Πρωτοποριακή Enterprise AI: Μέσα στο MIT-IBM Watson Lab

Δεν δημιουργούνται όλες οι τεχνητές νοημοσύνη ίσες. Ανάλογα με το πρόβλημα που προσπαθεί να λύσει, μια συγκεκριμένη λύση τεχνητής νοημοσύνης προέρχεται με μερικούς διαφορετικούς τρόπους. Η μέση εταιρεία προώθησης τεχνολογίας που ενδιαφέρεται να αξιοποιήσει την τεχνητή νοημοσύνη για την επίλυση επιχειρηματικών προκλήσεων μπορεί να δημιουργήσει μια μικρή, εσωτερική ομάδα επιστημόνων δεδομένων χρησιμοποιώντας έναν συνδυασμό προσαρμοσμένου και προσαρμοσμένου κώδικα ανοιχτού κώδικα. Σε άλλες περιπτώσεις, η ιδιόκτητη έρευνα τεχνητής νοημοσύνης θα μπορούσε ακόμη και να αγοραστεί μέσω συγχώνευσης ή εξαγοράς — μια ενοικίαση κεκτημένου, όπως αποκαλείται μερικές φορές.

Ως ηγέτης στην τεχνητή νοημοσύνη, η IBM έχει βρει μια μέση λύση και την οδηγεί σε μερικά από τα πιο συναρπαστικά έργα που έχουν δει ποτέ στο διάστημα. Μόλις πριν από δύο χρόνια, η IBM άνοιξε το MIT-IBM Watson AI Lab , ένας ερευνητικός οργανισμός βιομηχανίας αφιερωμένος στην προσέλκυση και δημιουργία προσφορών τεχνητής νοημοσύνης αιχμής σε πολλούς διαφορετικούς τομείς όπως η υγειονομική περίθαλψη, η ασφάλεια και τα οικονομικά.



Υπάρχει σχεδόν πάντα σαφής διαχωρισμός μεταξύ της ακαδημαϊκής έρευνας και της βιομηχανικής εφαρμογής των αναδυόμενων τεχνολογιών και η τεχνητή νοημοσύνη δεν διαφέρει. Η ακαδημαϊκή έρευνα βασίζεται συχνά σε περιπτώσεις θεωρητικής χρήσης με μεταδευτεροβάθμια σχολή που ορίζει χρονοδιαγράμματα τριών και πλέον ετών για να γίνει μάρτυρας απτής επίδρασης σε έναν κλάδο. Και τις περισσότερες φορές, είναι περισσότερο από αυτό.



Ο ακαδημαϊκός κόσμος ενδιαφέρεται να δοκιμάσει τα όρια της έρευνας της τεχνητής νοημοσύνης και να χρησιμοποιήσει αυτούς τους πόρους για την επίλυση προβλημάτων που ο κλάδος απέχει χρόνια να αντιμετωπίσει. ένα σενάριο που δημιουργεί ρήγματα σε ένα επιχειρηματικό κλίμα όπου ο ανταγωνισμός κινείται τόσο γρήγορα που το να είσαι πρώτος μετράει πολύ. Με αυτή τη δυναμική, οι επιχειρήσεις συνήθως απομακρύνονται από βαθιές ακαδημαϊκές συνεργασίες και αντ' αυτού απλώς παρέχουν χρηματοδότηση με την ελπίδα να ενισχύσουν την καλή θέληση. Αυτή η πρακτική οδηγεί συχνά στην πρόσληψη αυτών των ερευνητών αντί στη δημιουργία μιας λύσης τεχνητής νοημοσύνης με δίπλωμα ευρεσιτεχνίας και παραδοτέα.

Η IBM, ωστόσο, είναι επενδύοντας 240 εκατομμύρια δολάρια ΗΠΑ σε 10 χρόνια για τη χρηματοδότηση του εργαστηρίου. Ο τεχνολογικός γίγαντας πληρώνει ένα τέταρτο δισεκατομμυρίων δολαρίων για να κρατήσει μερικούς από τους πιο έξυπνους ανθρώπους στον κόσμο σε συσκευές συγκράτησης και να δημιουργήσει λύσεις που έχουν τη δυνατότητα να επαναπροσδιορίσουν την εμφάνιση και την εμφάνιση της σύγχρονης τεχνητής νοημοσύνης.



