Η βιομηχανία ML (Μηχανικής Μάθησης) έχει δαγκώσει απαγορευμένα φρούτα: Επέλεξε να προωθηθεί ως τεχνητή νοημοσύνη, ένας ασαφής όρος ομπρέλα που περιλαμβάνει το ML στο εύπλαστό του πεδίο εφαρμογής. Αυτό τείνει να παραπλανήσει, ειδικά όταν συζητείται μια πιο τυπική, πρακτική πρωτοβουλία ML που έχει σχεδιαστεί για τη βελτίωση των επιχειρηματικών λειτουργιών και όχι, για παράδειγμα, για τη δημιουργία ανθρώπινης γραφής ή για την επίτευξη «νοημοσύνης» σε ανθρώπινο επίπεδο.
Ενώ ο κόσμος γνωρίζει σε μεγάλο βαθμό το ML ως AI, ο όρος AI είναι επίσης ο τρόπος με τον οποίο ο κόσμος παρεξηγεί σε μεγάλο βαθμό το ML. Επειδή η τεχνητή νοημοσύνη παραπέμπει στην «ευφυΐα», η οποία είναι πεισματικά νεφελώδης όταν περιγράφεται μια τεχνολογία, ο όρος τείνει να υπερεκτιμά και να φετιχοποιεί αντί να προβάλλει τη συγκεκριμένη αξία της τεχνολογίας. Η τεχνητή νοημοσύνη χρησιμοποιείται μερικές φορές για να αναφέρεται συγκεκριμένα στο ML ή σε άλλο είδος τεχνολογίας, όπως chatbots ή συστήματα που βασίζονται σε κανόνες – αλλά σε πολλές άλλες χρήσεις, ο όρος υποδηλώνει υπερβολικές δυνατότητες.
Προμηθευτές, σύμβουλοι και, πιθανότατα, ορισμένοι από τους συναδέλφους σας χρησιμοποιούν την επωνυμία AI αντί να διαφημίζουν ξεκάθαρα, χωρίς σύγχυση, αυτό που προσφέρει στην πραγματικότητα ένα έργο ML. Σε τελική ανάλυση, πολλοί άνθρωποι με προϋπολογισμό έχουν αυτιά που ενθουσιάζονται όταν ακούν πόσο προηγμένη και «έξυπνη» είναι μια τεχνολογία, ακόμη και χωρίς να δουν ακριβώς πώς θα βελτιώσει τις επιχειρηματικές λειτουργίες. Έτσι, αυτή η διαδρομή θα μπορούσε να χρησιμεύσει για να γεμίσει το πορτοφόλι σας, τουλάχιστον βραχυπρόθεσμα.
Αλλά δεν μπορεί να κρατήσει. Ο κλάδος της ML θα ήταν καλύτερα να το μειώσει αυτό διαφορετικά θα το πληρώσουμε όλοι ακριβά. Η γοητεία της βασικής τεχνολογίας αφαιρεί την εστίαση από τη συγκεκριμένη αξία της, τον συγκεκριμένο τρόπο με τον οποίο η ανάπτυξή της μπορεί να βελτιώσει τις λειτουργίες. Όταν αυτή η ανάπτυξη δεν είναι κεντρική στο σχέδιο, το σχέδιο είναι απίθανο να πραγματοποιηθεί. Αντίθετα, ο οργανισμός πρέπει να εξετάσει την πρόταση αξίας για ένα υποψήφιο έργο και να αγοράσει το έργο για αυτήν την απτή αξία. Στη συνέχεια, μια πολύ συγκεκριμένη διαδικασία διαχείρισης αλλαγών πρέπει να ξεκινήσει από την έναρξη του έργου. Διαφορετικά, είστε επιρρεπείς στην ανάπτυξη ενός μοντέλου που δεν θα κυκλοφορήσει ποτέ — που είναι ο πιο συνηθισμένος τρόπος με τον οποίο αποτυγχάνουν τα έργα ML.
Δοκιμάστε το Big Think+ για την επιχείρησή σας
Ελκυστικό περιεχόμενο σχετικά με τις δεξιότητες που έχουν σημασία, που διδάσκεται από εμπειρογνώμονες παγκόσμιας κλάσης.
Η αξιοποίηση αυτής της τεχνολογίας είναι κρίσιμης σημασίας — αλλά είναι εμφανώς δύσκολο να κυκλοφορήσει. Πολλά έργα ML δεν προχωρούν ποτέ πέρα από τη μοντελοποίηση: τη φάση της σύνταξης αριθμών. Οι έρευνες του κλάδου δείχνουν επανειλημμένα ότι οι περισσότερες νέες πρωτοβουλίες ML δεν φτάνουν στην ανάπτυξη, όπου θα πραγματοποιηθεί η αξία.
