Innehåll
- AI i Hype-cykeln
- Så långt, inte så bra
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Det alla hänger på data
Källa: charles taylor / iStockphoto
Hämtmat:
Det finns mycket hype om artificiell intelligens, hur intelligent är det?
Konstgjord intelligens har fått så stor uppmärksamhet i företagskretsar att många IT-ledare kan ursäktas för att tro att det kommer att ge alla svar på ett alltmer komplex datakosystem. Men även om det verkligen har potential att göra många meningsfulla förbättringar av befintlig teknik, är det också rättvist att säga att vissa av förväntningarna kring dess effektivitet är överdrivna.
Det finns faktiskt relativt liten förståelse för exakt vad AI är, hur den verkligen fungerar och vad den faktiskt kan göra. Och detta leder till breda missuppfattningar kring dess roll i företaget och hur det kommer att relatera till befintlig infrastruktur och de människor som driver den.
AI i Hype-cykeln
Enligt Gartners senaste Hype-cykel är viktiga AI-underuppsättningar som djupt lärande, maskininlärning och kognitiv datoranläggning högst upp i kurvan för Peak Inflated Expectations, vilket innebär att de ligger på den långa bilden i Trough of Disillusionment. Även om detta motsvarar kursen för praktiskt taget alla störande tekniker under de senaste 30 åren, påpekar det faktum att den planerade effekten av AI i företaget, som huvudsakligen härrörde från kontrollerade laboratorietester, håller på att ta sig in i verkligheten av produktionsmiljön. (Kolla in en historik med datorinovationer i Ada Lovelace till Deep Learning.)
Icke desto mindre förväntar Gartner-forskaren Mike Walker att AI kommer att bli allestädes närmast under det kommande decenniet genom en kombination av framstegande datorkraft, vilket leder till utvecklingen av sådana konstruktioner som det neurala nätverket, och det faktum att företagets datainlast har blivit så enormt och så komplicerat att mänskliga operatörer inte längre kan klara sig själva.
En av de första saker som företaget behöver förstå om AI är att det spelar snabbt och löst med termen "intelligens." Som den schweiziska neurovetenskapsmannen Pascal Kaufmann förklarade ZDnet nyligen, det finns stora skillnader i hur en datoralgoritm och en mänsklig hjärna bearbeta information för att komma fram till en slutsats. Med tillräckligt med bearbetningskraft kan en datoralgoritm jämföra miljoner, miljarder, kanske till och med biljoner datauppsättningar för att göra en enkel bestämning, till exempel om en bild av en katt verkligen är en bild av en katt. Men till och med ett litet barn, med mycket få data, kan instinktivt bestämma att det är en katt och för evigt kommer att veta hur en katt är och hur den ser ut.
Med denna standard var till och med det ledande exemplet på AI på jobbet - Google DeepMinds AlphaGos behärskning av strategispelet Go - inte riktigt artificiell intelligens utan ett tvärsnitt av big data, analytics och automatisering som kunde rationalisera en reglerbaserad strategi att vinna. Intressant nog tillägger Kaufmann att ett riktigt exempel på artificiell intelligens skulle vara om AlphaGo hade kommit fram till hur man fuskar för att vinna. För att göra detta måste dock vetenskapen först knäcka "hjärnkoden" som driver vår förmåga att bearbeta information, hämta kunskap och lagra minnen. (Läs mer om automatisering med automatisering: Framtiden för datavetenskap och maskininlärning?)
Så långt, inte så bra
Trots rädsla för att AI håller på att täcka alles jobb är resultaten hittills nästan komiska. Fans av George R.R. Martins "Game of Thrones" är så otåliga för nästa utbetalning av serien att många flockade till ett kapitel av nästan ren gobbledygook skriven av en form av AI som kallas ett återkommande neuralt nätverk. Samtidigt tar IBM flak från onkologiforskare som fick höra att Watson skulle släppa loss en ny era i diagnos och behandling, men i stället kämpar fortfarande bara för att skilja mellan grundläggande former av cancer. Med tanke på denna track record är det mycket möjligt att när AI först introduceras i det typiska företaget kommer det förmodligen att kräva mer ansträngning från mänskliga operatörer bara för att spåra och övervaka alla misstag den kommer att göra.
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Men här är gnuggan: AI kommer att bli bättre med tiden utan att behöva omprogrammeras. Som Cornell Tech-forskaren Daniel Huttenlocker berättade för Tech Crunch nyligen är AI mer benägna att förskjuta traditionell mjukvara - och alla irriterande korrigeringar, uppdateringar och korrigeringar det kräver - än mänskliga operatörer. Detta betyder inte att AI inte behöver programmeras, men att tillvägagångssättet är väldigt förenklat. Med dagens programvara måste programmeraren inte bara definiera den uppgift som ska lösas utan de exakta stegen för att lösa den. Med AI är allt som behövs målet och programvaran ska kunna hantera resten, förutsatt att den har rätt data att arbeta med.
Det alla hänger på data
Den sista punkten är avgörande eftersom, i slutet av dagen, AI helt enkelt är en algoritm och algoritmer är bara lika bra som de data de matas in. Detta innebär att förutom att bygga ett korrekt AI-operativt ramverk måste företaget etablera en ganska kraftig datakonditioneringsmiljö så att analysresultaten kommer att baseras på korrekt information som går in. Som ActiveCampaigns VD Jason VandeBoom sa till Forbes nyligen, den gamla regler om "skräp i lika med skräp ut" gäller fortfarande, så det kan ta ett tag innan organisationer ser de verkliga fördelarna med deras AI-investeringar.
Med tanke på allt detta bör företaget inte förvänta sig att AI ska tillhandahålla en snabb lösning för de nya utmaningarna med big data och IoT. Inlärningskurvan för både människor och maskiner är sannolikt ganska lång, och resultaten är i bästa fall osäkra.
Men om allt fungerar som planerat, bör både företaget och kunskapsarbetarna se betydande fördelar på lång sikt. Tänk bara på den mest vardagliga, tråkiga och tidskrävande uppgift som bromsar dina processer just nu och föreställ dig att aldrig behöva göra dem igen, någonsin.