Το σύνηθες μοντέλο είναι ότι η βιομηχανία ζητά κάτι που θέλει, τότε οι ακαδημαϊκοί θα ανταποκριθούν στην πρόσκληση. Η βιομηχανία θα βάλει χρήματα πάνω από τον τοίχο, τότε καλώς ή κακώς το ίδρυμα παίρνει αυτά τα χρήματα, λέει ευχαριστώ και πηγαίνει και κάνει ό,τι θέλει να κάνει, εξηγεί ο David Cox, διευθυντής της IBM του MIT-IBM Watson. AI Lab.

Ενώ η χρηματοδότηση (η οποία έρχεται με τη μορφή επιχορηγήσεων και δωρεών) είναι χρήσιμη, στην πράξη ανέρχεται σε παιδικά βήματα. Οι ιστορικές εξελίξεις στην επιχειρηματική τεχνητή νοημοσύνη βασίζονται σε ακαδημαϊκές ανακαλύψεις. Η ιστορική ερευνητική εργασία του Geoffrey Hinton το 1986 «Learning αναπαραστάσεις με οπισθοδιαδιδόμενα σφάλματα» εφηύρε τη βαθιά μάθηση (έχει αναφερθεί σχεδόν 18.000 φορές) και η εργασία του 2012 «ImageNet Classification with Deep Convolutional Neural Networks» έφερε τη μηχανική μάθηση στις μάζες, επιτρέποντας σε εταιρείες όπως Η Google - η οποία στην πραγματικότητα δημιούργησε τον Hinton ως επικεφαλής ερευνητή για το Google Brain - για να γίνει οι ηγέτες στην τεχνητή νοημοσύνη που είναι σήμερα.

Το εργαστήριο MIT-IBM, καθώς και η έρευνα που διεξήχθη σε αυτό, είναι προφανώς εντυπωσιακά. Ως κεντρικό σημείο συνάντησης για τα κορυφαία ταλέντα της τεχνητής νοημοσύνης (το MIT έχει καταταχθεί ως το νούμερο ένα πανεπιστήμιο στον κόσμο τα τελευταία επτά χρόνια), η απόφαση να συνεργαστείτε είναι εύκολη. Ωστόσο, το μεγαλύτερο ερώτημα περιστράφηκε γύρω από το πώς η IBM θα περπατούσε στη λεπτή γραμμή μεταξύ της χρηματοδότησης της ακαδημαϊκής έρευνας και στη συνέχεια θα την αναστρέψει για να βρει πραγματικές περιπτώσεις επιχειρηματικής χρήσης.



Μετατροπή της έρευνας AI σε επιχειρηματικές λύσεις

Όσο λεπτή και αν είναι, υπάρχει τρόπος να το χειριστείς και έχει να κάνει με τους διαφορετικούς τρόπους σύλληψης των έργων τεχνητής νοημοσύνης. Επί του παρόντος, υπάρχουν πάνω από 3.000 εργαζόμενοι που εργάζονται μόνο στον ερευνητικό κλάδο της IBM, με ένα μεγάλο τμήμα επιστημόνων δεδομένων. Αυτό το τμήμα της IBM είναι απίστευτα κατάλληλο, με τους νομπελίστες και τους νικητές του βραβείου Turing να περπατούν στις αίθουσες. Ωστόσο, δημιουργούν επιχειρηματικές λύσεις που οι πελάτες μπορούν να αναπτύξουν μέσα σε αυστηρές προθεσμίες κάτω του ενός έτους: Οι διεπαφές αναγνώρισης, οι μηχανές εξατομίκευσης και άλλες λειτουργίες αναπτύσσονται κάθε εβδομάδα, δημιουργώντας βελτιωμένες πλατφόρμες για εκατομμύρια δευτερεύοντες πελάτες της IBM. Όσο έξυπνη κι αν είναι η ερευνητική ομάδα της IBM, έχει προθεσμίες και παραδοτέα πελατών που δεν θα έπρεπε ποτέ να τηρήσουν οι ομάδες ακαδημαϊκής έρευνας.

