У каждой серьезной технологической компании теперь есть команда, занимающаяся искусственным интеллектом. Эти компании вкладывают миллионы в интеллектуальные системы для оценки ситуации, анализа прогнозов, систем распознавания на основе обучения, диалоговых интерфейсов и рекомендательных сервисов. Такие компании, как Google, Facebook и Amazon, используют не только ИИ, но и сделали его ядром своей интеллектуальной собственности.
По мере развития рынка, ИИ начинает переходить на предприятия, которые будут его использовать, но не разрабатывают его самостоятельно. Они рассматривают интеллектуальные системы как решения для продаж, логистики, производства и задач бизнес-аналитики. Они надеются, что ИИ сможет повысить производительность, автоматизировать существующие процессы, провести прогностический анализ и извлечь смысл из массивов данных . Для них ИИ – это конкурентное преимущество, но не часть их основного продукта. Для таких компаний инвестиции в ИИ могут помочь в решении реальных бизнес-задач, но не станут частью продуктов, ориентированных на клиента. Pepsi, Wal-Mart и McDonalds могут заинтересоваться ИИ, чтобы облегчить маркетинг, логистику или даже помочь переворачивать гамбургеры, но это не означает, что следует ожидать увидеть интеллектуальные газированные напитки, снежные совки или бигмаки, которые появятся в обозримом будущем.
Центр извлечения специальных знаний
Как ИИ повлияет на бизнес, промышленность и общество.
Как и в случае с более ранними технологиями, сейчас мы слышим советы по «стратегиям ИИ» и о том, как компаниям следует нанимать главных специалистов по ИИ . Во многом точно так же, как рост неопределенно структурированных данных большого объема привел к повальному увлечению специалистами по обработке данных , аргумент заключается в том, что каждой организации теперь необходимо нанять специалиста уровня C, который будет управлять стратегией ИИ компании.
Я здесь, чтобы просить Вас не делать этого. Правда, не надо.
Не то, чтобы я сомневаюсь в полезности ИИ. Всю свою профессиональную жизнь я провел, работая в этой области. Я далеко не скептик, а ярый истинный верующий.
Тем не менее, я также считаю, что эффективное внедрение ИИ на предприятии требует концентрации на достижении бизнес-целей. Стремиться к «стратегии ИИ» и нанять кого-то с техническими навыками в области ИИ, чтобы возглавить авангард, может показаться созвучным нынешним тенденциям, но этот факт игнорирует реальность того, что инновационные инициативы достигают успеха только, когда есть четкое понимание реальных бизнес-вопросов и целей. Чтобы ИИ работал на предприятии, главными движущими силами должны быть цели предприятия.
Это не то, что Вы получите, наняв главного специалиста по искусственному интеллекту. Сама природа этой роли направлена на то, чтобы занести молоток ИИ над гвоздями любых окружающих проблем. Такой хорошо образованный, достойно оплачиваемый и высоко мотивированный человек прочешет Вашу организацию, пытаясь найти места для применения технологий ИИ, по сути, ставя перед собой цель использовать ИИ, а не решать реальные проблемы.
Это не означает, что Вам не нужны люди, понимающие технологии ИИ. Конечно, нужны. Но понимание технологий и понимание того, что они могут сделать для Вашего предприятия стратегически, совершенно разные вещи. И наем главного специалиста по ИИ не может заменить эффективную связь между людьми в вашей организации с технарями и теми, кто обладает стратегическим подходом.
Одна из альтернатив найму главного специалиста по ИИ начинается с проблем. Передача рассмотрения решений по ИИ в руки людей, которые непосредственно решают проблемы. Если эти люди вооружены концептуальной моделью для размышлений о том, когда можно применить решения ИИ, то они могут предложить и где такие решения действительно применимы. К счастью, концепции для этого вытекают непосредственно из характера самих технологий. Мы уже узнали, где ИИ работает, а где его применение может быть преждевременным.
Вопрос сводится к данным и задаче.
Например, высокоструктурированные данные, которые находятся в обычных базах данных с хорошо понятыми схемами, как правило, поддерживают традиционные, высоко аналитические подходы к обучению машин. Если у Вас есть данные об операциях за 10 лет, то следует использовать машинное обучение, чтобы найти корреляции между демографическими данными клиентов и продукцией.
В случаях больших объемов данных с низкой совокупностью данных (например, изображения или аудио) наиболее применимыми являются технологии глубокого обучения. Таким образом, может иметь смысл глубокий подход к обучению, при котором используются звуки оборудования для прогнозирования сбоев на Вашем заводе.
Если все, что у вас есть – это текст, то полезными станут технологии извлечения данных, анализа настроений и ватсоновские подходы к доказательной аргументации. Автоматизация интеллектуальных рекомендаций на основе руководств по лучшей практике в области человеческих ресурсов может вписаться в эту модель.
А если у вас есть данные, которые используются для поддержки отчетов о статусе или эффективности вашего бизнеса, то лучшим вариантом будет система формирования ответов на естественном языке . Не имеет смысла занимать ценное время аналитика, посвященное анализу и обобщению всех данных о продажах, если Вы можете иметь прекрасно читаемые отчеты на английском языке, автоматически генерируемые машиной и доставляемые по электронной почте.
Если лица, принимающие решения в Вашей организации, понимают это, то они могут посмотреть на имеющиеся у них проблемы бизнеса и собираемые ими данные, и распознать типы когнитивных технологий, которые окажутся наиболее полезны.
Смысл прост. ИИ – не волшебство. Конкретные технологии предоставляют конкретные функции и имеют специфические требования к данным. Понимание их не требует нанимать волшебника или единорога, чтобы работать с ними. ИИ не нужен начальник. Ему нужна команда, которая знает, как сообщить реальность деловых проблем тем, кто понимает детали технических решений.
Современные технологии ИИ поразительно мощны. Когда они попадут на предприятие, они изменят все. Если мы сосредоточимся на их применении для решения реальных, всепроникающих проблем, мы построим новый тип партнерства между человеком и машиной, который позволит всем нам быть лучшими в своем деле и реализовать свой величайший потенциал.
Перевод: редактор компании «АКЦЕНТ» Денискина Елена
Корпоративный английский для сотрудников компаний.
