Защо компаниите трябва да спрат да се опитват да бъдат „Първо Изкуствения Интелект“

Защо компаниите трябва да спрат да се опитват да бъдат „Първо Изкуствения Интелект“

Когато изкуственият интелект (ИИ) като такъв, се превърне в цел, ние губим от поглед проблемите, които трябва да решим

Изкуственият интелект се превърна в модна дума в технологичната индустрия. Компаниите са нетърпеливи да се представят като „първи в ИИ“ и използват термините „изкуствен интелект“, „машинно обучение“ и „дълбоко обучение“ изобилно в своите уеб и маркетингови копия.

Какви са ефектите от сегашния шум около ИИ? Просто подвежда компаниите и крайните потребители или засяга и инвеститорите и регулаторите? Как се оформя мисленето за създаване на продукти и услуги? Как сливането на научни изследвания и разработване на търговски продукти подхранва шума?

Това са някои от въпросите, на които Ричард Хайман, главен директор по ИИ в Cybraics, отговаря в новата си книга „Правим ИИ“. Основното послание на Хайман е, че когато самият ИИ стане наша цел, ние губим от поглед всички важни проблеми, които трябва да решим. И като цяло правим грешни заключения и вземаме грешни решения.

Машинното обучение, дълбокото обучение и всички други технологии, които се вписват в термина „ИИ“, трябва да се разглеждат само след като имаме добре дефинирани цели и проблеми, твърди Хайман. И ето защо да бъдеш „първи в ИИ“ означава да правиш ИИ последен.

Задвижвани от решения срещу задвижвани от проблеми

Една от темите, към които Хайман се връща в книгата, е грешният фокус. Когато компаниите говорят, че са „първи в ИИ“, тяхната цел е някак си да интегрират най-новите и най-големи постижения в изследванията на ИИ в своите продукти (или поне да се преструват, че го правят). Когато това се случи, компанията започва с решението и след това се опитва да намери проблем, който да реши с него.

Може би ярък пример е тенденцията около големите езикови модели, които вдигат много шум в масовите медии и се представят като общи средства за решаване на проблеми при обработката на естествен език. Въпреки че тези модели са наистина впечатляващи, те не са сребърен куршум. Всъщност в много случаи, когато имате добре дефиниран проблем, по-прост модел или дори регулярен израз или програма, базирана на правила, може да бъде по-надежден от GPT-3.

„Първо тълкуваме AI, сякаш трябва буквално да създадем решение, без да знаем защо. Нещо повече, че ние концептуализираме абстрактно, идеализирано решение, което поставяме пред проблемите и клиентите, без да обмисляме напълно дали е разумно да го направим, дали рекламата е вярна или как фокусирането на решенията влияе върху нашия бизнес“, пише Хайман.

Това е болезнен момент, с която се сблъскваме отново и отново в начина, по който компаниите се опитват да представят своите продукти. Често четем доста (понякога противоречив) жаргон с изкуствен интелект, опитвайки се усилено да разберем какъв проблем решава компанията. Понякога не намираме нищо впечатляващо.

„Всеки, който говори за ИИ без да назове проблем, вероятно не се интересува от създаването на истински бизнес или няма представа какво означава бизнес“, казва Хайман. „Може би тези желаещи предприемачи търсят стратегическо придобиване. Ако мечтата ви е да бъде придобити от Google, не винаги се нуждаете от бизнес. Google е бизнес и не се нуждае от вашия. Въпреки това, фактът, че Google е бизнес, не трябва да се пренебрегва.“

Шумът покрай изкуствен интелект привлече интерес и финансиране в областта, осигурявайки на стартъп компании и изследователски лаборатории много пари, за да преследват мечтите си. Но има и неблагоприятни ефекти. От една страна, използването на двусмисления, антропоморфен и неясно дефиниран термин „изкуствен интелект“ поставя високи очаквания у клиентите и потребителите и предизвиква объркване. Това също може да накара компаниите да пренебрегнат по-достъпни решения и да изгубят ресурси за ненужни технологии.

„Важно е да запомните, че ИИ не е някакъв монолит. Това означава различни неща за различните хора“, казва Хайман. „Не може да го кажете, без да объркате всички. Ако сте мениджър и кажете „ИИ“, вие създавате външни цели за хората решаващи проблеми. Ако кажете „ИИ“ без връзка с проблем, ще създадете несъответствия, защото персоналът ще намери проблеми, подходящи за някакво произволно решение.

