Вот почему ИИ еще не изменил большинство отраслей



Искусство создания духов и одеколонов мало изменилось с 1880-х годов, когда стали использоваться синтетические ингредиенты. Опытные создатели аромата Тинкер с комбинациями химических веществ в надежде производить убедительные новые ароматы. Ахим Дауб, руководитель одного из крупнейших в мире производителей ароматизаторов, Симриза, задался вопросом, Что произойдет, если он введет в процесс искусственный интеллект. Будет ли машина предлагать привлекательные формулы, которые человек может не думать, чтобы попробовать?

Daub нанял IBM для разработки компьютерной системы, которая будет поры над огромным количеством информации-формулы существующих ароматов, потребительских данных, нормативной информации, на и на-а затем предложить новые формулировки для конкретных рынков. Система называется Филира, в честь греческой богини аромата. Вызывающее воспоминания имя в стороне, оно не может пахнуть вещью, поэтому оно не может заменить человеческих парфюмеров. Но это дает им фору в создании чего-то нового.

Дауб пока доволен прогрессом. Два аромата, направленные на молодых клиентов в Бразилии, должны поступить в продажу в июне. Только несколько из 70 дизайнеров аромата компании использовали систему, но Daub ожидает, что в конечном итоге выкатит ее ко всем из них.

Рекомендуется для вас
Смотреть гарпун успешно копье кусок космического мусора
Что, если бы вы могли диагностировать эндометриоз с помощью тампона?
AI изобретает новый способ
Алгоритмы ценообразования могут научиться вступать в сговор друг с другом для повышения цен
Этот робот может расплавить и заново сформировать свои ноги для того чтобы изменить как он гуляет
Тем не менее, он осторожен, чтобы указать, что для этого потребовалось почти два года—и это требовало инвестиций, которые все еще будут занимать некоторое время, чтобы окупить. Первоначальные предложения Philyra были ужасными: он постоянно предлагал рецепты шампуней. В конце концов, он посмотрел на данные по продажам, и шампунь далеко outsells духи и одеколон. Чтобы попасть на трек, нужно было много тренироваться у парфюмеров Symrise. Кроме того, компания по-прежнему борется с дорогостоящими ИТ-модернизациями, которые были необходимы для перекачки данных в Philyra из разрозненных систем учета, сохраняя при этом некоторую информацию конфиденциальной от самих парфюмеров. ” Это своего рода крутая кривая обучения, — говорит Дауб. «Мы не близки к тому, чтобы иметь AI, твердо и полностью установленный в нашей системе предприятия.”

Парфюмерный бизнес вряд ли единственный, кто принимает машинное обучение, не видя быстрых изменений. Несмотря на то, что вы можете услышать о AI, охватывающем мир, люди в широком диапазоне отраслей промышленности говорят, что технология является сложной для развертывания. Это может быть дорого. И первоначальная отдача часто скромна.

Одно дело видеть прорывы в искусственном интеллекте, которые могут перехитрить гроссмейстеров го, или даже иметь устройства, которые включают музыку по вашей команде. Это еще одна вещь, чтобы использовать ИИ, чтобы сделать больше, чем дополнительные изменения в бизнесе, которые не являются по своей природе цифровой.

Это не означает, что AI переписан. Но алгоритмы-это небольшая часть того, что действительно имеет значение в изменении того, как делается бизнес.

AI может в конечном итоге преобразовать экономику — сделав возможными новые продукты и новые бизнес-модели, предсказав вещи, которые люди не могли предвидеть, и освободив сотрудников от тяжелой работы. Но это может занять больше времени, чем вы надеялись или боялись, в зависимости от того, где вы сидите. Большинство компаний не генерируют значительно больше продукции из часов, которые их сотрудники вводят. Такие прирост производительности являются крупнейшими в крупнейших и самых богатых компаний, которые могут позволить себе тратить значительные средства на таланты и технологическую инфраструктуру, необходимую для того, чтобы ИИ работал хорошо.