MIT-watson-μαύρο άσπρο

Μέσα στο MIT-IBM Watson AI Lab.



Σκεφτείτε ότι η IBM έχει χιλιάδες πελάτες, που κυμαίνονται από εταιρείες του Fortune 500 έως μικρές επιχειρήσεις. Ένα πράγμα είναι κοινό μεταξύ κάθε πελάτη και είναι ότι θέλουν λύσεις που προσφέρουν γρήγορα αξία. Τα εργαστήρια ακαδημαϊκής έρευνας συνήθως δεν εργάζονται σε έργα γρήγορης αξίας, επομένως για μια επιχείρηση, η αξία μιας ακαδημαϊκής συνεργασίας είναι το πλεονέκτημα πρόσληψης που πηγάζει από την καλή θέληση.

Πραγματικά αυτό που συμβαίνει στα παρασκήνια είναι ότι η βιομηχανία δεν δίνει τόσα χρήματα για να έχει ένα αποτέλεσμα από την άποψη της τεχνολογίας, αλλά για να έχει απλώς μια επιλογή να προσλάβει φοιτητές από τα μέλη ΔΕΠ, λέει ο Cox. Οι επενδύσεις δημιουργούν περισσότερο σχέσεις από οτιδήποτε άλλο. Δεν υπάρχει ένας τόνος πραγματικής δημιουργίας τεχνολογίας, και αυτό αντανακλάται στα ποσά σε δολάρια της βιομηχανίας που χρηματοδοτεί την ακαδημαϊκή κοινότητα. Τείνει να είναι μικρότερα ποσά με μικρότερες δεσμεύσεις. Στην πραγματικότητα απλώς αγοράζουν καλή θέληση στην ερευνητική κοινότητα.

Το ακραίο τέλος αυτού του φάσματος συνέβη το 2015 όταν η Uber κατέκτησε το ένα τρίτο του κέντρου μηχανικής ρομποτικής του Carnegie Mellon για να σχηματίσει το Uber Pittsburgh και να ερευνήσει την αυτόνομη οδήγηση. Η εταιρεία κοινής χρήσης βόλτας είχε συνεργαστεί στο παρελθόν με το πανεπιστήμιο, αλλά αυτή η καλή θέληση οδήγησε σε 50 και πλέον ερευνητές να φύγουν για να γίνουν μηχανικοί στην Uber.

Επειδή εργαζόμαστε μαζί σε επίπεδο κώδικα και όχι μόνο σε σχέσεις, μπορούμε να κάνουμε πολλά περισσότερα εδώ. – David Cox, Διευθυντής, IBM-MIT Watson AI Lab.

Καταστάσεις παρόμοιες με τη λαθροθηρία του ερευνητικού ταλέντου της Uber είναι συνήθως αυτό που συμβαίνει όταν η βιομηχανία και ο ακαδημαϊκός κόσμος δημιουργούν συνεργασίες, αν και όχι πάντα σε αυτόν τον βαθμό. Η IBM και το MIT χάραξαν ένα νέο μονοπάτι, κυρίως λόγω του ότι η IBM κατέχει μερίδιο σε ό,τι συμβαίνει μέσα στο εργαστήριο. Γνωρίζουν ότι αυτές οι λύσεις μπορεί να μην τεθούν σε κυκλοφορία παρά μόνο μετά από χρόνια, και αυτές που ήδη δείχνουν υπόσχεση μοιάζουν να επηρεάζουν ολόκληρους κλάδους για τις επόμενες δεκαετίες.

Αυτό είναι κάτι διαφορετικό και νομίζω ότι είναι πολύ σημαντικό το πώς είναι διαφορετικό, εξηγεί η Cox. Η έρευνα της IBM μοιάζει σχεδόν με το ίδιο το πανεπιστήμιο. Εργαζόμαστε μαζί σε έργα με το MIT και αυτό αλλάζει πραγματικά την εξίσωση. Σημαίνει ότι έχουμε μερίδιο - δεν έχουμε κατασκόπους. Κάνουμε πραγματικά αυτά τα έργα με συναδέλφους. Αυτή είναι μια ενδιαφέρουσα πρόκληση για να πραγματοποιηθούν αυτές οι συνεργασίες - δεν γίνονται από μόνες τους. Χρειαζόμαστε τους ερευνητές να βρουν ο ένας τον άλλον από κάτω προς τα πάνω και μετά να προτείνουν ποια είναι τα πιο ενδιαφέροντα προβλήματα για να δουλέψουμε.

