Nilalaman
- AI sa Hype Ikot
- Sa Malayo, Hindi Mabuti
- Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
- Ang Lahat ng Hinges sa Data
Pinagmulan: charles taylor / iStockphoto
Takeaway:
Maraming mga hype tungkol sa artipisyal na katalinuhan, kung gaano ito katalino?
Ang artipisyal na katalinuhan ay nakakuha ng labis na atensyon sa mga bilog ng negosyo na maraming mga pinuno ng IT ang maaaring mapanghinala sa pag-iisip na magbibigay ito ng lahat ng mga sagot sa isang mas kumplikadong ecosystem ng data. Ngunit habang tiyak na ito ay may potensyal na gumawa ng maraming makabuluhang pagpapabuti sa umiiral na teknolohiya, makatarungan din na sabihin na ang ilan sa mga inaasahan na nakapalibot sa pagiging epektibo nito ay overblown.
Sa katunayan, medyo may kaunting pag-unawa sa kung ano mismo ang AI, kung paano ito talagang gumana at kung ano ang maaari nitong gawin. At ito ay humahantong sa malawak na maling akala na pumapalibot sa papel nito sa negosyo at sa paraan na maiuugnay ito sa umiiral na imprastraktura at ang mga tao na nagpapatakbo nito.
AI sa Hype Ikot
Ayon sa pinakahuling Hype Cycle ng Gartner, ang mga pangunahing AI subsets tulad ng malalim na pagkatuto, pag-aaral ng makina at cognitive computing ay nasa tuktok ng curve ng Peak Inflated Expectations, na nangangahulugang ang mga ito ay nasa cusp ng mahabang slide sa Trough of Disillusionment. Habang ito ay para sa kurso para sa halos bawat nakakagambala na teknolohiya sa nakalipas na 30 taon, itinuturo nito ang katotohanan na ang inaasahang epekto ng AI sa enterprise, na kung saan ay nagmula sa pangunguna mula sa kinokontrol na mga pagsubok sa lab, ay malapit nang magpatakbo sa mga katotohanan ng kapaligiran sa paggawa. (Suriin ang isang kasaysayan ng mga pagbabago sa computing sa Mula sa Ada Lovelace hanggang sa Malalim na Pag-aaral.)
Gayunpaman, inaasahan ng mananaliksik ni Gartner na si Mike Walker na ang AI ay maging maraming lugar sa susunod na dekada sa pamamagitan ng isang kumbinasyon ng pagsulong ng kapangyarihan ng compute, na humahantong sa pagbuo ng mga naturang konstruksyon bilang neural network, at ang tanging katotohanan na ang pagkarga ng data ng negosyo ay naging napakalawak at sobrang kumplikado na ang mga operator ng tao ay hindi na makaya sa kanilang sarili.
Ang isa sa mga unang bagay na kailangang maunawaan ng negosyo tungkol sa AI ay ang paglalaro ng mabilis at maluwag sa salitang "katalinuhan." Tulad ng ipinaliwanag ni Swiss neuroscientist Pascal Kaufmann kay ZDnet kamakailan, may mga malalim na pagkakaiba sa mga paraan ng isang algorithm ng computer at isang utak ng tao proseso ng impormasyon upang makarating sa isang konklusyon. Dahil sa sapat na lakas ng pagproseso, ang isang algorithm ng computer ay maaaring ihambing ang milyon-milyong, bilyun-bilyon, marahil kahit trilyon ng mga set ng data upang makagawa ng isang simpleng pagpapasiya, tulad ng kung ang isang imahe ng isang pusa ay isang imahe ng isang pusa. Ngunit kahit isang maliit na bata, na binigyan ng napakaliit na data, ay maaaring agad na matukoy na ito ay isang pusa at magpakailanman matapos malaman kung ano ang isang pusa at kung ano ang hitsura nito.
Sa pamamagitan ng pamantayang ito, kahit na ang nangungunang halimbawa ng AI sa trabaho - ang mastery ng Google DeepMind ng masterGo ng diskarte ng laro na Go - ay hindi talaga artipisyal na intelektwal ngunit isang cross-section ng malaking data, analytics at automation na may kakayahang mangangatwiran ng isang diskarte na nakabatay sa batay upang manalo. Kapansin-pansin, idinagdag ni Kaufmann na ang isang tunay na halimbawa ng artipisyal na katalinuhan ay kung nalaman ni AlphaGo kung paano manloko upang manalo. Upang magawa ito, gayunpaman, kailangan munang basagin ng agham ang "code ng utak" na pinipilit ang aming kakayahang maproseso ang impormasyon, makuha ang kaalaman at mag-imbak ng mga alaala. (Matuto nang higit pa tungkol sa automation sa Automation: Ang Hinaharap ng Data Science at Machine Learning?)
