Mengapa menggunakan kecerdasan buatan memerlukan anjakan minda yang besar

Walaupun AI kini membuat kemajuan yang menggalakkan, ia masih belum menyebabkan perubahan revolusioner dalam banyak industri. Dalam banyak kes, masalahnya tidak semestinya teknologi, tetapi cara orang melihatnya.

"Kuasa dan Ramalan" ialah buku baharu yang ditulis oleh pakar kecerdasan buatan yang meneroka cabaran asas untuk menggunakan teknologi kecerdasan buatan dalam industri yang berbeza. Sekuel kepada Mesin Prediksi mereka yang diiktiraf secara kritikal, buku ini membincangkan perkara yang perlu diubah oleh perniagaan sebelum mereka boleh mendapat manfaat daripada potensi penuh kemajuan dalam kecerdasan buatan.

Daripada penyelesaian titik dan aplikasi kepada sistem kecerdasan buatan, pakar industri meneliti kejayaan dan kegagalan kecerdasan buatan dalam bidang yang berbeza. Mereka juga memberikan cerapan penting daripada revolusi teknologi masa lalu dan menunjukkan cara memikirkan semula dan mereka bentuk sistem AI dari bawah boleh membantu mencipta nilai sebenar berdasarkan pembelajaran mesin yang berkuasa dan algoritma pembelajaran mendalam.

Penyelesaian titik vs sistem AI

Sistem AI hari ini ialah mesin ramalan, bermakna mereka boleh meramalkan perkara yang akan berlaku pada masa hadapan berdasarkan data masa lalu. Inilah yang dilakukan oleh setiap model matematik. Tetapi terima kasih kepada ketersediaan sejumlah besar data dan pengkomputeran, serta kemajuan dalam algoritma pembelajaran mendalam, orang ramai telah dapat mencipta model yang boleh membuat ramalan tentang maklumat kompleks seperti imej, teks dan data berbilang dimensi.

Dalam buku "Kuasa dan Ramalan", penulis membahagikan nilai kecerdasan buatan kepada tiga kategori: penyelesaian titik, penyelesaian aplikasi dan penyelesaian sistem.

Kebanyakan yang dilihat orang setakat ini ialah penyelesaian titik dan penyelesaian aplikasi. Sistem AI ini menggantikan tugas yang memerlukan ramalan sebelum ini. Sebagai contoh, dalam perkhidmatan kewangan, salah satu tugas adalah untuk meramalkan urus niaga yang mana adalah penipuan. Model pembelajaran mesin yang dilatih pada data yang betul boleh mengambil alih tugas ini. Penyelesaian mata adalah hasil kecerdasan buatan yang rendah kerana menerima pakainya hanya memerlukan pelaburan minimum dan perubahan pada sistem asas.

Satu lagi contoh penyelesaian titik ialah menganalisis imbasan radiologi. Kini terdapat beberapa model pembelajaran mendalam yang boleh mengesan pelbagai penyakit daripada imbasan X-ray dan MRI pada tahap yang setanding dengan ahli radiologi berpengalaman.

Mereka mengautomasikan salah satu daripada banyak tugas yang dilakukan oleh ahli radiologi tanpa memerlukan sebarang perubahan pada sistem penjagaan pesakit yang mendasari.

Sistem AI boleh memberikan nilai yang lebih besar dengan mengautomasikan tugas dan masalah baharu yang tidak diselesaikan oleh aplikasi dan sistem semasa. Walau bagaimanapun, sistem AI memerlukan pendekatan kosong, di mana keseluruhan proses, aliran kerja dan aplikasi perlu direka bentuk semula untuk menyelesaikan bukan sahaja masalah sedia ada tetapi juga masalah baharu. Untuk membolehkan mereka berfungsi, sistem AI selalunya memerlukan struktur organisasi baharu dan penjajaran matlamat dan insentif. Ini menjadikan sistem AI lebih sukar dan berisiko, tetapi juga lebih bermanfaat.