Η ίδια η IBM έχει στρατηγικούς στόχους που πρέπει να επιτευχθούν. Προκειμένου να ζητήσουν έργα για το εργαστήριο, ξεκινούν RFP. Το εργαστήριο αναζητά προτάσεις που θα προωθήσουν τους Αλγόριθμους AI, τη Φυσική της Τεχνητής Νοημοσύνης, τις Εφαρμογές της Τεχνητής Νοημοσύνης και την Προώθηση της Κοινής Ευημερίας μέσω AI και θα απονείμουν έως και 400.000 $ ετησίως για κάθε έργο. Ο πρώτος γύρος προτάσεων ξεκίνησε 48 έργα από μια ομάδα 186 αιτήσεων και η δεύτερη πρόσκληση υποβολής έργων μόλις ολοκληρώθηκε τον περασμένο μήνα.

Προβλήματα χωρίς λύσεις

Η IBM εξηγεί ποια θεωρούν σημαντικά προβλήματα που κινούν τη βελόνα τόσο για την ίδια την εταιρεία όσο και για τους πελάτες της. Στη συνέχεια, οι ερευνητές του MIT/IBM —περίπου 100 συνολικά— συγκεντρώνονται για να βρουν τη σωστή κατεύθυνση για την επίλυση αυτών των προβλημάτων. Είναι μια πραγματικά συνεργατική προσέγγιση από πάνω προς τα κάτω, σύμφωνα με τον Cox. Αυτό είναι το βήμα όπου οι περισσότερες εταιρείες αποσυνδέονται από πιθανές επιχειρηματικές λύσεις AI. Σε τελική ανάλυση, ένα τριετές έργο που μπορεί ή όχι να επιστρέψει μια παραδοτέα λύση -με την πρόσθετη πιθανότητα ότι η λύση θα χρειαστούν ακόμη χρόνια για να ξεκινήσει πραγματικά - δεν είναι κάτι στο οποίο οι περισσότεροι οργανισμοί θέλουν να είναι μέρος.

Το καλό είναι ότι όταν σχεδόν 50 έργα χρηματοδοτούνται και ερευνώνται, τουλάχιστον μερικά θα επιδείξουν εφαρμογή στον πραγματικό κόσμο μέσα σε σύντομο χρονοδιάγραμμα, και αυτό το παράθυρο θα κατασχεθεί.

Αν δούμε μια ευκαιρία, φυσικά θα την εκμεταλλευτούμε, λέει ο Cox.

mitwatsonibmai

Επισημαίνει την έρευνα που κάνει αυτή τη στιγμή το εργαστήριο στον τομέα της αρχιτεκτονικής νευρωνικών δικτύων, που είναι η ικανότητα χρήσης τεχνητής νοημοσύνης για το σχεδιασμό έργων τεχνητής νοημοσύνης. Η IBM συνεργάστηκε με τον καθηγητή του MIT Song Han για να αναπτύξει μια τεχνική αναζήτησης νευρωνικής αρχιτεκτονικής (NAS) που δημιούργησε ένα συνελικτικό νευρωνικό δίκτυο (CNN), το οποίο βοηθά στην ταξινόμηση και την ανίχνευση εικόνων. Πριν από αυτό το έργο, χρειάστηκαν 48.000 ώρες GPU για τη δημιουργία ενός μόνο CNN. Η έρευνα του Han μείωσε τις 200 ώρες GPU.