Sa Malayo, Hindi Mabuti
Sa katunayan, sa kabila ng takot na malapit nang i-subscribe ng trabaho ang AI, ang mga resulta hanggang ngayon ay halos nakakatawa. Ang mga tagahanga ni George R.R. Martin's "Game of Thrones" ay labis na walang pasensya para sa susunod na pag-install ng serye na marami ang naka-flocked sa isang kabanata ng halos purong gobbledygook na isinulat ng isang form ng AI na tinatawag na isang paulit-ulit na neural network. Samantala, ang IBM ay kumukuha mula sa mga mananaliksik ng oncology na sinabihan na Watson ay magpakawala ng isang bagong panahon sa diagnosis at paggamot, ngunit sa halip ay nagpupumiglas lamang upang makilala ang pagkakaiba sa pagitan ng mga pangunahing anyo ng kanser. Dahil sa track record na ito, posible na kapag ang AI ay unang ipinakilala sa pangkaraniwang negosyo, marahil ay mangangailangan ito ng mas maraming pagsisikap sa bahagi ng mga operator ng tao upang subaybayan at masubaybayan ang lahat ng mga pagkakamali na magagawa.
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo mapagbuti ang iyong mga kasanayan sa pagprograma kapag walang nagmamalasakit sa kalidad ng software.
Ngunit narito ang rub: Ang AI ay makakakuha ng mas mahusay sa paglipas ng panahon nang hindi kinakailangang reprogrammed. Tulad ng sinabi ng mananaliksik ng Cornell Tech na si Daniel Huttenlocker sa Tech Crunch kamakailan, mas malamang na iwanan ng AI ang tradisyonal na software - at lahat ng mga pesky patch, mga pag-update at pag-aayos na kinakailangan nito - kaysa sa mga operator ng tao. Hindi ito nangangahulugan na ang AI ay hindi kailangang ma-program, ngunit ang diskarte ay malawak na pinasimple. Gamit ang software ngayon, kailangang tukuyin ng programmer hindi lamang ang gawain na malulutas ngunit ang eksaktong mga hakbang kung saan malulutas ito. Sa AI, lahat ng kailangan ay ang layunin at ang software ay dapat na hawakan ang natitira, sa kondisyon na ito ay may tamang data upang makatrabaho.
Ang Lahat ng Hinges sa Data
Ang huling puntong iyon ay mahalaga dahil, sa pagtatapos ng araw, ang AI ay simpleng algorithm, at ang mga algorithm ay kasing ganda ng data na pinapakain nila. Nangangahulugan ito na bilang karagdagan sa pagbuo ng isang maayos na balangkas ng pagpapatakbo ng AI, ang kumpanya ay kailangang magtatag ng isang medyo masigla na kapaligiran ng data conditioning upang ang mga resulta ng analytics ay batay sa tumpak na impormasyong papasok. Tulad ng sinabi ng AktibongCampaign CEO Jason VandeBoom sa Forbes kamakailan, ang luma ang mga patakaran ng "basura sa katumbas ng basura out" ay nalalapat pa rin, kaya maaari itong sandali bago makita ng mga organisasyon ang tunay na mga pakinabang ng kanilang pamumuhunan sa AI.
Dahil dito, hindi dapat asahan ng negosyo ang AI na magbigay ng isang mabilis na pag-aayos para sa mga umuusbong na hamon ng malaking data at ang IoT. Ang curve ng pagkatuto para sa parehong mga tao at machine ay malamang na medyo mahaba, at ang mga resulta ay hindi sigurado sa pinakamainam.
Ngunit kung ang lahat ng ito ay gumagana tulad ng binalak, kapwa ang enterprise at ang kaalaman sa paggawa ay dapat makakita ng malaking benepisyo sa katagalan. Isipin lamang ang pinaka-makamundo, nakakapagod at oras na gawain na nagpapabagal sa iyong mga proseso sa sandaling ito at isipin na hindi na nila ito muling gagawin.