Ако следите новините за изкуствения интелект, ще откриете две различни теми. Медиите и киното често представят AI с „човешки способности“, масова безработица и възможен апокалипсис на роботи. Научните конференции, от друга страна, обсъждат напредъка към „изкуствен общ интелект“, като същевременно признават, че „настоящият ИИ е слаб“ и неспособен на много от основните функции на човешкия ум.

Но независимо от това къде се намират в сравнение с човешкия интелект, днешните AI алгоритми вече са се превърнали в „определящ компонент за много сектори“, включително здравеопазване, финанси, производство, транспорт и много други. И много скоро „нито една област на човешка дейност няма да остане независима от изкуствения интелект“, както обясняват професорите от Harvard Business School Марко Янсити и Карим Лахани в книгата си„Конкуренция в епохата на изкуствения интелект“: Стратегия и лидерство при алгоритми и мрежи Управлявай света.

Всъщност слабият AI вече доведе до растежа и успеха на компании като Google, Amazon, Microsoft и Facebook и оказва влияние върху ежедневния живот на милиарди хора. Както Lakhani и Iansiti обсъждат в своята книга, „Нямаме нужда от перфектна човешка реплика, за да приоритизираме съдържанието в социална мрежа, да направим перфектно капучино, да анализираме поведението на клиентите, да определим оптималната цена или дори, очевидно, да рисуваме в стила на Рембранд. Несъвършеният, слаб изкуствен интелект вече е достатъчен, за да трансформира природата на фирмите и начина, по който работят.“

Стартиращите компании, които разбират правилата за управление на бизнеси, задвижвани от AI, успяха да създадат нови пазари и да разрушат традиционните индустрии. Утвърдени компании, които са се адаптирали към ерата на ИИ, оцеляват и процъфтяват. Тези, които се придържаха към старите методи, престанаха да съществуват или се маргинализираха, след като загубиха позиции пред компании, които са впрегнали силата на ИИ.

Сред многото теми, които Iansiti и Lakhani обсъждат, е концептуалните AI фабрики, ключовият компонент, който позволява на компаниите да се конкурират и растат в ерата на AI.

Какво представлява AI фабриката?

Състезание в ерата на изкуствения интелект от Марко Янсити и Карим Лахани

Ключовите „AI технологии, използвани в днешния бизнес“ са алгоритми за машинно обучение, статистически двигатели, които могат да събират модели от минали наблюдения и да предвиждат нови резултати. Заедно с други ключови компоненти като източници на данни, експерименти и софтуер, „алгоритмите за машинно обучение“ могат да създадат AI фабрики, набор от взаимосвързани компоненти и процеси, които подхранват обучението и растежа.

Ето как работи AI фабриката. Качествените данни, получени от вътрешни и външни източници, обучават алгоритмите за машинно обучение да правят прогнози за конкретни задачи. В някои случаи, като диагностика и лечение на заболявания, тези прогнози могат да „помогнат на човешките експерти в техните решения“. В други, като препоръка за съдържание, алгоритмите за машинно обучение могат да автоматизират задачи с малка или никаква човешка намеса.

Моделът, управляван от алгоритъм и данни на AI фабриката, позволява на организациите да тестват нови хипотези и да правят промени, които подобряват тяхната система. Това може да са нови функции, добавени към съществуващ продукт или нови продукти, изградени върху това, което компанията вече притежава. Тези промени на свой ред позволяват на компанията да получи нови данни, да подобри AI алгоритмите и отново да намери нови начини за увеличаване на производителността, създаване на нови услуги и продукти, растеж и преминаване през пазари.

„По своята същност фабриката за изкуствен интелект създава добродетелен цикъл между ангажираност на потребителите, събиране на данни, проектиране на алгоритъм, прогнозиране и подобрение“, пишат Иансити и Лакхани в Състезание в епохата на ИИ.