Ο Cox και άλλα μέλη του εργαστηρίου αναγνώρισαν αυτή την ευκαιρία αμέσως και προσέλαβαν έναν από τους μαθητές του Han ως ασκούμενο, κάτι που του παρείχε πρόσβαση στα συστήματα και τους πόρους της IBM με πολύ πιο άμεσο τρόπο. Τώρα το εργαστήριο εργάζεται για τη μετάβαση των τεχνικών NAS ώστε να γίνει ένα βιώσιμο προϊόν που μπορεί σύντομα να είναι σε θέση να κυκλοφορήσει στους εταιρικούς πελάτες της IBM.

Είναι ένα ενδιαφέρον μοντέλο όπου η ίδια η ακαδημαϊκή κοινότητα μπορεί να δυσκολεύεται να δει αυτό το είδος του αντίκτυπου τόσο γρήγορα, λέει ο Cox. Αλλά επειδή η IBM είναι ακριβώς εκεί, είμαστε ήδη εξοικειωμένοι και έχουμε κόσμο, και είμαστε επίσης δίπλα στους ανθρώπους που κατέχουν το προϊόν, οπότε μπορούμε να προχωρήσουμε και να προχωρήσουμε κατευθείαν σε αυτήν τη συμπερίληψη του προϊόντος.

Εργαζόμαστε μαζί σε έργα με το MIT και αυτό αλλάζει πραγματικά την εξίσωση. Σημαίνει ότι έχουμε μερίδιο - δεν έχουμε κατασκόπους. – Ντέιβιντ Κοξ

Από επιχειρηματική σκοπιά, τα CNN βοηθούν πραγματικά με την κυκλοφορία, όπως η εφαρμογή επεξεργασίας φυσικής γλώσσας, μια τεράστια τάση λαμβάνοντας υπόψη πόσο δημοφιλής γίνεται η τεχνολογία φωνής. Αυτό το ερευνητικό έργο έχει τη δυνατότητα να βοηθήσει οποιαδήποτε εταιρεία μεγέθους να δημιουργήσει τους δικούς της επεξεργαστές φυσικής γλώσσας αντί να κάνει piggyback στις τρέχουσες διαθέσιμες πλατφόρμες. Εάν περισσότερες ΜΜΕ μπορούν να πειραματιστούν με προσαρμοσμένους επεξεργαστές γλώσσας, ολόκληρη η βιομηχανία θα προχωρήσει όπως ποτέ πριν.

Αυτή είναι η διαφοροποίηση μεταξύ της έρευνας για την επιχειρηματική τεχνητή νοημοσύνη και της ακαδημαϊκής κοινότητας - ο ένας δημιουργεί ένα μέρος του σώματος, ενώ το άλλο δημιουργεί έναν εγκέφαλο.

Επειδή εργαζόμαστε μαζί σε επίπεδο κώδικα και όχι μόνο σε σχέσεις, μπορούμε να κάνουμε πολλά περισσότερα εδώ, λέει ο Cox. Χρηματοδοτώντας ενεργά στόχους Τεχνητής Νοημοσύνης μακροπρόθεσμου ορίζοντα, ενώ έχουν επίσης τα μέσα για να κατανοήσουν την έρευνα με γρήγορη δράση και να δημιουργήσουν έσοδα όταν χρειάζεται, οι πελάτες της IBM βρίσκονται σε μια κατάσταση win-win.

Στο παρελθόν, η Cox το είχε εξηγήσει λέγοντας ότι αν κάποιος θέλει να φτάσει στο φεγγάρι, ένας τρόπος για να πλησιάσει είναι να ανέβει ένα βουνό. Αυτό μπορεί τεχνικά να φέρει το άτομο πιο κοντά στον στόχο του, αλλά δεν είναι ο σωστός δρόμος. Εστιάστε την προσοχή σας στο να κάνετε το μεγάλο άλμα και κατασκευάστε έναν πύραυλο. Οι πρόοδοι όπως η έρευνα του εργαστηρίου στις τεχνικές NAS είναι ένας πύραυλος, ενώ αυτές οι παραδοσιακές πλατφόρμες τεχνητής νοημοσύνης του σήμερα - chatbot και δομημένη αναγνώριση εικόνων - σκαρφαλώνουν στο βουνό.

