Корпоративный ИИ дал сбой, вот как его можно восстановить
4 февраля 2023 г.За последнее десятилетие искусственный интеллект (ИИ) превратился в универсальный термин для любых достижений компьютерных алгоритмов, которые раньше требовали человеческого мышления и рассуждений. Все, от AlphaGO, победившего тогдашнего чемпиона по гонке Ли Седоля, до испытаний автономных транспортных средств на дорогах общего пользования, попало в поле зрения дебатов об ИИ. Недавнее достижение в производстве произведений искусства путем стабильного распространения, которое многие называют «кражей творчества», произвело фурор во всем мире.
Учитывая такой повсеместный успех, неудивительно, что предприятия поспешили внедрить ИИ в надежде получить конкурентное преимущество. Однако недавнее исследование компании Fivetran показало, что подавляющее большинство в этом отношении. Ключевым результатом опроса стало то, что, хотя 87% предприятий считают, что ИИ имеет решающее значение для выживания их компании, 86% не доверяют ИИ принимать бизнес-решения без участия человека.
Почему?
Прежде чем мы углубимся в причины, давайте правильно сформулируем ожидания. Мы не отвергаем ИИ, потому что это не то, что, как мы ожидали, будет основано на научной фантастике; мы оцениваем ИИ, который уже существует, хорошо работает в демонстрациях и представлен на конференциях и саммитах, но не используется в коммерческих целях.
Что здесь может быть не так?
Начнем со стоимости эксплуатации систем ИИ. За последние годы произошли феноменальные успехи в вычислительном оборудовании, алгоритмах и инфраструктурных сервисах (таких как Google TPU и Amazon AWS Lambda). В результате затраты на установку и единицу продукции были существенно снижены, что уменьшило входные барьеры. Однако растущий размер моделей нейронных сетей, устанавливающих эталонные показатели, делает ИИ дорогим. Для обучения и развертывания более крупных моделей, таких как обнаружение объектов в автономных транспортных средствах или сети, подобные Bert, в приложениях NLP в настоящее время требуется использование нескольких графических процессоров Nvidia или $$$ в экземплярах AWS.
Это также дорого обходится окружающей среде, потому что требует много энергии и энергии. Оказывается, большинство крупных нейронных сетей предназначены для общих целей и поэтому являются излишними для конкретных приложений на уровне предприятия. Вместо того, чтобы создавать огромные сети, специалисты-практики должны использовать знания предметной области для сокращения сети. Помимо использования трансферного обучения, чтобы избежать переобучения большой сети, предприятиям также следует рассмотреть методы дистилляции знаний, чтобы создать более тонкую сеть для своего конкретного случая использования. Наконец, ускорители искусственного интеллекта следует использовать для получения логических выводов, поскольку такие устройства предназначены для работы в режиме реального времени при меньшем энергопотреблении.
Еще одна важная причина того, что системы ИИ не оправдывают ожиданий, — низкая доступность данных — как по количеству, так и по качеству. На самом деле, исследование показывает, что около 71% организаций изо всех сил пытаются найти данные, необходимые им для запуска программ, рабочих нагрузок и моделей ИИ. Кроме того, только четверть тех, кому удается получить данные, могут преобразовать эти данные в полезную информацию. Даже успешные из них предпочитают не коммерциализировать ИИ, потому что не доверяют ему. Причина этого в том, что навыки принятия решений алгоритмов обучения с учителем, широко применяемых форм ИИ, настолько хороши, насколько хороши люди, которые маркируют базовые данные. То есть он наследует все предубеждения и предубеждения навешивающего ярлыки. Пока человек выводится из цикла, т. е. экономится время, это не внушает большого доверия к принятию решений.
В последние пару лет участились разговоры о предвзятости в исторических данных и способах их исправления. Но этого может быть недостаточно, пока нейронные сети не станут более прозрачными. Предприятиям следует активно изучать источники искажений, которые могли возникнуть, и использовать методы маскирования данных, чтобы устранить их влияние на конечный результат.
Несмотря на достижения в области искусственного интеллекта, развернутые в настоящее время нейронные сети по-прежнему представляют собой черные ящики. Объяснимость тем хуже, чем глубже становится нейронная сеть. Поскольку решениям, которые невозможно объяснить, нельзя доверять, их коммерческое применение ограничено. По мере того как ИИ становится все более сложным, важно иметь четкое управление такими вещами, как объяснимость, справедливость и предвзятость. Это вызов для многих компаний, потому что трудно установить эти принципы, когда нет согласованного стандарта. В этой серой зоне руководители крупных компаний не хотели бы работать. Трудно заручиться поддержкой лиц, принимающих решения, когда они на самом деле не понимают, что делает ИИ и как он работает. И мы, специалисты по машинному обучению, не упрощаем задачу.
Разрыв в общении между инженерами машинного обучения и исполнительной командой усугубляет ситуацию. Поскольку KPI у двух разных команд разные, большинство проектов ИИ не выходят за рамки пилотной фазы. Инженеры машинного обучения не могут эффективно преобразовывать такие показатели, как точность, средняя средняя точность и задержка, в такие показатели, как рост доходов и экономия затрат, о которых заботятся руководители KPI. Это было большим источником моего личного разочарования на протяжении многих лет работы исследователем машинного обучения. Создание слоя менеджеров по продукту между разработчиками и руководителями для перевода метрик в $$$ может улучшить результаты.
В то же время руководители должны участвовать в программах обучения ИИ для бизнес-лидеров. Чтобы ваши инженеры не закатывали глаза, когда вы рассказываете об инициативах ИИ в вашей компании. Влияние этой проблемы еще больше уменьшится, поскольку предприятия по всему миру стремятся быть в авангарде цифровой трансформации, что приводит к назначению руководителей по технологиям на желанную должность генерального директора.
Потенциальные коммерческие преимущества ИИ должны побудить руководителей корпораций ускорить переход от изолированных пилотных инициатив к комплексной стратегии ИИ. Бизнес-стратегия, ориентированная на ИИ, требует постоянных инвестиций в передовые исследования в области ИИ, гарантируя при этом, что преимущества распределяются по всей организации. Этого можно добиться, сделав созданные и приобретенные наборы данных доступными для всей организации, инвестируя в инфраструктуру и таланты ИИ, а также поощряя руководителей становиться более грамотными в области ИИ.
Также опубликовано здесь.
Избранное изображение создано со стабильной диффузией.
Оригинал