Pengarang Power and Prediction menulis: “Penyelesaian sistem selalunya lebih sukar untuk dilaksanakan daripada penyelesaian titik atau gunaan kerana keputusan yang dipertingkatkan AI mempengaruhi keputusan lain dalam sistem dan Penyelesaian Gunaan sering menyebabkan gangguan oleh memperkukuh sistem sedia ada, manakala penyelesaian sistem mengganggu penyelesaian sedia ada, bagaimanapun, dalam banyak kes, penyelesaian sistem mungkin membawa manfaat terbesar kepada pelaburan AI. "Kuasa dan Ramalan", penulis percaya bahawa kita kini berada dalam "era perantaraan" kecerdasan buatan Selepas menyaksikan ini Selepas kuasa teknologi, sebelum diterima pakai secara meluas. Inilah sebabnya mengapa penyelesaian titik kini merupakan kes penggunaan yang lebih menarik dan popular untuk kecerdasan buatan.

Ini mempunyai duluan sejarah. Sebagai contoh, pada akhir abad ke-19, apabila elektrik mula diindustrikan, aplikasi pertamanya ialah penyelesaian titik. Bagi kilang, ini bermakna menggantikan enjin stim dengan motor elektrik untuk mengurangkan kos tenaga. Menukar sumber elektrik tidak memerlukan reka bentuk semula kilang.

Walau bagaimanapun, cadangan nilai sebenar elektrik adalah dalam memisahkan mesin daripada sumber kuasa. Ini membolehkan reka bentuk kilang baharu yang tidak boleh dilakukan di bawah kuasa wap dan menjadikannya lebih produktif dan lebih murah. Tetapi penerimaan itu mengambil masa beberapa dekad kerana ia memerlukan perubahan asas, menghentikan tabiat dan pelaburan awal yang tidak mahu dilakukan oleh perniagaan sedia ada. Usahawan yang merebut peluang itu berjaya mengambil kedudukan utama dan menguasai sebahagian besar pasaran yang kemudiannya menggantikan pasaran lama.

Seseorang boleh melihat perubahan ini dalam banyak industri lain, seperti peningkatan beli-belah dalam talian, kemunculan komputer peribadi dan peralihan daripada media cetak kepada media digital.

Kecerdasan buatan ialah teknologi infrastruktur dan peneraju teknologi telah membandingkan impaknya dengan elektrik. Oleh itu, ini memerlukan mentaliti baharu dan penerokaan yang berani.

Pengarang Power and Prediction menulis: “Transformasi industri dipacu AI mengambil masa, dan tidak jelas bagaimana untuk melakukannya pada mulanya Ramai orang mungkin mencuba dan gagal kerana mereka salah faham keperluan, atau mereka tidak boleh Biarkan ekonomi unit akhirnya, seseorang akan berjaya dan membina jalan ke arah keuntungan the Rules

Pengarang "Power and Prediction" berkata, "Apabila tiada apa-apa, jangan berputus asa jika anda tidak perlu. Maklumat untuk membuat pilihan termaklum boleh mengelakkan akibat daripada melakukan sesuatu secara membuta tuli. . Oleh itu, tidak menghairankan apabila ramalan AI muncul, peluang untuk penggunaannya tidak jelas kepada bakal pembuat keputusan tanpa maklumat ini "

Peluang dalam kecerdasan buatan adalah sukar untuk dikesan kerana ia sering terselindung di sebalik peraturan dan prosedur yang ketat yang berfungsi dengan baik dan telah ditetapkan sejak sekian lama. Peraturan ini menggantikan kekurangan maklumat. Mereka membolehkan orang ramai membuat keputusan tanpa dapat meramalkan hasil yang tepat. Mereka membantu membina sistem yang, walaupun tidak optimum, berfungsi dengan pasti dalam banyak situasi.

Kunci untuk mencari peluang ini ialah, pertama, untuk memahami kuasa mesin ramalan, dan kedua, untuk mencari tempat ramalan boleh menggantikan peraturan yang ditetapkan. Contoh yang sangat menarik yang penulis terokai dalam buku tersebut ialah penggunaan kecerdasan buatan dalam pendidikan.

Terima kasih kepada algoritma pembelajaran mesin dan data sejarah, adalah mungkin untuk meramalkan prestasi pelajar, di mana mereka akan cemerlang dan di mana mereka akan bergelut. Ini memberi kami peluang untuk menyediakan kandungan yang lebih diperibadikan untuk setiap pelajar.

Tetapi model ramalan ini tidak begitu membantu dalam sistem pendidikan semasa, yang berdasarkan kurikulum berasaskan umur dengan hanya seorang guru setiap kelas. Sistem ini diwujudkan kerana guru tidak mempunyai cara untuk mengukur kebolehan pembelajaran individu pelajar dengan tepat melalui trajektori pendidikan mereka.