Идеята за изграждане, измерване, учене и подобряване не е нова. Той се обсъжда и практикува от предприемачи и стартиращи фирми от много години. Но фабриките за изкуствен интелект извеждат този цикъл на ново ниво, като навлизат в области като „обработка на естествен език“ и „компютърно зрение“, които имаха много ограничено навлизане на софтуера до преди няколко години.

Един от примерите, които обсъжда Competing in the Age of AI, е Ant Financial (сега известна като Ant Group), компания, основана през 2014 г., която има 9000 служители и предоставя широка гама от финансови услуги на повече от 700 милиона клиенти с помощта на много ефективна AI фабрика (и гениално ръководство). За да погледнем това в перспектива, Bank of America, основана през 1924 г., наема 209 000 души, които обслужват 67 милиона клиенти с по-ограничен набор от предложения.

„Ant Financial е просто различна порода“, пишат Янсити и Лахани.

Инфраструктурата на AI фабриката

Кредит на изображението: Depositphotos

Известен факт е, че алгоритмите за машинно обучение разчитат в голяма степен на големи количества данни. Стойността на данните е породила идиоми като „данните са новото масло“, клише, което се използва в „много“ „статии“.

Но големите обеми данни сами по себе си не създават добри AI алгоритми. Всъщност много компании разполагат с огромни складове от данни, но техните данни и софтуер съществуват в отделни силози, съхранявани по непоследователен начин и в несъвместими модели и рамки.

„Въпреки че клиентите гледат на предприятието като на единна единица, вътрешно системите и данните в звената и функциите обикновено са фрагментирани, като по този начин предотвратяват агрегирането на данни, забавяйки генерирането на прозрения и правят невъзможно използването на силата на анализа и AI,“ Янсити и Лахани пишат.

Освен това, преди да бъдат подавани към AI алгоритми, данните трябва да бъдат предварително обработени. Например, може да искате да използвате историята на предишна кореспонденция с клиенти, за да разработите чатбот, задвижван от AI, който автоматизира части от вашата поддръжка на клиенти. В този случай текстовите данни трябва да бъдат консолидирани, токенизирани, лишени от излишни думи и препинателни знаци и да преминат през други трансформации, преди да могат да бъдат използвани за обучение на модела за машинно обучение.

Дори когато работите със структурирани данни, като записи за продажби, може да има пропуски, липсваща информация и други неточности, които трябва да бъдат разрешени. И ако данните идват от различни източници, те трябва да бъдат обобщени по начин, който не причинява неточности. Без предварителна обработка вие ще обучавате вашите модели за машинно обучение на данни с ниско качество, което ще доведе до лошо представяне на AI системи.

И накрая, вътрешните източници на данни може да не са достатъчни за разработване на AI тръбопровода. Понякога ще трябва да допълните информацията си с външни източници, като данни, получени от социални медии, борса, източници на новини и др. Пример за това е BlueDot, компания, която използва машинно обучение „за прогнозиране на разпространението на инфекциозни болести“. За да обучи и управлява своята AI система, BlueDot автоматично събира информация от стотици източници, включително изявления от здравни организации, търговски полети, доклади за здравето на добитъка, климатични данни от сателити и новинарски репортажи. Голяма част от усилията и софтуера на компанията са предназначени за събиране и обединяване на данните.

В Competing in the Age of AI авторите въвеждат концепцията за „тръбопровод за данни“, набор от компоненти и процеси, които консолидират данни от различни вътрешни и външни източници, почистват данните, интегрират ги, обработва го и го съхранява за използване в различни AI системи. Важното обаче е, че тръбопроводът за данни работи по „систематичен, устойчив и мащабируем начин“. Това означава, че трябва да има най-малко ръчно усилие, за да се избегне причиняването на затруднения във фабриката за изкуствен интелект.

Iansiti и Lakhani също така разширяват предизвикателствата, свързани с другите аспекти на AI фабриката, като установяване на правилните показатели и функции за „алгоритми за контролирано машинно обучение“, намиране на правилното разделение между човешки експертни прозрения и AI прогнози и справяне с предизвикателствата провеждане на експерименти и валидиране на резултатите.

