Επιχείρηση κλειδωμένη σε ακριβό «αγώνα εξοπλισμών» AI

Δεν υπάρχει αμφιβολία ότι βρισκόμαστε σε μια κούρσα εξοπλισμών AI, λέει ο Jon Collins.

Εργάστηκε στον τομέα της πληροφορικής για 35 χρόνια σε διάφορους ρόλους, όπως προγραμματιστής λογισμικού, διευθυντής συστημάτων και επικεφαλής τεχνολογίας.

Τώρα είναι βιομηχανικός αναλυτής για την ερευνητική εταιρεία Gigaom.

Η τρέχουσα κούρσα εξοπλισμών υποκινήθηκε από την κυκλοφορία του ChatGPT στα τέλη του 2022, λέει ο κ. Collins.

Έκτοτε, έχουν εμφανιστεί πολλά τέτοια συστήματα παραγωγής τεχνητής νοημοσύνης και εκατομμύρια άνθρωποι τα χρησιμοποιούν καθημερινά για να δημιουργήσουν έργα τέχνης, κείμενο ή βίντεο.

Για τους ηγέτες των επιχειρήσεων το διακύβευμα είναι υψηλό. Τα συστήματα παραγωγής τεχνητής νοημοσύνης είναι πολύ ισχυρά εργαλεία που μπορούν να αφομοιώσουν περισσότερα δεδομένα σε λίγα λεπτά από ό,τι ένας άνθρωπος σε αρκετές ζωές.

Ξαφνικά οι ηγέτες της εταιρείας αντιλαμβάνονται τι θα μπορούσε να τους επιτρέψει η τεχνητή νοημοσύνη και ο ανταγωνισμός τους να επιτύχουν, εξήγησε ο κ. Κόλινς.

«Ο φόβος και η απληστία το οδηγούν», λέει. «Και αυτό δημιουργεί μια χιονοστιβάδα ορμής».

Με τη σωστή εκπαίδευση, ένα εξατομικευμένο σύστημα τεχνητής νοημοσύνης θα μπορούσε να επιτρέψει σε μια εταιρεία να πηδήξει μπροστά από τους αντιπάλους της με ένα ερευνητικό επίτευγμα ή μειώνοντας το κόστος αυτοματοποιώντας την εργασία που γίνεται αυτή τη στιγμή από ανθρώπους.

Στον τομέα των φαρμακευτικών προϊόντων, οι εταιρείες προσαρμόζουν την τεχνητή νοημοσύνη για να τις βοηθήσουν να ανακαλύψουν νέες ενώσεις για τη θεραπεία ασθενειών. Αλλά είναι μια δαπανηρή διαδικασία.

«Χρειάζεστε επιστήμονες δεδομένων και χρειάζεστε μηχανικούς μοντέλων», εξηγεί ο κ. Κόλινς.

Αυτοί οι επιστήμονες και οι μηχανικοί πρέπει να κατανοήσουν, τουλάχιστον σε κάποιο βαθμό, τον τομέα των φαρμακευτικών προϊόντων στον οποίο θα εργάζεται η τεχνητή νοημοσύνη.

Και δεν σταματά εκεί. «Χρειάζεστε τους μηχανικούς υποδομής που μπορούν να δημιουργήσουν τις πλατφόρμες τεχνητής νοημοσύνης σας», συνεχίζει.

Τέτοιοι εργάτες υψηλής εξειδίκευσης δεν είναι εύκολο να βρεθούν.

Απλώς δεν υπάρχουν αρκετοί άνθρωποι που «καταλαβαίνουν πώς να φτιάχνουν αυτά τα συστήματα, πώς να τα κάνουν πραγματικά να λειτουργούν και πώς να λύνουν μερικές από τις προκλήσεις στο μέλλον», λέει ο Andrew Rogoyski, διευθυντής καινοτομίας στο Surrey Institute for People-Centred AI. στο Πανεπιστήμιο του Surrey.

Οι μισθοί για όσους μπορούν να αντιμετωπίσουν αυτές τις προκλήσεις έχουν φτάσει σε «γελοία» επίπεδα, προσθέτει, επειδή είναι τόσο σημαντικοί.

«Θα μπορούσαμε να παράγουμε εκατοντάδες διδάκτορες AI, αν είχαμε την ικανότητα, γιατί οι άνθρωποι θα τους έδιναν δουλειά».

Πέρα από τις ελλείψεις δεξιοτήτων, η απόκτηση πρόσβασης στη φυσική υποδομή που απαιτείται για τεχνητή νοημοσύνη μεγάλης κλίμακας μπορεί να είναι μια πρόκληση.

