Несмотря на то, что почти каждая крупная отрасль использует ИИ, многие компании по-прежнему настороженно относятся к этому вопросу. Их забота? Как сказал Том Круз в Джерри Магуайре: Покажи мне деньги!
Для корпоративных ИТ-директоров и генеральных директоров решение о создании проекта ИИ обычно определяется рентабельностью инвестиций. На карту поставлены реальные экономические последствия, которые заставляют их реализовать потенциал технологии искусственного интеллекта, представленной нейронной сетью, широко называемой глубоким обучением (DL), но при этом сталкиваясь с ее ограничениями.
Кто чем занимается
Практические приложения искусственного интеллекта, которые решают проблемы, можно найти во многих отраслях. Финансовые службы находятся на переднем крае внедрения решений нейронных сетей в основном потому, что они обладают огромными объемами данных в форме финансовых транзакций. Например, JP Morgan реализовал несколько программ искусственного интеллекта, в том числе LOXM, для проведения сделок с акциями в режиме реального времени, и COIN, систему для проверки коммерческих кредитных договоров - усилия, которые ранее требовали от кредитных специалистов 360 000 часов работы каждый год и что теперь можно сделать за считанные секунды.
В сфере здравоохранения также наблюдается взрывной рост внедрения ИИ. Роботы постепенно прокладывают себе путь в операционную, и все большее число компаний используют ИИ для ранней диагностики, ускорения открытия лекарств и повышения вовлеченности пациентов.
Розничная торговля, в том числе старые добрые кирпичные и строительные магазины, также претерпела изменения, основанные на искусственном интеллекте. В отрасли применяется ИИ для анализа поведения клиентов, чтобы улучшить мерчандайзинг и рекламу, повысить удовлетворенность клиентов и более эффективно управлять цепочками поставок.
Хотя искусственный интеллект многообещающ для этих секторов, остается несколько общих препятствий, которые следует учитывать всем предприятиям.
ИИ поглощает мир
Марк Андриссен из Andreessen Horowitz заявил в интервью Vox, что теория того, как ИИ будет обретать форму, раньше заключалась в том, что крупные технологические компании, такие как Google и Facebook, с непревзойденными объемами данных и капитала, будут лучше всего позиционированы для предложения AI- основанные продукты для крупных корпораций. Больше никогда. Стартапы делают эту ставку, и такие компании, как Element.AI, поставщик решения ИИ как услуга, или Clarifai, поставщик систем распознавания изображений, и многие другие уже работают с крупными предприятиями в самых разных отраслях. Например, финансовая, банковская и розничная отрасли, сталкивающиеся с решениями о создании или покупке, часто выбирают сторонние службы искусственного интеллекта для таких задач, как безопасность, поддержка клиентов и аналитика поведения клиентов.
Причин покупать вместо того, чтобы строить, много. Одна из самых больших проблем для предприятий - превратить большие объемы необработанных данных в знания. Это процесс, называемый «очисткой данных», и он может занять много времени, то есть дорого. Он включает в себя такие задачи, как обеспечение согласованности данных - даты в шестизначных или восьмизначных форматах, а также метки для каждого бита данных.
Еще одно ограничение - отсутствие квалифицированных специалистов. Руководители высшего звена в крупных корпорациях не понимают трудностей построения моделей глубокого обучения, таких как выбор функций и другие типичные технические проблемы, в то время как технические группы с трудом справляются с этими проблемами. Теперь AI - это клуб из 10 000 человек. На первый план выходит отсутствие таланта и опыта.
Среди других проблем, некоторые крупные предприятия по-прежнему не убеждены в ценности замены надежных практик, основанных на правилах, на ИИ; это старомодный образ мыслей о сопротивлении инновациям. Идан Тендлер, генеральный директор Fortscale, стартапа, который предоставляет аналитику данных для выявления внутренних угроз, отмечает, что в конце концов, компании просто хотят эффективных решений своих проблем, и им все равно, откуда они взяться. ” Ключевым моментом является понимание того, что «технология искусственного интеллекта находится в динамической стадии развития и не всегда может работать идеально ... крупные компании должны учитывать это, но понимать, что, как только они скорректируют свой внутренний бизнес-процесс с помощью технологии, они могут получить много удовольствия. лучшая производительность .
Препятствия, которые нужно решить
Независимо от того, сделают ли компании решительный шаг в сторону ИИ, сама технология вряд ли является стандартным программным обеспечением. Это связано с множеством проблем, которые еще предстоит решить. Одна неприятная проблема: интерпретируемость моделей глубокого обучения, означающая, что иногда трудно точно определить, как нейронная сеть принимает решение. Это создает ряд рисков, включая скрытые предубеждения, отсутствие возможности проверки и допуск на ошибку.
В конечном счете, проблемы для предприятий заключаются в использовании большого количества данных и превращении их в знания, а также в отсутствии талантов и, в некоторых случаях, в скрытом сопротивлении инновациям. Но все они решаемы.
Уже сейчас новые высокоуровневые инфраструктуры, такие как Keras и ONNX, позволяют менее квалифицированным инженерам работать с моделями глубокого обучения. Более широкие и глубокие программы в области науки о данных и машинного обучения в университетах и онлайн-предложениях помогут справиться с нехваткой талантов. Активные исследования новых подходов к работе с немаркированными данными и положительные результаты по рентабельности инвестиций в проекты DL предлагают убедительные доказательства крупным корпорациям практически во всех отраслях. Ни у одного бизнеса больше нет причин бояться практического ИИ.