Παίρνουμε τους πελάτες να μας καθοδηγήσουν για τα προβλήματα που βλέπουν, τότε μπορούμε να φέρουμε τη δύναμη πυρός αυτών των πραγματικά ευφυών ερευνητών, λέει ο Cox. Λένε «καλά, εντάξει, εξετάσαμε αυτό το πρόβλημα και αυτό είναι κάτι που η σημερινή τεχνητή νοημοσύνη δεν θα βοηθήσει, αλλά μπορούμε να εφεύρουμε νέα τεχνητή νοημοσύνη για να σπάσουμε αυτό το φράγμα».

Για μια πιο πρακτική λύση που βασίζεται στην ανησυχία του πραγματικού κόσμου, σκεφτείτε το ως εξής: Το ένα τρίτο των τροφίμων που παράγονται για ανθρώπινη κατανάλωση χάνεται ή σπαταλάται. Πώς μπορεί η τεχνητή νοημοσύνη να σπάσει αυτό το φράγμα; Ο τρόπος με τον οποίο λειτουργεί το εργαστήριο είναι τέτοιος που δεν δημιουργεί απαραίτητα λύσεις που απευθύνονται σε μία επιχείρηση, αλλά αντ' αυτού ερευνούν βήματα προς τα εμπρός που θα επανεφεύρουν τον τρόπο με τον οποίο οι εταιρείες αντιμετωπίζουν τις προκλήσεις στον κλάδο τους.

David-cox-ibm-watson-mit

Ο διευθυντής του εργαστηρίου Ντέιβιντ Κοξ.

Μια ομάδα στο εργαστήριο αυτή τη στιγμή δημιουργεί ένα σύστημα που κατασκευάζει και δοκιμάζει νέες δομικές πρωτεΐνες που θα λειτουργούν ως βρώσιμες ασπίδες για να περιβάλλουν τα ευπαθή τρόφιμα, παρατείνοντας τη διάρκεια ζωής τους κατά ένα τεράστιο διάστημα. Χρησιμοποιώντας μηχανική μάθηση, οι ερευνητές αναλύουν αλληλουχίες αμινοξέων που κάνουν μια πρωτεΐνη εδώδιμη και στη συνέχεια χρησιμοποιούν αποκλειστικούς αλγόριθμους για να επιταχύνουν τη δομική μοντελοποίηση και να δουν πώς λειτουργούν αυτές οι πρωτεΐνες σε ζωντανό περιβάλλον.

Περισσότερο σύμφωνα με την ακαδημαϊκή τεχνητή νοημοσύνη, δεν υπάρχει χρονοδιάγραμμα για το πότε αυτή η λύση μπορεί να φτάσει στα ράφια. Ωστόσο, το μακρύ παιχνίδι έχει σημασία εδώ, καθώς η IBM μετρά ως πελάτες τεράστιους λιανοπωλητές τροφίμων όπως η Albertsons και η Walmart. Και οι δύο ασχολούνται ήδη με τον τεχνολογικό γίγαντα σε εκκολαπτόμενες τεχνολογίες, όπως η διαχείριση αποθεμάτων blockchain, επομένως η δυνατότητα μεταφοράς μιας λύσης συντήρησης τροφίμων με τεχνητή νοημοσύνη είναι πολύ εντός του πεδίου των δυνατοτήτων.

Κλιμάκωση πέρα ​​από την επιχείρηση

Ανά πάσα στιγμή, το εργαστήριο IBM-MIT έχει δεκάδες ενεργά ερευνητικά έργα τεχνητής νοημοσύνης, αλλά ο γενικός στόχος για το εργαστήριο είναι αυτός που κινεί τη βελόνα προς τα εμπρός για κάθε μέγεθος επιχείρησης: Καταργήστε τα εμπόδια που αντιμετωπίζετε κατά την εφαρμογή της τεχνητής νοημοσύνης.

