и выводов с первого же дня. Необходимо внедрять процессы и грамотно управлять ресурсами в разных сферах, чтобы система постепенно обучалась – только в этом случае начинаются чудеса”.
5. "ИИ и машинное обучение – это просто разработка ПО"
Диего Оппенхаймер, CEO компании Algorithmia, отмечает, что подход компаний к внедрению искусственного интеллекту и машинного обучения, в принципе, не особо отличается от подхода к разработке любого другого ПО:
“То, что ИИ/МО это просто разработка ПО – это миф. На самом деле, большая часть проектов по машинному обучения проваливается, и основная причина в том, что скоуп работ по машинному обучению сильно отличается от обычной разработки, требуя других инструментов, инфраструктуры и процессов внедрения”.
Оппенхаймер выделяет следующие ключевые проблемы:
- Неоднородность: Огромное количество языков и фреймворков – data science сейчас предлагает широкий выбор средств разработки и он продолжает расти.
- Совместимость: ИИ и машинное обучение включает одновременные потоки обработки данных для множества компонентов, каждый из которых мог быть разработан разными командами и с использованием разных средств разработки. Оппенхаймер приводит к пример систему, которая использовала одну модель для отбора изображений, вторую для распознавания текстовой информации с них, третью для анализа настроения текста, четвёртую для рекомендации действия на основе этого. В то время как традиционная разработка приложений могла бы двигаться в том же направлении с помощью микросервисов – по сравнению с искусственным интеллектом и машинным обучением, всё ещё достаточно монолитна. Это означает необходимость расширения для некоторых команд.
- Процесс разработки: По словам Оппенхеймера: “Для традиционной разработки ПО результатом становится код, выполняемый в контролируемой среде. В машинном обучении, итогом становится развивающаяся экосистема, созданная на основе взаимодействия вашего кода с реальными данными. Это требует совершенно иного, более итеративного процесса”.
- Железо и инфраструктура: “Всё ещё активно развивается: CPU, TPU, графические процессоры, периферийные вычисления, и ещё множество грядущих возможностей, каждая со своими сильными сторонами и недостатками”.
- Измерение производительности: “Метрики производительности, основанные на методах машинного обучения, очень многомерны и сильно чувствительны к контексту”. Это означает, что невозможно выработать какой-либо стандартный сет метрик, что был бы эффективен для всех – или хотя бы для многих. Для системы обнаружения мошенничества в розничной торговле вполне достаточно 75% точности при условии достаточно быстрой обработки данных, чтобы не влиять на скорость оформления заказа. Но система обнаружения мошенничества, используемая в судебной бухгалтерии, вполне может променять производительность на более высокую точность.
6. "ИИ – это просто ещё одна технология"
Иногда мы можем превратить что-то сложное и непонятное в знакомое и простое, просто сравнив новое со старым по принципу “что-то подобное уже было, получилось следующее”.
Такой подход приводит к тому, что ИТ-команды рассматривают ИИ как очередной цикл внедрения новой технологии. Но это не то, как это должно происходить - рассказывает Гай Эрнест, вице-президент по данным и искусственному интеллекту в AllCloud.
Большинство технологий нестабильны. Чем больше они используются, тем сложнее становятся и тем выше вероятность, что что-то пойдёт не так. ИИ – это что-то вроде человеческого мозга или тела: Чем больше им пользуются, тем сильнее и умнее он становится.
7. "ИИ нужен только технологическим компаниям"
Конечно же, ИИ не может решить любую бизнес-проблему – по крайней мере, пока что. Но те компании, которые присматриваются к ИИ, значительно опережают те, что считают его исключительной прерогативой технологической сферы.
МакКорт из SigOpt отмечает: “В худшем случае это приведёт к тому, что компания прозевает ИИ-революцию, которая, если текущие тренды не изменятся, может обречь компанию на следование за толпой, вместо того, чтобы возглавить её. Миф о необходимости ИИ только для технологических компаний зародился, и продолжает проникать в деловой мир, из-за того, что ранние разработчики и приверженцы ИИ были в ряду наиболее технически подкованных передовых компаний. Но с каждым днём, по мере появления новой литературы и новых инструментов, расширяется круг компаний, которые могут внедрить ИИ в свои процессы”.
8. "ИИ способен удовлетворить потребность в человеческом интеллекте”
Мифический статус ИИ частично объясняется тем, что где-то на горизонте видна точка, в которой искусственный интеллект опережает человеческий. Это та точка, где набирает обороты страх перед восстанием машин.
“Машины могут быть ‘умны’ настолько, насколько ‘умны’ доступные им данные и те действия, что они запрограммированы совершать”, - говорит Сикандер. “ИИ и машинное обучение могут помочь нам выделять закономерности в бескрайнем море данных и автоматизировать определённые действия с минимумом человеческих усилий или вовсе без них. Но алгоритмы и модели, которые созданы для исчисления этих решений или действий, должны быть разработаны человеком”.
Существует похожее заблуждение, что ИИ учится “также, как и люди”. По словам МакФарленда, главы отдела данных в LexisNexis Legal & Professional – на сегодняшний день это не так.
“Люди имеют ряд встроенных преимуществ, когда дело доходит до обучения или решения проблем – скука это одно из них. ИИ никогда не почувствует скуку и не осознает того, что движется глупым путём. Он ищет наилучший возможный ответ из бесконечного числа вариантов. Даже если его занесло в условную кроличью нору без возможности когда-либо найти ответ. Напротив, человек однажды устанет от перебора бесконечного количества возможностей – в этот момент он остановится, пересмотрит ситуацию, в которой оказался, и найдёт иной путь к решению без внешнего указания”.
Источник: https://enterprisersproject.com/article/2019/4/ai-enterprise-8-myths-debunked
