Έχει γίνει δύσκολο να τεθούν ρεαλιστικές προσδοκίες για την τεχνητή νοημοσύνη και αυτό μπορεί να καταλήξει σε σύγχυση στις προσπάθειες κατανόησης της πραγματικής αξίας των προσπαθειών AI. Καθώς η χρήση της τεχνολογίας αυξάνεται, αυτό σημαίνει αλλαγή στο επαγγελματικό τοπίο για τους επαγγελματίες της τεχνολογίας, ευνοώντας περισσότερους δημιουργικούς στοχαστές.
Αυτά είναι τα λόγια του Ajay Malik, πρώην επικεφαλής αρχιτεκτονικής και μηχανικής του Παγκόσμιου Δικτύου Επιχειρήσεων της Google και επί του παρόντος διευθύνοντος συμβούλου του Secomind.ai, ο οποίος βλέπει έναν δύσκολο δρόμο μπροστά για την τεχνητή νοημοσύνη. Ίσως μια από τις πιο απαιτητικές πτυχές της τεχνητής νοημοσύνης σε αυτό το στάδιο είναι να θέτει ρεαλιστικές προσδοκίες, είπε σε ένα πρόσφατο podcast που φιλοξενήθηκε από τον Thomas Earle, πρόεδρο της Arcitura Education.
Επίσης: Photoshop vs Midjourney vs DALL-E 3: Μόνο μία γεννήτρια εικόνας AI πέρασε τις 5 δοκιμές μου
Για αρχή, υπάρχει έλλειψη μέτρησης ή κατανόησης των πιθανών πλεονεκτημάτων που παρέχει η τεχνητή νοημοσύνη, είπε ο Malik. Οι υπεύθυνοι λήψης αποφάσεων «θέλουν να είναι σίγουροι ότι όλες οι πληροφορίες που θα χρησιμοποιήσουν εσωτερικά ή με τους πελάτες είναι ακριβείς», είπε. «Πώς θα μετρήσουν οι εταιρείες την ακρίβεια αυτού που κάνει η AI; Λοιπόν η τεχνητή νοημοσύνη έχει κάνει κάτι, πώς ξέρεις πάντα τι είναι σίγουρα; Πώς μπορείς να το εμπιστευτείς αυτό 100%;»
Αυτό επηρεάζει το πόσο καλά μπορούν να επιτευχθούν οι επιχειρηματικοί στόχοι χρησιμοποιώντας την τεχνητή νοημοσύνη, είπε ο Earle. «Εάν οι οργανισμοί αποτύχουν ή σκοντάψουν ή εάν επενδύσουν σε συστήματα τεχνητής νοημοσύνης που καταλήγουν σε απώλειες αντί για ανάπτυξη, θα μπορούσε να καθυστερήσει ή να αλλάξει το αποτέλεσμα του τρόπου με τον οποίο η τεχνητή νοημοσύνη μπορεί να επηρεάσει το εργατικό τους δυναμικό. Μπορεί να σκεφτούν, «Αυτό δεν λειτούργησε, ας επιστρέψουμε στους ανθρώπινους εργάτες». Αλλά η πιθανότητα είναι πραγματική και πρέπει να προετοιμαστούμε για τυχόν συνέπειες».
Δυστυχώς, δεν υπάρχουν σαφείς εικόνες πριν και μετά που να δείχνουν ξεκάθαρα τον αντίκτυπο ή την ακρίβεια της τεχνητής νοημοσύνης, είπε ο Malik. Για να λύσουν αυτό το πρόβλημα, «πρέπει να αναπτύξουν ενσωματωμένη επικύρωση, ενσωματωμένη επεξήγηση και ενσωματωμένους ελέγχους και ισορροπίες για να δουν εάν η απάντηση της τεχνητής νοημοσύνης είναι σωστή». Αυτό περιλαμβάνει «ένα εναλλακτικό μονοπάτι, έναν μηχανισμό, ένα μοντέλο που παρέχει μια μέθοδο ώστε να μπορούν να δοκιμάσουν την απάντηση».