Η επένδυση στην τεχνητή νοημοσύνη κοστίζει πολλά χρήματα και απαιτεί πολύ χρόνο μαζί με τεράστιες δεξαμενές δεδομένων για την ουσιαστική εκπαίδευση μιας πλατφόρμας μηχανικής εκμάθησης. Για τις περισσότερες ΜΜΕ, απλά δεν αξίζει η επένδυση για τη δημιουργία εσωτερικών λύσεων, επειδή, τουλάχιστον, είτε δεν έχουν αρκετά δεδομένα είτε δεν μπορούν να δομήσουν τα υπάρχοντα δεδομένα τους για να τα βελτιστοποιήσουν για τις τρέχουσες λύσεις τεχνητής νοημοσύνης. Για να σπάσει αυτό το εμπόδιο, το εργαστήριο εργάζεται προς μια μετατόπιση από αυτό που η IBM αποκαλεί «στενή τεχνητή νοημοσύνη» σε «ευρεία τεχνητή νοημοσύνη», που είναι η ικανότητα του AI να μαθαίνει από μικρότερα κατακερματισμένα σύνολα δεδομένων.

Ακόμη και από την προοπτική μιας επιχείρησης με σχεδόν απεριόριστους πόρους, υπάρχουν ορισμένες προκλήσεις που η ευρεία τεχνητή νοημοσύνη δεν θα μπορέσει ποτέ να λύσει. Ασφάλεια στον κυβερνοχώρο, για παράδειγμα — ένας αλγόριθμος δεν μπορεί να εκπαιδευτεί σε εκατομμύρια εισβολές στο δίκτυο, επειδή η πρώτη έχει νόημα και όταν εντοπιστεί, είναι πολύ αργά. Μπορεί να υπάρχουν τρόποι να το αντιμετωπίσουμε, αλλά πολλά συστήματα τεχνητής νοημοσύνης απλά δεν θα δουν ποτέ αρκετά δεδομένα ή θα είναι πολύ ακριβό να αποκτήσουν και να εξασφαλίσουν τα δεδομένα.

Η σημερινή τεχνητή νοημοσύνη είναι συναρπαστική και ενοχλητική, αλλά υπάρχουν πάρα πολλά προβλήματα –ίσως και τα περισσότερα προβλήματα– που έχουν οι επιχειρήσεις που δεν εξυπηρετούνται καλά από τα είδη εργαλείων που παρέχει, για παράδειγμα, η βαθιά μάθηση, λέει ο Cox.

Ένα μεγάλο μέρος αυτού που συζητάμε είναι η μείωση αυτών των φραγμών για την εργασία σε μεγάλα και μικρά δεδομένα. Είμαστε απόδειξη ότι μπορείτε να εργαστείτε με μικρά σύνολα δεδομένων. Δεν χρειάζεται να δούμε χιλιάδες και εκατομμύρια παραδείγματα για να μπορέσουμε να λειτουργήσουμε. Το σύγχρονο AI, όσο ισχυρό κι αν είναι, χρειάζεται ένα βουνό δεδομένων για να λειτουργήσει.

Οι επιχειρήσεις αυτή τη στιγμή λειτουργούν βασισμένες σε ανθρώπους που μπορούν να εξετάσουν μικρές ομάδες δεδομένων και να λάβουν αποφάσεις σε διάφορους κλάδους. Αυτό είναι το business 101—οι πιο επιτυχημένοι ηγέτες αναγνωρίζουν τις τάσεις και ενεργούν σύμφωνα με αυτές. Το εργαστήριο εργάζεται για να δώσει τη δυνατότητα στην τεχνητή νοημοσύνη να ενεργεί με παρόμοιο τρόπο, και όταν συμβεί αυτή η αλλαγή, θα είναι μνημειώδης. Αναγνωρίστε τις τάσεις σε διαφορετικούς κλάδους και ομάδες δεδομένων και, στη συνέχεια, λάβετε τεκμηριωμένες αποφάσεις που να ισχύουν για μια συγκεκριμένη επιχειρηματική περίπτωση.

Αυτό θα είναι απολύτως ανατρεπτικό, λέει η Cox. Καθώς φτάνουμε σταδιακά στο σημείο όπου μπορείτε να λειτουργήσετε με τον αριθμό των παραδειγμάτων που χρειάζεται ένας άνθρωπος και όχι με τον αριθμό των παραδειγμάτων που χρειάζεται ένα εποπτευόμενο βαθύ νευρωνικό δίκτυο, αυτό θα ανοίξει μια τεράστια γκάμα εφαρμογών.

Kategori: Νέα