ИИ изследвания срещу приложен ИИ

Академичните изследвания върху изкуствения интелект са фокусирани върху достигането до границите на науката. Учените изучават познанието, мозъка и поведението на животните и хората, за да намерят намеци за създаване на изкуствен интелект. Те използват ImageNet, COCO, GLUE, Winograd, ARC, настолни игри, видео игри и други показатели за измерване на напредъка на ИИ. Въпреки че знаят, че техните открития могат да послужат на човечеството в бъдеще, те не се притесняват дали технологията им ще бъде комерсиализирана или произведена през следващите няколко месеца или години.

Приложният ИИ, от друга страна, има за цел да решава специфични проблеми и да доставя продукти на пазара. Разработчиците на приложни ИИ системи трябва да се съобразяват с паметта и изчислителните ограничения, наложени от компютърната среда. Те трябва да отговарят на разпоредбите и на стандартите за безопасност и здравина. Те измерват успеха по отношение на аудитория, печалби и загуби, удовлетвореност на клиентите, растеж, мащабируемост и т.н. Всъщност при разработването на продукти машинното обучение и дълбокото обучение (и всяка друга технология за изкуствен интелект) се превръщат в един от многото инструменти, които използвате за решаване на проблеми на клиентите.

През последните години, особено след като търговските субекти и големите технологични компании поеха водеща роля в изследванията на ИИ, границите между изследвания и приложения се размиха. Днес компании като Google, Facebook, Microsoft и Amazon отчитат голяма част от парите, които отиват за изследвания на ИИ. Следователно техните търговски цели влияят върху посоките, които поемат изследванията на ИИ.

„Стремежът да се реши всичко, вместо нещо, е срещата на върха за вътрешни хора и затова те търсят когнитивно правдоподобни решения“, пише Хайман. „Но това не променя факта, че решенията не могат да бъдат всичко за всички проблеми и, независимо дали ни харесва или не, не може и бизнесът. На практика никой бизнес не изисква решения, които са универсални, тъй като бизнесът не е универсален по своята същност и често не може да постигне цели „в широк спектър от среди“.“

Пример за това е DeepMind, базираната в Обединеното кралство изследователска лаборатория за изкуствен интелект, която беше придобита от Google през 2014 г. Мисията на DeepMind е да създаде безопасен изкуствен общ интелект. В същото време тя е длъжна да връща печалби за своя собственик.

Същото може да се каже и за OpenAI, друга изследователска лаборатория, която преследва мечтата за изкуствен общ интелект. Но тъй като се финансира предимно от Microsoft, OpenAI трябва да намери баланс между научните изследвания и разработването на технологии, които могат да бъдат интегрирани в продуктите на Microsoft.

„Границите между академичните среди и бизнеса стават все по-трудни за разпознаване и се усложняват от икономически фактори и мотивации, неискрено поведение и противоречиви цели“, казва Хайман. „Тук виждаме компании, които правят научни изследвания и публикуват статии и се държат подобно на традиционните академични институции, за да привлекат академично настроени професионалисти. Можете също така да намерите учени, които запазват позициите си, докато заемат роли в индустрията. Академиците правят завишени твърдения и създават бизнеси само с ИИ, които не решават проблеми за да вземат пари по време на ИИ конференции. Компаниите имат големи претенции с академична подкрепа. Това подкрепя заетостта от човешки ресурси, като цяло престижа на компанията и оказва влияние върху „ефекта на мултиплициране“.“

Изкуственият интелект и мозъка

Отново и отново учените откриват, че решенията на много проблеми не изискват непременно интелигентност на човешко ниво. Изследователите са успели да създадат ИИ системи, които могат да овладеят шах, играта Го, състезания по програмиране и научни изпити, без да възпроизвеждат процеса на човешки разсъждения.

Тези открития често създават дебати относно това дали ИИ трябва да симулира човешкия мозък или да има за цел да даде приемливи резултати.

„Въпросът е уместен, защото AI не решава проблемите по същия начин като хората“, казва Хайман. „Без човешкото познание тези решения няма да решат никакъв друг проблем. Това, което наричаме „ИИ“, е тясно предназначен и решава само проблеми, които е бил предназначен да реши. Това означава, че бизнес лидерите все още трябва да намерят важни проблеми и или да намерят правилното решение, или да проектират правилното решение за разрешаване на тези проблеми.

Хайман също така предупреждава, че ИИ решенията, които не действат като хората, ще се провалят по уникални начини, които са различни от хората. Това има важни последици за безопасността, сигурността, надеждността и много други социални въпроси.

„Това непременно означава, че трябва да използваме „ИИ“ с преценка и никога за прости проблеми, които хората биха могли да решат лесно или когато цената на грешката е висока и се изисква отчетност“, казва Хайман. „Отново, това ни връща към естеството на проблема, който искаме да разрешим.“

В друг смисъл, въпросът дали ИИ трябва да симулира човешкия мозък не е уместен, тъй като повечето изследвания на ИИ се интересуват много малко от когнитивната правдоподобност или биологичната правдоподобност, смята Хайман.