„Ако данните са горивото, което захранва AI фабриката, тогава инфраструктурата съставлява тръбите, които доставят горивото, а алгоритмите са машините, които вършат работата. Експерименталната платформа от своя страна контролира клапаните, които свързват ново гориво, тръби и машини към съществуващи оперативни системи“, пишат авторите.

Превръщане в AI компания

В много отношения изграждането на успешна AI компания е толкова предизвикателство за управление на продукти, колкото и инженерно. Всъщност много успешни компании са измислили как да изградят правилната култура и процеси върху отдавна съществуваща AI технология, вместо да се опитват да вместят най-новите разработки в „дълбокото обучение“ в инфраструктура, която не работи.

И това се отнася както за стартиращи фирми, така и за дългогодишни фирми. Както Янсити и Лахани обясняват в Конкуренция в епохата на ИИ, технологичните компании, които оцеляват, са тези, които непрекъснато трансформират своите оперативни и бизнес модели.

„За традиционните фирми превръщането в компания, базирана на софтуер, управлявана от AI, означава да се превърнат в различен вид организация – такава, свикнала с непрекъсната трансформация“, пишат те. „Тук не става въпрос за създаване на нова организация, създаване на случайни skunkworks или създаване на AI отдел. Става въпрос за фундаментална промяна на ядрото на компанията чрез изграждане на ориентирана към данните оперативна архитектура, поддържана от гъвкава организация, която позволява непрекъсната промяна.“

Състезаването в ерата на AI е богато на подходящи казуси. Това включва историите на стартиращи компании, които са изградили фабрики за изкуствен интелект от нулата, като Peleton, който разруши традиционния пазар на домашно спортно оборудване, до Ocado, който използва AI за дигитализиране на хранителни стоки, пазар, който разчита на много ниски маржове на печалба. Ще прочетете и за утвърдени технологични фирми, като Microsoft, които са успели да процъфтяват в ерата на AI, преминавайки през множество трансформации. И има истории за традиционни компании като Walmart, които са използвали дигитализация и AI, за да избегнат съдбата на подобни на Sears, дългогодишният гигант в търговията на дребно, който обяви фалит през 2018 г.

Възходът на AI също така донесе ново значение на „мрежовите ефекти“, феномен, който се изучава от технологичните компании от основаването на първите търсачки и социални мрежи. Състезанието в ерата на AI обсъжда различните аспекти и типове мрежи и как AI алгоритмите, интегрирани в мрежите, могат да стимулират растежа, обучението и подобряването на продуктите.

Както други експерти вече отбелязаха, напредъкът в ИИ ще има отражение върху всички, които управляват организация, а не само за хората, разработващи технологията. Пер Янсити и Лакхани: „Много от най-добрите мениджъри ще трябва да преработят и научат както фундаменталните знания зад AI, така и начините, по които технологията може да бъде ефективно внедрена в бизнес и оперативните модели на тяхната организация. Не е необходимо да стават учени по данни, статистици, програмисти или инженери по изкуствен интелект; по-скоро точно както всеки MBA студент научава за счетоводството и неговата значимост за бизнес операциите, без да иска да стане професионален счетоводител, мениджърите трябва да направят същото с ИИ и свързаните технологии и набор от знания.“

Тази статия е публикувана първоначално от Бен Диксън в TechTalks, публикация, която разглежда тенденциите в технологиите, как те влияят върху начина, по който живеем и правим бизнес, и проблемите, които решават. Но също така обсъждаме злата страна на технологията, по-мрачните последици от новите технологии и за какво трябва да внимаваме. Можете да прочетете оригиналната статия тук.

Публикувано на 1 януари 2021 г. – 22:00 ч. UTC

Първоначално публикувано в https://thenextweb.com на 1 януари 2021 г.