Tāpēc AI vēl ir jāpārveido lielākā daļa uzņēmumu

Smaržu pudeles un AI tīkla koncepcijas rasējums Dereks Brahnijs

Smaržu un odekolonu gatavošanas māksla nav īpaši mainījusies kopš 1880. gadiem, kad sāka izmantot sintētiskās sastāvdaļas. Pieredzējuši smaržu veidotāji ķeras pie ķīmisku vielu kombinācijām, cerot radīt jaunas, pārliecinošas smaržas. Tāpēc Ahims Daubs, viens no pasaulē lielākajiem smaržu ražotājiem Symrise, domāja, kas notiktu, ja viņš šajā procesā ievadītu mākslīgo intelektu. Vai mašīna ieteiktu pievilcīgas formulas, kuras cilvēks varētu neiedomāties izmēģināt?

Daubs nolīga IBM, lai izstrādātu datorsistēmu, kas saturētu milzīgu informācijas daudzumu — esošo smaržu formulas, patērētāju datus, regulējošo informāciju — un pēc tam ieteiktu jaunus formulējumus konkrētiem tirgiem. Sistēmu sauc Philyra, grieķu smaržu dievietes vārdā. Ja neskaita atsaucīgo nosaukumu, tas nejūt smaržu, tāpēc tas nevar aizstāt cilvēku parfimērus. Bet tas dod viņiem priekšrocību, lai radītu kaut ko jaunu.

Šis stāsts bija daļa no mūsu 2019. gada marta numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Daubs ir apmierināts ar līdzšinējo progresu. Divas smaržas, kas paredzētas jauniem klientiem Brazīlijā, tiks pārdotas jūnijā. Tikai daži no uzņēmuma 70 smaržu dizaineriem ir izmantojuši sistēmu, taču Daub plāno to ieviest visiem.

Tomēr viņš rūpīgi norāda, ka, lai sasniegtu šo mērķi, bija vajadzīgi gandrīz divi gadi, un tas prasīja ieguldījumus, kuru atgūšana joprojām prasīs kādu laiku. Filiras sākotnējie ieteikumi bija šausmīgi: tā turpināja ieteikt šampūnu receptes. Galu galā tas aplūkoja pārdošanas datus, un šampūns ievērojami pārspēj smaržas un odekolonu. Lai to panāktu, Symrise parfimēri prasīja daudz apmācību. Turklāt uzņēmums joprojām cīnās ar dārgiem IT jauninājumiem, kas bija nepieciešami, lai Philyra ievadītu datus no dažādām uzskaites sistēmām, vienlaikus saglabājot daļu informācijas konfidenciālu no pašiem parfimēriem. Tā ir sava veida stāva mācīšanās līkne, saka Daubs. Mums ne tuvu nav AI, kas ir stingri un pilnībā nostiprinājušies mūsu uzņēmuma sistēmā.

Smaržu bizness diez vai ir vienīgais, kas izmanto mašīnmācīšanos, neparedzot straujas pārmaiņas. Neskatoties uz to, ko jūs varētu dzirdēt par AI, kas pārņem pasauli, cilvēki dažādās nozarēs saka, ka šo tehnoloģiju ir sarežģīti ieviest. Tas var būt dārgi. Un sākotnējā izmaksa bieži vien ir pieticīga.

Viena lieta ir redzēt mākslīgā intelekta sasniegumus, kas var pārspēt Go lielmeistarus, vai pat ierīces, kas ieslēdz mūziku pēc jūsu komandas. Vēl viena lieta ir izmantot AI, lai veiktu vairāk nekā pakāpeniskas izmaiņas uzņēmumos, kas pēc būtības nav digitāli.

Tas nenozīmē, ka mākslīgais intelekts ir pārspīlēts. Taču algoritmi ir neliela daļa no tā, kas patiešām ir svarīgs, pārveidojot uzņēmējdarbības norisi.

AI galu galā varētu pārveidot ekonomiku, padarot iespējamus jaunus produktus un jaunus uzņēmējdarbības modeļus, prognozējot lietas, ko cilvēki nevarēja paredzēt, un atbrīvojot darbiniekus no smagnēšanas. Bet tas var aizņemt ilgāku laiku, nekā cerēts vai baidījies, atkarībā no jūsu atrašanās vietas. Lielākā daļa uzņēmumu nerada ievērojami vairāk darba stundu laikā, ko viņu darbinieki velta. Šāds produktivitātes pieaugums ir vislielākais lielākajos un bagātākajos uzņēmumos, kas var atļauties tērēt lielus līdzekļus talantu un tehnoloģiju infrastruktūrai, kas nepieciešama, lai AI darbotos labi.

Tas ne vienmēr nozīmē, ka mākslīgais intelekts ir pārspīlēts. Vienkārši, ja runa ir par uzņēmuma darbības pārveidošanu, modeļu atpazīšanas algoritmi ir neliela daļa no svarīgākā. Daudz svarīgāki ir organizatoriskie elementi, kas viļņojas no IT nodaļas līdz pat uzņēmuma galvenajai līnijai. Gandrīz ikvienam ir jābūt noskaņotam uz to, kā darbojas mākslīgais intelekts un kur atrodas tā aklās zonas, īpaši cilvēkiem, kuriem ir jāuzticas tā spriedumiem. Tas viss prasa ne tikai naudu, bet arī pacietību, rūpību un citas cilvēka būtiskās prasmes, kuru pārāk bieži trūkst.