Это не обязательно означает, что AI переписан. Просто, когда дело доходит до изменения того, как бизнес делается, алгоритмы распознавания образов-это небольшая часть того, что имеет значение. Гораздо более важными являются организационные элементы, которые пульсируют от ИТ-отдела вплоть до линии фронта бизнеса. Почти каждый должен быть настроен на то, как работает AI и где его слепые пятна, особенно люди, которые будут доверять его суждениям. Все это требует не только денег, но и терпения, дотошности и других типичных человеческих навыков, которых слишком часто не хватает.

Ищу единорогов
В сентябре прошлого года ученый по данным Питер Скомороч написал в твиттере: «как правило, вы можете ожидать, что переход вашей компании на машинное обучение будет примерно в 100 раз сложнее, чем ваш переход на мобильный.»Это было кольцо шутки, но Скомороч не шутил. Несколько человек сказали ему, что они с облегчением услышали, что их компании не одиноки в их борьбе. «Я думаю, что там много боли-завышенные ожидания”, — говорит Скомороч, генеральный директор SkipFlag, бизнеса, который говорит, что он может превратить внутренние коммуникации компании в базу знаний для сотрудников. «ИИ и машинное обучение рассматриваются как волшебная волшебная пыль.”

Среди самых больших препятствий становится разрозненные системы учета, чтобы поговорить друг с другом. Это проблема, с которой Ричард Зейн столкнулся в качестве главного директора по инновациям в UC Health, сети больниц и медицинских клиник в Колорадо, Вайоминге и Небраске. Он недавно развернул разговорный агент по под названием Livi, который использует технологию естественного языка от стартапа под названием Avaamo, чтобы помочь пациентам, которые называют здоровье UC или используют веб-сайт. Livi поручает им возобновить их рецепты, книги и подтверждает их назначения, и показывает им информацию об их условиях.

Zane рад, что с Livi обработки рутинных запросов, сотрудники UC Health может тратить больше времени, помогая пациентам со сложными проблемами. Но он признает, что этот виртуальный помощник мало что делает из того, что в конечном итоге может сделать ИИ в своей организации. ” Это просто верхушка айсберга, или какая-то положительная версия», — говорит Зейн. Потребовалось полтора года, чтобы развернуть Livi, в основном из-за ИТ-головных болей, связанных с связыванием программного обеспечения с медицинскими записями пациентов, данными страховки и другими больничными системами.

Подобные установки и в других отраслях. Некоторые крупные ритейлеры, например, сохраняют записи о цепочках поставок и потребительских сделках в отдельных системах, ни одна из которых не связана с более широкими хранилищами данных. Если компании не останавливаются и не строят связи между такими системами, то машинное обучение будет работать только на некоторых из их данных. Это объясняет, почему наиболее распространенные виды использования ИИ до сих пор были связаны с бизнес-процессами, которые находятся в напряжении, но, тем не менее, имеют обильные данные, такие как компьютерная безопасность или обнаружение мошенничества в банках.

Даже если компания получает данные, поступающие из многих источников, требуется много экспериментов и надзора, чтобы быть уверенным, что информация является точной и значимой. Когда Genpact, компания ИТ-услуг, помогает компаниям запускать то, что они считают проектами AI, “10% работы-это AI”, — говорит Санджай Сривастава, главный цифровой директор. «Девяносто процентов работы — это извлечение данных, очищение, нормализация, споры.”

Эти шаги могут выглядеть безупречно для Google, Netflix, Amazon или Facebook. Но эти компании существуют для сбора и использования цифровых данных. Они также роскошно укомплектованы докторами наук в области информатики, информатики и смежных областях. ” Это отличается от ранга и файла большинства предприятий, — говорит Скомороч.

Действительно, небольшие компании часто требуют, чтобы сотрудники вникали в несколько технических областей, говорит Анна Драммонд, специалист по данным в Sanchez Oil and Gas, энергетической компании, базирующейся в Хьюстоне. Санчес недавно начал потоковое и анализа данных добычи из скважин в режиме реального времени. Он не создавал возможности с нуля: он купил программное обеспечение у компании под названием MapR. Но Драммонд и ее коллеги все еще должны были убедиться, что данные с поля были в форматах, которые компьютер мог бы проанализировать. Команда Драммонда также участвовала в разработке программного обеспечения, которое будет передавать информацию на экраны инженеров. Люди, искусные во всех этих вещах, “нелегко найти», — говорит она. «Это как единороги, в основном. Вот что замедляет внедрение искусственного интеллекта или машинного обучения.”


