Если вы будете следить за новостями об искусственном интеллекте, вы обнаружите две расходящиеся темы. СМИ и кино часто изображают ИИ с человеческими способностями, массовой безработицей и возможным апокалипсисом роботов. Научные конференции, с другой стороны, обсуждают прогресс в направлении искусственного общего интеллекта, признавая при этом, что нынешний ИИ слаб и не способен выполнять многие основные функции человеческого разума.

Но независимо от того, какое место они занимают по сравнению с человеческим интеллектом, сегодняшние алгоритмы ИИ уже стали определяющим компонентом для многих секторов, включая здравоохранение, финансы, производство, транспорт и многие другие. И очень скоро ни одна область человеческой деятельности не останется независимой от искусственного интеллекта, как объясняют профессора Гарвардской школы бизнеса Марко Янсити и Карим Лахани в своей книгеКонкуренция в эпоху ИИ: стратегия и лидерство, когда алгоритмы и сети Управляй миром.

На самом деле слабый ИИ уже привел к росту и успеху таких компаний, как Google, Amazon, Microsoft и Facebook, и влияет на повседневную жизнь миллиардов людей. Как рассуждают Лахани и Янсити в своей книге: «Нам не нужна идеальная человеческая копия, чтобы расставлять приоритеты в контенте в социальной сети, делать идеальный капучино, анализировать поведение клиентов, устанавливать оптимальную цену или даже, по-видимому, рисовать в стиле Рембрандта. Несовершенного, слабого ИИ уже достаточно, чтобы изменить характер фирм и то, как они работают».

Стартапы, которые понимают правила ведения бизнеса на основе ИИ, смогли создать новые рынки и разрушить традиционные отрасли. Устоявшиеся компании, приспособившиеся к эпохе ИИ, выжили и процветают. Те, кто придерживался старых методов, прекратили свое существование или стали маргинализированы после того, как уступили место компаниям, которые использовали возможности ИИ.

Среди многих тем, которые обсуждают Янсити и Лакхани, — концепция фабрик ИИ, ключевой компонент, который позволяет компаниям конкурировать и расти в эпоху ИИ.

Что такое фабрика ИИ?

Соревнования в эпоху ИИ Марко Янсити и Карим Лахани

Ключевыми технологиями искусственного интеллекта, используемыми в современном бизнесе являются алгоритмы машинного обучения, статистические механизмы, которые могут собирать закономерности из прошлых наблюдений и предсказывать новые результаты. Наряду с другими ключевыми компонентами, такими как источники данных, эксперименты и программное обеспечение, алгоритмы машинного обучения могут создавать фабрики ИИ, набор взаимосвязанных компонентов и процессов, способствующих обучению и росту.

Вот как работает фабрика ИИ. Данные о качестве, полученные из внутренних и внешних источников, обучают алгоритмы машинного обучения делать прогнозы для конкретных задач. В некоторых случаях, таких как диагностика и лечение заболеваний, эти прогнозы могут помочь экспертам-людям в их решениях. В других, таких как рекомендация контента, алгоритмы машинного обучения могут автоматизировать задачи практически без вмешательства человека.

Модель фабрики ИИ, управляемая алгоритмами и данными, позволяет организациям проверять новые гипотезы и вносить изменения, улучшающие их систему. Это могут быть новые функции, добавленные к существующему продукту, или новые продукты, созданные на основе того, что уже есть у компании. Эти изменения, в свою очередь, позволяют компании получать новые данные, улучшать алгоритмы ИИ и снова находить новые способы повышения производительности, создавать новые услуги и продукты, расти и перемещаться по рынкам.

«По сути, фабрика ИИ создает благотворный цикл между взаимодействием с пользователем, сбором данных, разработкой алгоритма, прогнозированием и улучшением», — пишут Янсити и Лакхани в Конкуренция в эпоху ИИ.