Untuk dapat memanfaatkan sepenuhnya pembelajaran mesin, orang ramai perlu memikirkan semula sistem pendidikan dengan cara yang baharu. Sistem baharu ini akan menggantikan kurikulum berasaskan umur dengan perbincangan yang diperibadikan, projek kumpulan dan sokongan guru, mewujudkan impak yang lebih besar terhadap pendidikan keseluruhan serta pertumbuhan dan pembangunan peribadi.

Pengarang Power and Prediction menulis: “Peraturan kurikulum berasaskan zaman adalah perekat sistem pendidikan moden, jadi kecerdasan buatan untuk memperibadikan kandungan pembelajaran hanya boleh memberikan faedah terhad dalam sistem ini Untuk membuka kunci potensi AI untuk pendidikan diperibadikan, cabaran utama bukanlah untuk membina model ramalan, tetapi untuk memisahkan pendidikan daripada peraturan kurikulum berasaskan umur yang pada masa ini menggabungkan sistem "

Anjakan Kuasa

Berjaya aplikasi kecerdasan buatan memerlukan apa yang disebut oleh pengarang "Kuasa dan Ramalan" sebagai "pemikiran sistem," yang berbeza dengan "pemikiran tugas." Minda tugas memberi tumpuan kepada penjimatan kos. Pemikiran sistem memberi tumpuan kepada penciptaan nilai. Minda tugas memberi tumpuan kepada mengautomasikan tugasan individu. Pemikiran sistem mengiktiraf keperluan untuk membina semula sistem yang menjana nilai berdasarkan ramalan mesin dan pembuatan keputusan manusia.

Orang ramai telah pun melihat perkara ini berlaku dalam beberapa industri dan syarikat teknologi besar seperti Amazon dan Google, yang telah membentuk sistem mengaut keuntungan yang mengesyorkan kandungan diperibadikan berdasarkan ramalan kecerdasan buatan.

Mungkin salah satu elemen penting dalam minda sistem ialah peralihan kuasa yang berlaku dengan penggunaan kecerdasan buatan. Apabila sistem berubah, begitu juga orang yang mempunyai kuasa membuat keputusan.

Pengarang "Power and Prediction" menulis, "Walaupun AI tidak boleh menyerahkan keputusan kepada mesin, ia boleh mengubah siapa yang membuat keputusan. Mesin tidak mempunyai kuasa, tetapi apabila digunakan, mereka boleh mengubah siapa yang mempunyai Orang yang berkuasa . Apabila mesin menukar pembuat keputusan, sistem asas mesti berubah juga Jurutera yang membina mesin perlu memahami akibat pertimbangan yang mereka terapkan dalam produk, dan mereka yang pernah membuat keputusan pada masa ini mungkin tidak lagi memerlukannya. kepada.”

Contoh hipotetikal yang penulis terokai dalam buku itu ialah risiko serangan jantung. Pada masa ini, penilaian risiko ini dilakukan melalui ujian di hospital, dengan keputusan dibuat oleh pakar yang menjalankan ujian.

Secara hipotesis adalah mungkin untuk membina sistem AI yang meramalkan risiko serangan jantung berdasarkan data yang dikumpul daripada peranti boleh pakai seperti jam tangan pintar. Kemudiannya adalah mungkin untuk memindahkan ramalan ini dari ruang triage jabatan kecemasan hospital ke rumah pesakit. Dalam kes ini, ramai pesakit tidak perlu pergi ke hospital selepas didiagnosis dengan keadaan di mana ahli farmasi atau doktor penjagaan primer boleh membantu merawat di rumah.

Tidak kira di mana seseorang berdiri dalam perdebatan saintifik dan falsafah yang mengelilingi kecerdasan buatan, perkara yang boleh dipersetujui ialah mesin ramalan mempunyai banyak perkara untuk ditawarkan dan hanya menconteng permukaan hari ini. Memanfaatkan potensi penuh mereka bermula dengan kembali ke papan lukisan dan memikirkan semula cara orang akan mereka sistem jika mereka mempunyai keupayaan untuk meramal. ?

Atas ialah kandungan terperinci Mengapa menggunakan kecerdasan buatan memerlukan anjakan minda yang besar. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!