Meklē vienradžus

Pagājušā gada septembrī datu zinātnieks Pīters Skomoročs tviterī ierakstīja: Parasti jūs varat sagaidīt, ka jūsu uzņēmuma uzņēmuma pāreja uz mašīnmācīšanos būs aptuveni 100 reizes grūtāka nekā jūsu pāreja uz mobilo. Tam bija joks, taču Skomoročs nejoko. Vairāki cilvēki viņam teica, ka ir atviegloti, dzirdot, ka viņu uzņēmumi nav vieni savās cīņās. Manuprāt, ir daudz sāpju — uzpūstas cerības, saka Skomoroch, kurš ir SkipFlag izpilddirektors. Uzņēmums apgalvo, ka tas var pārvērst uzņēmuma iekšējo komunikāciju darbinieku zināšanu bāzē. AI un mašīnmācīšanās tiek uzskatītas par burvju pasaku putekļiem.

Viens no lielākajiem šķēršļiem ir panākt, lai dažādas uzskaites sistēmas sarunātos viena ar otru. Tā ir problēma, ar kuru Ričards Zane ir saskāries kā galvenais inovāciju speciālists UC Health, slimnīcu un medicīnas klīniku tīklā Kolorādo, Vaiomingā un Nebraskā. Nesen tika ieviests sarunvalodas programmatūras aģents Livi, kas izmanto dabiskās valodas tehnoloģiju no starta uzņēmuma Avaamo, lai palīdzētu pacientiem, kuri zvana uz UC Health vai izmanto vietni. Līvi liek viņiem atjaunot receptes, grāmatas un apstiprina tikšanās, kā arī parāda informāciju par viņu nosacījumiem.

Zane ir gandarīta, ka Līvijai risinot ikdienas jautājumus, UC Health darbinieki var pavadīt vairāk laika, palīdzot pacientiem ar sarežģītām problēmām. Taču viņš atzīst, ka šis virtuālais palīgs maz dara to, ko AI galu galā varētu darīt viņa organizācijā. Tā ir tikai aisberga redzamā daļa vai kāda tā pozitīvā versija, saka Zane. Livi izvietošana aizņēma pusotru gadu, galvenokārt IT galvassāpju dēļ, kas saistītas ar programmatūras saistīšanu ar pacientu medicīniskajiem ierakstiem, apdrošināšanas norēķinu datiem un citām slimnīcu sistēmām.

Līdzīgi iestatījumi ietekmē arī citas nozares. Daži lielie mazumtirgotāji, piemēram, saglabā piegādes ķēdes ierakstus un patērētāju darījumus atsevišķās sistēmās, no kurām neviena nav savienota ar plašākām datu krātuvēm. Ja uzņēmumi neapstājas un neveido savienojumus starp šādām sistēmām, mašīnmācība darbosies tikai ar dažiem viņu datiem. Tas izskaidro, kāpēc visizplatītākie AI lietojumi līdz šim ir bijuši saistīti ar biznesa procesiem, kas ir noklusēti, taču tajos ir daudz datu, piemēram, datoru drošība vai krāpšanas atklāšana bankās.

Pat ja uzņēmums saņem datus no daudziem avotiem, ir nepieciešams daudz eksperimentu un pārraudzības, lai pārliecinātos, ka informācija ir precīza un jēgpilna. Kad Genpact, IT pakalpojumu uzņēmums, palīdz uzņēmumiem uzsākt AI projektus, 10% no darba ir AI, saka Sandžajs Srivastava, galvenais digitālais speciālists. Deviņdesmit procenti no darba faktiski ir datu ieguve, tīrīšana, normalizēšana, strīdēšanās.

Šīs darbības Google, Netflix, Amazon vai Facebook var izskatīties nevainojami. Bet šie uzņēmumi pastāv, lai iegūtu un izmantotu digitālos datus. Viņiem ir arī grezns personāls ar doktora grādiem datu zinātnē, datorzinātnēs un saistītās jomās. Tas atšķiras no vairuma uzņēmumu uzņēmumu ierindas, saka Skomoroch.

Patiešām, mazākiem uzņēmumiem bieži vien darbiniekiem ir jāiedziļinās vairākās tehniskajās jomās, saka Anna Drumonda, Hjūstonas enerģētikas uzņēmuma Sanchez Oil and Gas datu zinātniece. Sančess nesen sāka straumēt un analizēt ražošanas datus no urbumiem reāllaikā. Tas neizveidoja iespējas no nulles: tas iegādājās programmatūru no uzņēmuma MapR. Bet Drummondam un viņas kolēģiem joprojām bija jānodrošina, lai dati no lauka būtu formātā, ko dators var parsēt. Dramonda komanda iesaistījās arī programmatūras izstrādē, kas ievadīs informāciju inženieru ekrānos. Viņa saka, ka cilvēkus, kuri ir prasmīgi visās šajās lietās, nav viegli atrast. Būtībā tas ir kā vienradži. Tieši tas palēnina AI vai mašīnmācības ieviešanu.