Το είδος των συστημάτων υπολογιστών που απαιτούνται για την εκτέλεση μιας τεχνητής νοημοσύνης για την έρευνα φαρμάκων κατά του καρκίνου θα απαιτούσε συνήθως μεταξύ δύο και τριών χιλιάδων από τα πιο πρόσφατα τσιπ υπολογιστών.

Το κόστος αυτού του υλικού υπολογιστή από μόνο του θα μπορούσε εύκολα να ανέλθει σε πάνω από 60 εκατομμύρια δολάρια (48 εκατομμύρια £), ακόμη και πριν από το κόστος για άλλα βασικά στοιχεία, όπως η αποθήκευση δεδομένων και η δικτύωση.

Μέρος του προβλήματος για τις επιχειρήσεις είναι ότι αυτού του είδους η τεχνητή νοημοσύνη εμφανίστηκε μάλλον απότομα. Η προηγούμενη τεχνολογία, όπως η εμφάνιση του Διαδικτύου, χτίστηκε πιο αργά.

Μια μεγάλη τράπεζα, μια φαρμακευτική εταιρεία ή ένας κατασκευαστής μπορεί να έχει τους πόρους για να αγοράσει την τεχνολογία που χρειάζεται για να επωφεληθεί από την πιο πρόσφατη τεχνητή νοημοσύνη, αλλά τι γίνεται με μια μικρότερη εταιρεία;

Η ιταλική start-up Restworld είναι ένας ιστότοπος προσλήψεων για προσωπικό εστίασης, με βάση δεδομένων 100.000 εργαζομένων.

Ο επικεφαλής τεχνολογίας Edoardo Conte ήθελε να δει αν η τεχνητή νοημοσύνη θα μπορούσε να ωφελήσει την επιχείρηση.

Η εταιρεία σκέφτηκε να δημιουργήσει ένα chatbot που βασίζεται σε AI για να επικοινωνεί με τους χρήστες της υπηρεσίας.

Αλλά ο κ. Conte είπε ότι, σε χιλιάδες χρήστες, «Το κόστος αυξάνεται πολύ».

Αντίθετα, εξέτασε ένα πιο στενό πρόβλημα – το ζήτημα ότι οι υποψήφιοι δεν παρουσιάζουν πάντα την εμπειρία τους με τον καλύτερο τρόπο.

Για παράδειγμα, ένας υποψήφιος μπορεί να μην αναφέρει το σερβιτόρο ως δεξιότητα. Αλλά οι αλγόριθμοι που ανέπτυξε ο κ. Conte διευκολύνουν την αποκάλυψη πρόσθετων πληροφοριών, συμπεριλαμβανομένου του εάν είχαν υποβάλει αίτηση και αν είχαν κερδίσει έναν ρόλο αναμονής στο παρελθόν.

«Η τεχνητή νοημοσύνη μπορεί να συμπεράνει ότι είναι σερβιτόρος ή μπορεί να ενδιαφέρονται για άλλες προσφορές εργασίας σερβιτόρου», λέει.

Ένα εμπόδιο στην πρόσληψη φιλοξενίας είναι να φτάσουν οι υποψήφιοι στο στάδιο της συνέντευξης.

Έτσι, η επόμενη πρόκληση του κ. Conte είναι να χρησιμοποιήσει την τεχνητή νοημοσύνη για την αυτοματοποίηση και την προσαρμογή της διαδικασίας συνέντευξης για τους υποψηφίους της.

Η τεχνητή νοημοσύνη θα μπορούσε ακόμη και να πραγματοποιήσει μια «συζήτηση» με τους υποψηφίους και να παράγει περιλήψεις για να τις μεταβιβάσει στους υπεύθυνους προσλήψεων.

Μπορεί να επιταχύνει την όλη διαδικασία, η οποία επί του παρόντος μπορεί να διαρκέσει μέρες, οπότε ένας σερβιτόρος ή σεφ μπορεί να είχε βρει άλλη δουλειά.

Εν τω μεταξύ, οι μεγαλύτερες εταιρείες θα συνεχίσουν να διοχετεύουν μετρητά σε έργα τεχνητής νοημοσύνης, ακόμα κι αν δεν είναι πάντα σαφές τι είναι πιθανό να επιτύχουν.

Όπως λέει ο κ. Rogoyski, η υιοθέτηση της τεχνητής νοημοσύνης βρίσκεται σε μια «δαρβινική, πειραματική φάση» και είναι δύσκολο να δούμε ποιες θα είναι οι συνέπειες.

«Εκεί γίνεται ενδιαφέρον. Αλλά νομίζω ότι πρέπει να πάμε με αυτό», λέει, πριν προσθέσει «Δεν είμαι σίγουρος ότι έχουμε επιλογή».