Идея построения, измерения, обучения и улучшения не нова. Это обсуждалось и практикуется предпринимателями и стартапами на протяжении многих лет. Но ИИ-фабрики выводят этот цикл на новый уровень, внедряя такие области, как обработка естественного языка и компьютерное зрение, которые еще несколько лет назад имели очень ограниченное проникновение программного обеспечения.

Одним из примеров, который обсуждает Competing in the Age of AI, является компания Ant Financial (теперь известная как Ant Group), основанная в 2014 году, в которой работает 9 000 сотрудников и которая предоставляет широкий спектр финансовых услуг более чем 700 человекам. миллионов клиентов с помощью очень эффективной фабрики искусственного интеллекта (и гениального руководства). Для сравнения, в Bank of America, основанном в 1924 году, работает 209 000 человек, которые обслуживают 67 миллионов клиентов с более ограниченным набором предложений.

«Ant Financial — это просто другая порода», — пишут Янсити и Лакхани.

Инфраструктура фабрики ИИ

Кредит изображения: Depositphotos

Известно, что алгоритмы машинного обучения сильно зависят от больших объемов данных. Ценность данных породила такие идиомы, как данные — это новая нефть, клише, которое использовалось во многих статьях.

Но одних только больших объемов данных недостаточно для хороших алгоритмов ИИ. На самом деле многие компании работают с огромными хранилищами данных, но их данные и программное обеспечение существуют в отдельных хранилищах, хранятся непоследовательным образом и в несовместимых моделях и платформах.

«Несмотря на то, что клиенты рассматривают предприятие как единое целое, внутренние системы и данные по подразделениям и функциям, как правило, фрагментированы, что предотвращает агрегирование данных, задерживает получение информации и делает невозможным использование возможностей аналитики и ИИ». Янсити и Лахани пишут.

Кроме того, перед подачей в алгоритмы ИИ данные должны быть предварительно обработаны. Например, вы можете использовать историю прошлой переписки с клиентами для разработки чат-бота с искусственным интеллектом, который автоматизирует части вашей поддержки клиентов. В этом случае текстовые данные должны быть консолидированы, размечены, очищены от лишних слов и знаков препинания и подвергнуты другим преобразованиям, прежде чем их можно будет использовать для обучения модели машинного обучения.

Даже при работе со структурированными данными, такими как записи о продажах, могут быть пробелы, недостающая информация и другие неточности, которые необходимо устранить. А если данные поступают из разных источников, их необходимо агрегировать таким образом, чтобы не возникало неточностей. Без предварительной обработки вы будете обучать свои модели машинного обучения на низкокачественных данных, что приведет к плохой работе систем ИИ.

И, наконец, внутренних источников данных может оказаться недостаточно для разработки конвейера ИИ. Иногда вам нужно будет дополнить свою информацию внешними источниками, такими как данные, полученные из социальных сетей, фондового рынка, источников новостей и т. д. Примером может служить BlueDot, компания, которая использует машинное обучение для прогнозирования распространения инфекционных заболеваний. Для обучения и запуска своей системы искусственного интеллекта BlueDot автоматически собирает информацию из сотен источников, включая заявления организаций здравоохранения, коммерческие рейсы, отчеты о здоровье скота, климатические данные со спутников и новостные сводки. Большая часть усилий и программного обеспечения компании предназначена для сбора и объединения данных.

В статье Соревнуясь в эпоху ИИ авторы вводят понятие «конвейер данных», набор компонентов и процессов, которые консолидируют данные из различных внутренних и внешних источников, очищают данные, интегрируют их, обрабатывает его и сохраняет для использования в различных системах ИИ. Однако важно то, что конвейер данных работает «систематически, устойчиво и масштабируемо». Это означает, что должно быть минимальное количество ручных усилий, чтобы не создавать узких мест на фабрике ИИ.

Янсити и Лакхани также подробно рассказывают о проблемах, связанных с другими аспектами фабрики искусственного интеллекта, таких как установление правильных показателей и функций для алгоритмов машинного обучения под наблюдением, поиск правильного разделения между экспертным пониманием человека и прогнозами искусственного интеллекта, а также решение проблем. проведения экспериментов и подтверждения результатов.

