Zadaj sobie te cztery pytania, aby się dowiedzieć, czy twoje rozwiązanie AI jest naprawdę AI.
W świecie, w którym modne powiedzonka przychodzą i odchodzą, sztuczna inteligencja (AI) trzyma się zdumiewająco dobrze. Od chwili, gdy po raz pierwszy pojawiła się w formie koncepcji w latach pięćdziesiątych XX wieku, mamy do czynienia ze względnie stałym przepływem technologii, produktów, usług oraz firm, które pretendują do miana AI. Jest dość prawdopodobne, że rozwiązanie, w które inwestujesz dzisiaj, jest określane jako sterowane przez AI lub kierujące się uczeniem maszynowym.
Ale czy tak jest naprawdę?
Dzisiejsza rzeczywistość w większości organizacji jest taka, że AI oraz uczenie maszynowe stanowią maleńki kawałek całego analitycznego tortu. W istocie badania przeprowadzone przez londyńską firmę inwestycyjną MMC Ventures pokazały, że 40% europejskich start‑upów od sztucznej inteligencji nie używało żadnej AI. Ponadto oferty wielu start‑upów oraz dostawców analityki, nawet jeśli były dość zaawansowane, nie spełniały warunków określających nawet najbardziej podstawową AI.
Definiujemy AI jako dowolny system komputerowy, który obserwuje, analizuje oraz uczy się. Klucz stanowi tutaj to, że te systemy są iteracyjne – stają się coraz lepsze i dokładniejsze wraz z tym, jak zbierają i analizują większe ilości danych, bez wyraźnej interwencji ze strony ludzi. Jak sugeruje nazwa, są to maszyny, które się uczą niezależnie od tego, jak prosty byłby ten proces uczenia się.
Co nie jest AI
Tak jak ważnym jest zdefiniowanie, co charakteryzuje dany system jako AI, równie istotne jest określenie, co nie jest AI. Mylenie zaawansowanej analityki oraz technik obliczeniowych z AI i uczeniem maszynowym może prowadzić do zamieszania i następująca teraz część tekstu szczegółowo opisuje niektóre z najbardziej rozpowszechnionych błędnych mniemań na temat AI, aby pomóc liderom w ich zrozumieniu i wykryciu.
1. Samo to, że dany system wykorzystuje algorytmy i zaawansowane statystyki, nie czyni go AI.
Algorytm to zwyczajnie zestaw wstępnie zdefiniowanych kroków lub zasad służących rozwiązaniu problemu. Może być prosty (weźmy jako przykład stwierdzenie typu „jeżeli…, to…”) lub bardzo złożony (na przykład maszyna do gry w szachy). Jednakże większość algorytmów jest statyczna: przy tych samych danych wejściowych zawsze dadzą ten sam wynik. A to oznacza, że nie dokonują korekt ani się nie uczą.
Te algorytmy są często zakodowane przy użyciu standardowych modeli statystycznych, takich jak korelacja czy regresja, które są bardzo dobre w określaniu kierunków trendów w dobrze zdefiniowanych danych. Te kierunki trendów pozwalają im oferować prognozy przyszłych stanów na podstawie zestawu stanów przeszłych. Jednakże prawdziwa AI potrafi działać w przypadku danych, które nie mają wyraźniej struktury, nie są jasno określone, a nawet takich, które nie są numeryczne. Największe przełomy w AI i uczeniu maszynowym pochodzą z analiz wygenerowanych na podstawie języka naturalnego, danych obrazowych czy wideo.
2. Samo to, że dany system odpowiada na pytanie, nie czyni go AI.
Istnieje mnóstwo technologii, takich jak czatboty, które mają zdolność odpowiadania na zadane im pytania. Przypomnijmy sobie popularność systemów wspomagania decyzji w latach osiemdziesiątych i dziewięćdziesiątych XX wieku. Te narzędzia zapewniają automatyczne odpowiedzi na różnorodne problemy poprzez cyfrowe tablice rozdzielcze, a różne wersje tych systemów istnieją nawet dzisiaj do wykonywania takich zadań jak zarządzanie zapasami i prognozy sprzedaży. W większości przypadków robią to albo poprzez dopasowanie pytania do wstępnie wprowadzonych odpowiedzi (w stylu funkcji „pomocy” oprogramowania), albo kalkulując odpowiedź na podstawie zastosowania do danych odpowiedniego algorytmu. Niektóre idą jeszcze dalej, przeszukując internet, jeśli niczego odpowiedniego nie znajdą w bazie danych. Większość z tych systemów nie ma zdolności do umieszczenia pytania w kontekście albo do uczenia się na podstawie tego, jak dokładne były przeszłe odpowiedzi. Dlatego też nie kwalifikują się jako AI.
