Hvordan sette realistiske forventninger til AI

AI har en historie med overpromising og underlevering av Starmind-gründer Pascal Kaufmann forklarer forskjellen mellom maskinlæring, naturlig språkbehandling, automatisering og de andre komponentene i kunstig intelligens.

27. juli 2018 brøt nyheter om at samarbeidsinnsats for kreftbehandling mellom Sloan Kettering Research Institute og IBM produserte forekomster av behandlingsresepter som ikke var egnet for pasientene behandlingene ble foreskrevet for.

I ett tilfelle fikk en 65 år gammel mann forskrevet et medikament som kan føre til "alvorlig eller dødelig blødning", selv om han allerede hadde lidelse av alvorlig blødning

Da etterforskere gravde dypere, fant de ut at IBM-ingeniører og leger fra Sloan Kettering hadde matet hypotetiske pasientdata til IBMs Watson, som behandlet behandlingsanalysen. Opprinnelig tenking var at bruken av hypotetiske stoffer (i stedet for reelle pasientdata) potensielt skjev AI og resulterte i flere eksempler på utrygge eller uriktige behandlingsanbefalinger.

Ved første rødme er det lett å smelle AI - men skal vi det?

Den viktigste leksjonen du kan lære av Watson eller annen AI-teknologi som prøves i virksomheten akkurat nå, er at AI ikke er perfekt. Og hvis AI "trening" er avhengig av systemingeniører og fageksperter, vil AI ha mye å tilby - men det vil også ta flere år å fullføre.

SE: Kunstig intelligens: Trender, hindringer og potensielle gevinster (Tech Pro Research)

Vi ser AI-begrensningene i andre eksempler ved siden av Watson. Disse inkluderer:

De automatiserte anropsdeltakerne og selvhjelpsfasiliteter på nettet som gir deg svaret på alt bortsett fra det du vil vite

De elektroniske AI-undersøkelsene som påstår å fortelle deg om deg selv og deretter fortelle deg at du er fra Boston-området, selv om du aldri har vært i New England

Så hvis du er en IT-utøver som kjører et AI-prosjekt, hvilke gjeldende beste praksis kan du bruke for å oppnå størst suksess på et evolusjonsområde innen teknologi? Her er noen problemer du bør vurdere.

1. AI er en iterativ prosess som kontinuerlig krever menneskelig og maskinell interaksjon

Da et AI-system ble opplært i Kina slik at data samlet på urbane sykehus kunne brukes i AI til hjerneslagbehandlinger i avsidesliggende landlige områder som kanskje ikke hadde opplært medisinsk personell, ble mange pasientsaker og behandlinger lagt inn i datalagringsplassene. Analyse og algoritmer ble kontinuerlig kjørt på nytt og foredlet til AI-diagnosene kom med 99, 9% nøyaktighet av hva en dyktig medisinsk lege ville diagnostisere.

2. Det er viktig å eliminere analytiske skjevheter

Hjertesykdommer er fortsatt et område med høyere risiko for kvinner fordi de fleste studier av hjertesykdommer har blitt kjørt på menn, som har forskjellige symptomer og krever forskjellige behandlinger. Hjertesykdom er et eksempel der standard medisinsk praksis kan være partisk og kanskje ikke er like effektivt for alle pasienter. Hvis du overfører disse forutsetningene til et AI-system, vil systemet ditt også være partisk.

SE: Spesiell rapport: Data, AI, IoT: fremtiden for detaljhandel (gratis TechRepublic PDF)

3. AI er en kontinuerlig læringsopplevelse

Ideen om elektrisitet kan ha kommet så tidlig som i 600 f.Kr., men det tok århundrer å gjøre elektrisitet til en del av hverdagen. Når vi lærer mer om forhold og hendelser, vokser kunnskapen vår og vi kommer med nye ideer. AI er ikke annerledes. AIs evne til å analysere og forutsi er avhengig av hvor mye det tar inn fra mennesker og maskiner og hvor kontinuerlig algoritmene er foredlet.

4. Det er ingen erstatning for dyktige utøvere

Det vil aldri være en erstatning for en dyktig kirurg, ingeniør eller advokat eller mekaniker som har førstehåndserfaring med mange typer saker som ikke går etter boken, men som likevel må løses. Dette er et anomalitetsområde der AI-logikk ofte kommer til kort - og en grunn til at du fremdeles trenger menneskelige utøvere som jobber sammen med AI-verktøy.

5. Det søte stedet for menneske-maskinarbeid må finnes

Det AI bringer virksomheten er en måte å raskt behandle datamengder på i løpet av sekunder og å bruke algoritmer på dataene som kommer med hypoteser og spådommer. Det mennesker som jobber ved siden av disse maskinene har med seg, er deres praktiske kunnskap og erfaring, som går utover dataknusing og kommer inn i domenet til det ukjente og det uventede. Å finne den rette balansen mellom de to for best resultat er det viktigste en IT-prosjektleder kan gjøre når AI settes inn i selskapets drift.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

Les også ...

  • Én av fem selskaper mangler infrastruktur for kunstig intelligens (ZDNet)
  • Topp 5: måter AI vil endre virksomhet (TechRepublic)
  • AI på arbeidsplassen: Alt du trenger å vite (ZDNet)
  • 5 trinn for å hjelpe bedriften med å dra nytte av AI
  • Etterspørselen etter AI-talent eksploderer: Her er de 10 mest etterspurte jobbene

Din ta

Har du fått i oppgave å drive et AI-prosjekt? Hvilke hindringer eller overraskelser har du møtt? Del erfaringer og råd med andre TechRepublic-medlemmer.

Bilde: iStock / Artem Burduk

© Copyright 2020 | mobilegn.com