Η διαφημιστική εκστρατεία συμβάλλει σε αυτό το πρόβλημα. Η ML είναι μυθοποιημένη, παρερμηνεύεται ως «ευφυής» ενώ δεν είναι. Επίσης, μετριέται λανθασμένα ως “πολύ ακριβές”, ακόμη και όταν αυτή η έννοια είναι άσχετο και παραπλανητικό. Προς το παρόν, αυτοί οι θαυμασμός πνίγουν σε μεγάλο βαθμό τα λόγια της έκπληξης, αλλά αυτές οι λέξεις είναι βέβαιο ότι θα αυξηθούν σε όγκο.
Πάρτε αυτοοδηγούμενα αυτοκίνητα. Στην πιο δημόσια προειδοποιητική ιστορία για τη διαφημιστική εκστρατεία ML, οι υπερβολικές υποσχέσεις οδήγησαν σε φρένα και επιβράδυνση της προόδου. Οπως και Ο κηδεμόνας το έβαλε, «Η επανάσταση των αυτοκινήτων χωρίς οδηγό έχει σταματήσει». Αυτό είναι κρίμα, καθώς η ιδέα υπόσχεται μεγαλείο. Κάποια μέρα, θα αποδειχθεί μια επαναστατική εφαρμογή του ML που μειώνει σημαντικά τα θύματα τροχαίων. Αυτό θα απαιτήσει μια μακρά «μεταμόρφωση που θα συμβεί σε 30 χρόνια και πιθανώς περισσότερο», σύμφωνα με τον Chris Urmson, πρώην CTO της ομάδας αυτόνομης οδήγησης της Google και τώρα διευθύνοντα σύμβουλο της Aurora, η οποία εξαγόρασε τη μονάδα αυτόνομης οδήγησης της Uber. Όμως, στα μέσα της δεκαετίας του 2010, η επένδυση και η φανατική διαφημιστική εκστρατεία, συμπεριλαμβανομένων των μεγαλοπρεπών tweets από τον CEO της Tesla, Elon Musk, έφτασαν σε πρόωρο πυρετό. Η έλευση των πραγματικά εντυπωσιακών δυνατοτήτων υποβοήθησης του οδηγού χαρακτηρίστηκε ως «Full Self-Driving» και διαφημίστηκε ότι βρίσκεται στο χείλος της διαδεδομένης, εντελώς αυτόνομης οδήγησης—δηλαδή της αυτόνομης οδήγησης που σας επιτρέπει να κοιμάστε στο πίσω κάθισμα.
Οι προσδοκίες αυξήθηκαν, ακολουθούμενες από . . . εμφανής απουσία αυτοοδηγούμενων αυτοκινήτων. Η απογοήτευση επικράτησε και στις αρχές της δεκαετίας του 2020 οι επενδύσεις είχαν στερέψει σημαντικά. Η αυτοοδήγηση είναι καταδικασμένη να είναι το jetpack αυτής της δεκαετίας.
Τι πήγε στραβά? Ο υποσχεδιασμός είναι υποτίμηση. Δεν ήταν τόσο πολύ το θέμα της υπερπώλησης της ίδιας της ML, δηλαδή της υπερβολής του πόσο καλά τα προγνωστικά μοντέλα μπορούν, για παράδειγμα, να αναγνωρίσουν τους πεζούς και τα σήματα στάσης. Αντίθετα, το μεγαλύτερο πρόβλημα ήταν η δραματική υποβάθμιση της πολυπλοκότητας της ανάπτυξης. Μόνο ένα ολοκληρωμένο, εσκεμμένο σχέδιο θα μπορούσε ενδεχομένως να διαχειριστεί την αναπόφευκτη σειρά εμποδίων που προκύπτουν ενώ σιγά σιγά απελευθερώνονται τέτοια οχήματα στον κόσμο. Εξάλλου, μιλάμε για μοντέλα ML που πλοηγούνται αυτόνομα σε μεγάλα, βαριά αντικείμενα μέσα στις πολυσύχναστες πόλεις μας! Ένας δημοσιογράφος τεχνολογίας τους ονόμασε με θλίψη «σφαίρες αυτοοδηγούμενες». Όταν πρόκειται για τη λειτουργική λειτουργία του ML, η αυτόνομη οδήγηση είναι κυριολεκτικά εκεί που το λάστιχο χτυπά στο δρόμο. Περισσότερο από οποιαδήποτε άλλη πρωτοβουλία ML, απαιτεί ένα έξυπνο, σταδιακό σχέδιο ανάπτυξης που δεν υπόσχεται μη ρεαλιστικά χρονοδιαγράμματα.