Fluor, milzīgs inženierzinātņu uzņēmums, apmēram četrus gadus strādāja ar IBM, lai izstrādātu mākslīgā intelekta sistēmu, lai uzraudzītu masīvus būvniecības projektus, kas var maksāt miljardiem dolāru un iesaistīt tūkstošiem darbinieku. Sistēma ieelpo gan ciparu, gan dabiskās valodas datus un brīdina Fluor projektu vadītājus par problēmām, kas vēlāk var izraisīt aizkavēšanos vai izmaksu pārsniegšanu.

IBM un Fluor datu zinātniekiem nebija vajadzīgs ilgs laiks, lai izveidotu sistēmas izmantotos algoritmus, saka Leslija Lindgrēna, Fluor informācijas pārvaldības viceprezidente. Daudz vairāk laika prasīja tehnoloģijas pilnveidošana, cieši piedaloties Fluor darbiniekiem, kuri izmantos sistēmu. Lai viņi varētu uzticēties tās spriedumiem, viņiem bija jāiesniedz ieguldījums, kā tas darbosies, un viņiem bija rūpīgi jāapstiprina tā rezultāti, saka Lindgrēna.

Lai izstrādātu šādu sistēmu, jums ir jāpiesaista sava domēna eksperti no uzņēmuma — es domāju jūsu labākos cilvēkus, viņa saka. Tas nozīmē, ka jums tie ir jāatceļ no citām lietām. Viņa piebilst, ka bija ļoti svarīgi izmantot labākos cilvēkus, jo AI dzinēja izveide bija pārāk svarīga, pārāk ilga un pārāk dārga, lai viņi to darītu citādi.

AI sēklas

Kad jauninājumi radīsies, cik ātri tas izplatīsies ekonomikā? Ekonomists Zvi Griličes nāca klajā ar dažām fundamentālām atbildēm pagājušā gadsimta piecdesmitajos gados — aplūkojot kukurūzu.

Griliches pētīja ātrumu, kādā kukurūzas audzētāji dažādās valsts daļās pārgāja uz hibrīdšķirnēm, kurām bija daudz lielāka raža. Viņu interesēja ne tik daudz pati kukurūza, bet gan hibrīdu vērtība, bet gan tas, ko mēs šodien sauktu par platformu nākotnes inovācijām. Hibrīdkukurūza bija izgudrošanas metodes izgudrojums, labākās kukurūzas audzēšanas metode noteiktās vietās, Grilišs rakstīja ievērojamā dokumentā 1957. gadā.

Hibrīdi tika ieviesti Aiovas štatā 20. gadsimta 20. gadu beigās un 30. gadu sākumā. Līdz 1940. gadam tie veidoja gandrīz visu štatā stādīto kukurūzu. Taču adopcijas līkne ne tuvu nebija tik stāva tādās vietās kā Teksasa un Alabama, kur hibrīdi tika ieviesti vēlāk un 1950. gadu sākumā aptvēra apmēram pusi no kukurūzas platības. Viens no galvenajiem iemesliem ir tas, ka hibrīdu sēklas bija dārgākas nekā parastās sēklas, un lauksaimniekiem katru gadu bija jāpērk jaunas. Pāreja uz jauno tehnoloģiju bija riskantāks piedāvājums fermām šajos štatos nekā bagātākajā un produktīvākajā kukurūzas joslā Vidējos Rietumos.

Griličes tvēra un ko apstiprināja nākamie ekonomisti, ka tehnoloģiju izplatību mazāk nosaka inovāciju būtiskās īpašības, nevis lietotāju ekonomiskā situācija. Lietotāju galvenais jautājums, kā tas ir tehnologiem, nav, ko var darīt tehnoloģija? bet cik daudz mēs iegūsim, ieguldot tajā?

Mūsdienās mašīnmācība ir visu tādu uzņēmumu kā Facebook, Google un Amazon, kā arī daudzu jaunuzņēmumu darbības aspekts. Tas padara šos uzņēmumus ārkārtīgi bagātus. Taču ārpus šīs mākslīgā intelekta joslas lietas virzās daudz lēnāk racionālu ekonomisku iemeslu dēļ.

Uzņēmumā Symrise Daubs domā, ka smaržu mākslīgā intelekta projekts ir iekritis īstā vietā. Tas bija salīdzinoši neliela mēroga eksperiments, taču tas ietvēra reālu darbu smaržu klientam un nebija tikai laboratorijas simulācija.

Mēs visi esam pakļauti lielam spiedienam, viņš saka. Nevienam īsti nav laika nodarboties ar zaļo lauku mācībām. Tomēr pat tas prasīja lēcienu ticībā tehnoloģijai. Tas viss ir saistīts ar pārliecību, viņš saka. Manī ir ļoti stingra pārliecība, ka AI spēlēs lomu lielākajā daļā nozaru, kuras mēs redzam šodien, dažās pārsvarā. Pilnībā ignorēt to nav risinājums.

paslēpties