Το κλειδί είναι να κατανοήσουμε τι ακριβώς παράγει το σύστημα AI, συμβούλεψε ο Malik. «Μην χρησιμοποιείτε το AI ως μαύρο κουτί στο οποίο βασίζεστε χωρίς καν να το σκέφτεστε. Δεν είμαστε εκεί σήμερα». Επιπλέον, οι εταιρείες δεν μπορούν να βασίζονται σε υπηρεσίες όπως το ChatGPT, καθώς οι απαντήσεις πρέπει να είναι ακριβείς και απαλλαγμένες από παραισθήσεις.
Επίσης: AI Narrative Attacks – A Growing Threat: 3 Defense Strategies for Business Leaders
Αντίθετα, συμβουλεύει, τα συστήματα τεχνητής νοημοσύνης θα πρέπει να έχουν «ενσωματωμένους ελέγχους και ισορροπίες που επικυρώνουν τις απαντήσεις, επικυρώνουν δεδομένα και προσφέρουν επεξήγηση. Υπάρχει ένας όρος για αυτό που ονομάζεται XAI, ή Εξηγήσιμο AI.”
Ο Malik συνέχισε, «Υπάρχουν επίσης σοβαρές συνέπειες για τις καριέρες που εστιάζονται στην τεχνολογία». «Έρχεται μια μεγάλη αλλαγή πόρων», είπε. Όσοι υπάλληλοι χρησιμοποιούν τεχνητή νοημοσύνη θα γίνουν πολύ πιο πολύτιμοι από εκείνους που δεν χρησιμοποιούν τεχνητή νοημοσύνη».
Ο αντίκτυπος της τεχνητής νοημοσύνης θα γίνει αισθητός στους τύπους θέσεων εργασίας και ρόλων που θα ανθίσουν τους επόμενους μήνες και χρόνια. «Ακόμη και στον προγραμματισμό, ακόμη και στις δοκιμές, μεγάλο μέρος αυτής της δουλειάς θα εξαλειφθεί — όχι σήμερα, αλλά με την πάροδο του χρόνου», προέβλεψε ο Malik. «Αυτή είναι η δουλειά που μπορεί να κάνει η τεχνητή νοημοσύνη – εργασία πολύ χαμηλού επιπέδου ή πολύ επαναλαμβανόμενη, περιττή εργασία».
Αυτό θα ισχύει ιδιαίτερα για θέσεις σε επίπεδο κωδικοποίησης, σε αντίθεση με θέσεις ανάπτυξης λογισμικού υψηλότερου επιπέδου, συνέχισε. «Οι κωδικοποιητές γράφουν απλώς κώδικα με βάση κάποια γνωστά γεγονότα, αλλά ο προγραμματισμός απαιτεί περισσότερη σκέψη. Στη δική μου εταιρεία, βλέπουμε 20 έως 25 φορές μεγαλύτερη παραγωγικότητα λόγω της χρήσης της τεχνητής νοημοσύνης για την υποστήριξη κωδικοποίησης, για την υποστήριξη συσκέψεων, πρακτικών συσκέψεων, στοιχείων δράσης, τώρα μπορούν να κάνουν πολλά περισσότερα με λιγότερα άτομα.»
Επίσης: Η Intel εξετάζει την τεχνητή νοημοσύνη στην Επιχείρηση σε «Διαδρομή τριών έως πέντε ετών»
Ταυτόχρονα, θα υπάρξει μια στροφή προς «στοχαστές, λύτες προβλημάτων, ανθρώπους που είναι δημιουργικοί», πρόσθεσε ο Malik. «Το AI θα φροντίσει για εργασίες που είναι επαναλαμβανόμενες ή καλά καθορισμένες. Αλλά οι δημιουργικοί άνθρωποι θα χρησιμοποιήσουν την τεχνητή νοημοσύνη για να παράγουν με υψηλή ταχύτητα και υψηλή ποιότητα και κάτι πραγματικά δημιουργικό. Αυτή η στροφή έρχεται».