Η βιομηχανία ML έχει καρφώσει την ανάπτυξη δυνητικά πολύτιμων μοντέλων, αλλά όχι την ανάπτυξή τους.
Η βιομηχανία ML έχει καρφώσει την ανάπτυξη δυνητικά πολύτιμων μοντέλων, αλλά όχι την ανάπτυξή τους. Έκθεση που συνέταξε η AI Journal με βάση έρευνες της Sapio Research έδειξε ότι το κορυφαίο σημείο πόνου για τις ομάδες δεδομένων είναι η «Παροχή επιχειρηματικού αντίκτυπου τώρα μέσω τεχνητής νοημοσύνης». Το ενενήντα έξι τοις εκατό των ερωτηθέντων επέλεξαν αυτό το πλαίσιο. Αυτή η πρόκληση ξεπέρασε έναν μακρύ κατάλογο ευρύτερων ζητημάτων δεδομένων εκτός του πεδίου εφαρμογής της τεχνητής νοημοσύνης καθεαυτή, συμπεριλαμβανομένης της ασφάλειας δεδομένων, της κανονιστικής συμμόρφωσης και διαφόρων τεχνικών προκλήσεων και προκλήσεων υποδομής. Αλλά όταν παρουσιάζεται ένα μοντέλο, οι ηγέτες των επιχειρήσεων αρνούνται να αναπτύξουν. Απλώς λένε όχι. Ο απογοητευμένος επιστήμονας δεδομένων μένει να αναρωτιέται, «Δεν μπορείς . . . ή δεν θα το κάνεις;» Είναι ένα μείγμα και των δύο, σύμφωνα με μια ερώτηση που τέθηκε από την έρευνά μου με το KDnuggets (δείτε τις απαντήσεις στην ερώτηση «Ποιο είναι το κύριο εμπόδιο για την ανάπτυξη του μοντέλου;»). Τα τεχνικά εμπόδια σημαίνουν ότι δεν μπορούν. Η έλλειψη έγκρισης—συμπεριλαμβανομένης της περίπτωσης που οι υπεύθυνοι λήψης αποφάσεων δεν θεωρούν την απόδοση του μοντέλου αρκετά ισχυρή ή όταν υπάρχουν ζητήματα απορρήτου ή νομικά— σημαίνει ότι συνηθισμένος.
Μια άλλη έρευνα είπε επίσης αυτή την ιστορία «κάποιοι δεν μπορούν και άλλοι δεν θα». Μετά την έρευνα της εταιρείας συμβούλων ML Rexer Analytics με τους επιστήμονες δεδομένων που ρώτησε γιατί τα μοντέλα που προορίζονται για ανάπτυξη δεν φτάνουν εκεί, ο ιδρυτής Karl Rexer μου είπε ότι οι ερωτηθέντες έγραψαν για δύο βασικούς λόγους: «Ο οργανισμός δεν διαθέτει την κατάλληλη υποδομή που απαιτείται για την ανάπτυξη» και «Άνθρωποι σε ο οργανισμός δεν κατανοεί την αξία του ML.”
Δεν αποτελεί έκπληξη το γεγονός ότι η τελευταία ομάδα επιστημόνων δεδομένων –οι «δεν θέλει» παρά «δεν μπορεί»– ακούγεται πιο απογοητευμένος, λέει ο Karl.
Είτε δεν μπορούν είτε δεν θα το κάνουν, φταίει σχεδόν πάντα η έλλειψη μιας καθιερωμένης επιχειρηματικής πρακτικής. Οι τεχνικές προκλήσεις αφθονούν για την ανάπτυξη, αλλά δεν εμποδίζονται όσο οι ηγέτες του έργου τις προβλέπουν και σχεδιάζουν. Με ένα σχέδιο που παρέχει τον χρόνο και τους πόρους που απαιτούνται για τον χειρισμό της υλοποίησης του μοντέλου – μερικές φορές, σημαντική κατασκευή – θα προχωρήσει η ανάπτυξη. Τελικά, δεν είναι τόσο πολύ που δεν μπορούν αλλά δεν θα το κάνουν.