3. Samo to, że dany system jest reklamowany jako AI, nie czyni go AI.
Natknęliśmy się na wiele start‑upów, sprzedawców oraz dostawców „analityki”, którzy reklamują się jako dostawcy najnowocześniejszych rozwiązań w zakresie AI/uczenia maszynowego. Niestety, większość z nich nas rozczarowała. O ile mogły rzeczywiście być dobre w stosowaniu zaawansowanych metod statystycznych, nie są w stanie zbudować modeli uczenia się z danych ustrukturyzowanych i nieustrukturyzowanych, szczególnie w przypadku dużych wolumenów danych, które zazwyczaj są potrzebne dla zbudowania użytecznych modeli.
Co tak naprawdę robi AI?
Aby sprawdzić, czy oceniana przez ciebie dana strategia czy podejście wymaga sztucznej inteligencji, zwróćmy się do naszej definicji AI jako każdego systemu komputerowego, który obserwuje, analizuje i się uczy.
Po pierwsze, musi obserwować. To oznacza, że musi być zdolny do rozszerzania swojej bazy danych informacji i analiz. Bogaty, lecz statyczny zestaw danych nie wystarczy, ponieważ staje się nieaktualny z chwilą powstania. Tym samym prawdziwy system AI jest zdolny zrozumieć swoje otoczenie i rozszerzyć swoją bazę wiedzy w czasie prawie rzeczywistym. Większość samochodów Tesla ma co najmniej 21 czujników, w tym kamery, czujniki ultradźwiękowe oraz radar. Celem tych czujników jest obserwowanie otoczenia samochodu i dostarczanie w czasie rzeczywistym informacji do potężnego pokładowego systemu jazdy autonomicznej. OrangeShark, wykorzystujący AI start‑up działający w obszarze cyfrowego marketingu, uważnie śledzi różne metryki wyników reklam z przeszłości i automatycznie dopasowuje umiejscowienie reklam, obierając sobie za cel różne aspekty kreatywnych treści dla przyszłych reklam.
Po drugie, AI musi analizować – czyli rozumieć swoje otoczenie. System AI musi być zdolny do analizowania informacji, które obserwuje i zbiera, nawet jeśli te informacje są bardzo chaotyczne. Zatem musi dysponować zaawansowanymi narzędziami dla odnajdowania sygnału w bardzo zaszumionych zestawach danych. Pokładowe komputery Tesli analizują obrazy, sygnały akustyczne oraz inne zbierane dane, aby zrozumieć swoje otoczenie, umożliwiając automatyzację szeregu decyzji związanych z jazdą. Gong.io pomaga personelowi sprzedaży w środowiskach B2B o dużym potencjale poprzez analizę różnych aspektów wizyt handlowych, w tym odcienia emocjonalnego i tonu głosu. Wykorzystując te dane, firmy oraz specjaliści ds. sprzedaży mogą dojść do wielu wniosków przeczących temu, co podpowiada im intuicja – na przykład wizyty handlowe, którym towarzyszy bardziej pozytywny wydźwięk emocjonalny, rzadziej kończą się dobiciem interesu niż te o mniej pozytywnym wydźwięku emocjonalnym.
Po trzecie, system AI musi mieć zdolność do uczenia się. To trzecie kryterium stanowi najważniejszy czynnik odróżniający systemy AI od zwykłej starej analityki danych. Zdolność do testowania, uczenia się oraz ulepszania jest dostępna jedynie w najbardziej zaawansowanych systemach uczenia maszynowego dzisiaj. Te systemy są zdolne do proaktywnego czynienia założeń, tworzenia i testowania hipotez oraz uczenia się na ich podstawie. Tym samym z czasem stają się coraz dokładniejsze. Technologia autonomicznej jazdy firmy Tesla staje się coraz mądrzejsza z każdym kilometrem spędzonym na drodze. Czyni to poprzez obserwację i analizę danych z setek tysięcy samochodów Tesla i uczenie się na podstawie tych danych, jak ulepszyć zdolności jazdy autonomicznej. Może nauczyć się odróżniać zwierzę na środku drogi od plastikowej torby niesionej przez wiatr i dzięki temu dojść do wniosku, że musi się zatrzymać w pierwszym przypadku, a może bezpiecznie jechać dalej w drugim. Szereg obecnych systemów rekomendacji, włączywszy te wykorzystywane przez firmy Netflix i Stitch Fix, zaczynają od wysuwania ogólnych rekomendacji (kiedy niewiele wiedzą o twoich preferencjach). Z czasem poznają twoje wybory i ulepszają swoje działanie, aby wysuwać bardziej dopasowane do ciebie, spersonalizowane rekomendacje – to jest zdolność, której brakuje systemom pozbawionym uczenia maszynowego.