„Често чувам бизнес настроени хора да подкрепят глупости за това, че изкуствените невронни мрежи са „вдъхновени от…“ или „приблизително имитират“ мозъка“, казва той. „Невроналният аспект на изкуствените невронни мрежи е просто декорация за изчислителен функционализъм, който така или иначе игнорира всички разлики между силиций и биология. Освен няколко противоположни примера, изследванията на изкуствените невронни мрежи все още се фокусират върху функционализма и не се интересуват от подобряване на достоверността на невроните. Ако вътрешните хора като цяло не се интересуват от преодоляване на пропастта между биологични и изкуствени невронни мрежи, и вие не трябва да го правите.

В книгата той подчертава, че за решаване на достатъчно сложни проблеми можем да използваме напреднали технологии като машинно обучение, но това, как се нарича тази технология, означава по-малко от това защо сме я използвали. Оцеляването на бизнеса не разчита на името на решение, философията на ИИ или определението за интелигентност.

Той пише: „Вместо да питаме дали ИИ е свързан със симулиране на мозъка, би било по-добре да попитаме: „Изисква ли се бизнесът да използва изкуствени невронни мрежи?“ Ако това е въпросът, тогава отговорът е не. Презумпцията, че трябва да използвате някакво произволно решение, преди да идентифицирате проблема, е отгатване на решението. Въпреки че изкуствените невронни мрежи са много популярни и почти перфектни в тесния смисъл, че могат да съберат сложни функции в данните – и по този начин да компресират данните в полезни представяния – те никога не трябва да бъдат цел на бизнеса, тъй като сближаването на функция с данни рядко е достатъчно, за да решаване на проблем, а при липса на решаване на проблем, никога не трябва и да е целта на бизнеса.“

Правете ИИ на последно място

Когато става въпрос за разработване на продукти и бизнес планове, проблемът е на първо място и после следва технологията. Понякога, в контекста на проблема, подчертаването на технологията има смисъл. Например, „първо мобилно“ приложение предполага, че то адресира проблем, с който потребителите се сблъскват главно, когато не седят зад компютър. Решението „първо в облака“ предполага, че съхранението и обработката се извършват основно в облака, за да се направи една и съща информация достъпна на множество устройства или да се избегне претоварване на изчислителните ресурси на устройствата на крайния потребител. Заслужава да се отбележи, че тези два термина също се превърнаха в безсмислени модни думи, след като бяха прекомерно използвани. Те бяха смислени в годините, когато компаниите преминаваха от локални инсталации към облачбу и от уеб към мобилни устройства. Днес се очаква всяко приложение да бъде достъпно на мобилни устройства и да имате силна облачна инфраструктура.

Но какво казва „оърво ИИ“ за контекста на приложението и проблема, който решава?

„Първо ИИ“ е оксиморон и е свързано с егото. Не можете да направите нещо, преди да разберете обстоятелствата, които го налагат“, казва Хайман. „Стратегиите за ИИ, като „първо ИИ“, могат да означават всичко. Бизнес стратегията е твърде широка, когато включва всичко или неща, които не трябва, като например интелигентността. Бизнес стратегията е твърде тясна, когато не включва неща, които трябва, като споменаване на действителен проблем или реален клиент. Кръговите стратегии са тези, при които решението дефинира цел, а целта определя това решение.

„Когато ви липсва проблем, клиент и специфична за пазара информация, екипите ще попълнят празните места и ще работят върху всичко, за което се сетят, когато мислят за ИИ. Въпреки това е малко вероятно да намерите клиент в абстрактно решение като „ИИ“. Следователно изкуственият интелект не може да бъде бизнес цел, а когато е, стратегията е по-сложна, граничеща с невъзможно.“

За авторът

Георги Петров
Георги Петров
Георги е дългогодишен експерт в областта на информационните технологии, специализиран в архитектурния дизайн на компютърни среди и цялостни решения. В допълнение към професионалната си работа, Георги се интересува от решения за устойчив дизайн на обществото, насочени към решаване на проблемите, пред които е изправен светът и разработването на цялостни решения за устойчив дизайн, чрез хуманното прилагане и използване на системен подход, наука и технологии в социален аспект.
0 0 гласувания
Вашата оценка?
Абонирай се
Уведоми ме за
0 Коментари
Inline Feedbacks
Вижте всички коментари
0
Бихме желали да чуем вашето мнение. Моля, оставете коментар.x
()
x