«Если данные — это топливо, питающее фабрику ИИ, то инфраструктура — это трубы, по которым топливо доставляется, а алгоритмы — это машины, которые выполняют работу. Экспериментальная платформа, в свою очередь, управляет клапанами, которые соединяют новое топливо, трубы и машины с существующими операционными системами», — пишут авторы.

Стать ИИ-компанией

Во многих отношениях создание успешной ИИ-компании — это не только инженерная задача, но и управление продуктом. На самом деле, многие успешные компании придумали, как построить правильную культуру и процессы на давно существующей технологии искусственного интеллекта вместо того, чтобы пытаться встроить последние разработки в области глубокого обучения в неработающую инфраструктуру.

И это касается как стартапов, так и давно существующих фирм. Как объясняют Янсити и Лахани в статье Конкуренция в эпоху ИИ, выживают технологические компании, которые постоянно меняют свои операционные и бизнес-модели.

«Для традиционных фирм стать компанией, основанной на программном обеспечении и управляемой искусственным интеллектом, означает стать другой организацией, привыкшей к постоянной трансформации», — пишут они. «Речь идет не о выделении новой организации, создании случайных скунсов или создании отдела искусственного интеллекта. Речь идет о фундаментальном изменении ядра компании путем создания ориентированной на данные операционной архитектуры, поддерживаемой гибкой организацией, которая обеспечивает постоянные изменения».

В разделе Конкуренция в эпоху ИИ есть множество соответствующих тематических исследований. Это включает в себя истории стартапов, которые построили фабрики ИИ с нуля, такие как Peleton, который разрушил традиционный рынок домашнего спортивного оборудования, до Ocado, который использовал ИИ для оцифровки бакалейных товаров, рынок, который зависит от очень низкой нормы прибыли. Вы также прочтете об авторитетных технологических фирмах, таких как Microsoft, которым удалось процветать в эпоху ИИ, пройдя через многочисленные преобразования. И есть истории о том, что традиционные компании, такие как Walmart, использовали оцифровку и искусственный интеллект, чтобы избежать участи таких компаний, как Sears, давний гигант розничной торговли, который объявил о банкротстве в 2018 году.

Развитие ИИ также придало новое значение «сетевым эффектам» — феномену, который изучали технологические компании с момента основания первых поисковых систем и социальных сетей. В Конкуренция в эпоху ИИ обсуждаются различные аспекты и типы сетей, а также то, как алгоритмы ИИ, интегрированные в сети, могут ускорить рост, обучение и улучшение продуктов.

Как уже отмечали другие эксперты, достижения в области ИИ будут иметь последствия для всех, кто управляет организацией, а не только для людей, разрабатывающих технологию. Пер Янсити и Лакхани: «Многим лучшим менеджерам придется переоснастить и изучить как фундаментальные знания, лежащие в основе ИИ, так и способы эффективного развертывания технологий в бизнес-моделях и операционных моделях их организаций. Им не нужно становиться учеными данных, статистиками, программистами или инженерами ИИ; скорее, так же, как каждый студент MBA изучает бухгалтерский учет и его значение для бизнес-операций, не желая становиться профессиональным бухгалтером, менеджеры должны делать то же самое с ИИ и связанными с ним технологиями и набором знаний».

Эта статья была первоначально опубликована Беном Диксоном в TechTalks, публикации, в которой рассматриваются тенденции в области технологий, их влияние на наш образ жизни и ведение бизнеса, а также проблемы, которые они решают. Но мы также обсуждаем злую сторону технологий, более темные последствия новых технологий и то, на что нам нужно обратить внимание. Оригинал статьи можно прочитать здесь.

Опубликовано 1 января 2021 г. — 22:00 UTC.

Первоначально опубликовано на https://thenextweb.com 1 января 2021 г.