Fluor, огромная инжиниринговая компания, потратила около четырех лет на разработку системы искусственного интеллекта для мониторинга крупных строительных проектов, которые могут стоить миллиарды долларов и привлечь тысячи рабочих. Система вдыхает как числовые, так и естественные данные и предупреждает менеджеров проектов Fluor о проблемах, которые могут впоследствии вызвать задержки или перерасход средств.

Ученые в IBM и Fluor не нуждаются в длительных алгоритмах, чтобы использовать систему, говорит Лесли Линдгрен, вице-президент по управлению информацией Fluor. Потребовалось гораздо больше времени, чтобы усовершенствовать технологию при тесном участии сотрудников Fluor, которые будут использовать систему. Чтобы они могли доверять своим суждениям, они должны были внести свой вклад в то, как это будет работать, и они должны были тщательно проверить его результаты, говорит Линдгрен.

Чтобы разработать такую систему “» вы должны привлечь своих доменных экспертов из бизнеса-я имею в виду ваших лучших людей”, — говорит она. «Это означает, что вы должны вытащить их из других вещей.»Использование ТОП-людей было необходимо, — добавляет она, — потому что создание двигателя AI было» слишком важно, слишком долго и слишком дорого” для них.

Семена ИИ
Как только инновация возникнет, как быстро она будет распространяться через экономику? Экономист Zvi Griliches придумал некоторые фундаментальные ответы в 1950-х годах-посмотрев на кукурузу.

Griliches изучил показатели, по которым кукурузные фермеры в различных частях страны перешли на гибридные сорта, которые имели гораздо более высокую урожайность. То, что его заинтересовало, было не столько самой кукурузой, сколько ценностью гибридов, как то, что мы сегодня называем платформой для будущих инноваций. «Гибридная кукуруза была изобретением метода изобретения, метода селекции превосходящей кукурузы для конкретных местностей”, — писал Грилиш в знаковой статье в 1957 году.

Гибриды появились в Айове в конце 1920-х-начале 1930-х годов. К 1940 году они составляли почти всю кукурузу, посаженную в штате. Но кривая усыновления была далеко не такой крутой в таких местах, как Техас и Алабама, где гибриды были представлены позже и покрыли около половины посевных площадей кукурузы в начале 1950-х годов. Одна большая причина заключается в том, что гибридные семена были дороже обычных, и фермеры должны были покупать новые семена каждый год. Переход на новую технологию был более рискованным предложением для ферм в этих штатах, чем в более богатом и более продуктивном кукурузном поясе Среднего Запада.

Подпишитесь на алгоритм
Искусственный интеллект, демистифицированный
То, что griliches захватил, и то, что подтвердили последующие экономисты, заключается в том, что распространение технологий формируется меньше внутренними качествами инноваций, чем экономической ситуацией пользователей. Ключевой вопрос пользователей заключается не в том, как для технологов: «что может сделать технология?»но» насколько мы выиграем от инвестиций в него?”

Сегодня машинное обучение охватывает все аспекты деятельности таких компаний, как Facebook, Google и Amazon, а также многих стартапов. Это делает эти компании исключительно богатыми. Но за пределами этого пояса ИИ все движется гораздо медленнее по рациональным экономическим причинам.

В Symrise, Daub думает, что проект AI духов упал в сладкое место. Это был относительно небольшой эксперимент, но он включал реальную работу для клиента аромата и не был простым лабораторным симулятором.

” Мы все под большим давлением, — говорит он. «Никто действительно не имеет времени, чтобы делать greenfield обучения на стороне.»Но даже это требовало скачка веры в технологию. «Все дело в убежденности», — говорит он. «У меня есть очень сильная убежденность в том, что AI будет играть роль в большинстве отраслей, которые мы видим сегодня, в большей степени. Полностью игнорировать это не вариант.”

0 0 голоса
Рейтинг статьи

Подписаться
Уведомить о
guest
0 комментариев
Межтекстовые Отзывы
Посмотреть все комментарии
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
()
x