Jeśli nie jesteś pewny, czy system, z którego korzystasz lub którego zakup rozważasz, jest naprawdę AI, opracowaliśmy listę kluczowych pytań, które musisz sobie zadać. (Zobacz: „Czy mój system AI jest naprawdę AI?”).
Czy mój system AI jest naprawdę AI?
Czy wykorzystuje duże ilości danych w szerokiej gamie formatów?
Potrzebuje niewielkiej ilości danych – prawdopodobnie nie jest to AI.
Z trudnością przychodzi mu radzenie sobie z danymi nieustrukturyzowanymi czy chaotycznymi, takimi jak tekst o swobodnym charakterze, obrazy czy wideo – prawdopodobnie nie jest to AI.
Wykorzystuje duże ilości danych w różnych formatach – albo wprowadzanych ręcznie, albo poprzez zautomatyzowane czujniki – prawdopodobnie jest to AI.
Czy z czasem aktualizuje wykorzystywane przez siebie dane?
Dane, jakie wykorzystuje, są statyczne – prawdopodobnie nie jest to AI.
Niezbyt często aktualizuje bazę o nowe dane – prawdopodobnie nie jest to AI.
Aktualizuje się nowymi danymi w czasie prawie rzeczywistym – prawdopodobnie jest to AI.
Czy z czasem dostosowuje swoją logikę decyzyjną?
Leżąca u podstaw jej działania logika decyzyjna nie zmienia się – prawdopodobnie nie jest to AI.
Leżąca u podstaw jej działania logika decyzyjna zmienia się tylko w przypadku zaplanowanych aktualizacji – prawdopodobnie nie jest to AI.
Często ulepsza swoja logikę decyzyjną w czasie prawie rzeczywistym, dochodząc do punktu, w którym prawie niemożliwym staje się zrozumienie, jak doszła do określonych rezultatów – prawdopodobnie jest to AI.
Czy dokonuje korekt w przypadku potencjalnych odchyleń?
Nie stara się szacować lub mierzyć potencjalnych odchyleń – prawdopodobnie nie jest to AI.
Nie dokonuje automatycznych korekt w przypadku odchyleń, nawet jeśli je widzi – prawdopodobnie nie jest to AI.
Proaktywnie mierzy i dokonuje korekt w przypadku wystąpienia odchyleń – prawdopodobnie jest to AI.
Oczywiście organizacje najpierw muszą właściwie określić problemy do rozwiązania, a dopiero potem spróbować zdecydować, czy techniki AI/uczenia maszynowego stanowią właściwe rozwiązanie tych problemów. AI może być niezwykle przydatna w rozwiązywaniu trudnych problemów biznesowych, ale faktyczny odsetek przypadków zastosowania, w których AI jest zdecydowanie lepsza od prostej analityki danych czy ludzkich analiz, jest dość niski.
W większości przypadków najlepsze wnioski wynikają z użycia najprostszych narzędzi. Nigdy nie pozwól, aby to narzędzie dyktowało ci, jak rozwiążesz dany problem. Ale jeśli zdecydujesz, że potrzebujesz AI, upewnij się, że produkt, który budujesz lub kupujesz, naprawdę jest AI.
O AUTORACH
Michael Wade jest profesorem w dziedzinie innowacji i strategii w szwajcarskiej Szkole Biznesu IMD, gdzie jest szefem wydziału Cisco Transformacji Cyfrowej Biznesu. Jego najnowsze książki to Digital Vortex oraz Orchestrating Transformation. Amit Joshi jest profesorem w dziedzinie AI, analityki i strategii marketingowej w szwajcarskiej Szkole Biznesu IMD. Jako zdobywca wielu nagród za badania i autor studiów przypadku od wielu lat pracuje z firmami w branżach telekomunikacji, usług finansowych, farmaceutyki i produkcji. Mark J. Greeven jest profesorem w dziedzinie innowacji i strategii w szwajcarskiej Szkole Biznesu IMD i współautorem publikacji Pioneers, Hidden Champions, Changemakers, and Underdogs (MIT Press, 2019). Robert Hooijberg jest profesorem w dziedzinie zachowań w organizacjach w szwajcarskiej Szkole Biznesu IMD. Jest współautorem publikacji Being There Even When You Are Not: Leading Through Strategy, Structures, and Systems oraz Leading Culture Change in Global Organizations: Aligning Culture and Strategy. Shlomo Ben‑Hur jest profesorem w dziedzinie przywództwa i zachowań w organizacjach w szwajcarskiej Szkole Biznesu IMD. Jest współautorem publikacji Leadership OS, Changing Employee Behavior oraz Talent Intelligence i autorem publikacji The Business of Corporate Learning.
