Η τεχνητή νοημοσύνη (AI) έχει επιτύχει αξιοσημείωτα αποτελέσματα — τουλάχιστον σε μικρότερη κλίμακα, όπως φαίνεται σε προσωπικούς βοηθούς, ρομπότ και κινητές συσκευές. Ωστόσο, το θέμα των μεγάλων εταιρικών έργων δεν έχει ακόμη επιλυθεί. Τα στελέχη και οι επαγγελματίες μπορεί να γνωρίζουν την πιθανότητα ότι οι ελπίδες τους για τεχνητή νοημοσύνη μπορεί να είναι πιο δύσκολες από ό,τι είχαν προγραμματιστεί. Οι τεχνολογίες τεχνητής νοημοσύνης γίνονται ακριβές, οι επιχειρήσεις δεν είναι έτοιμες και η απόδοση επένδυσης (ROI) εξακολουθεί να είναι ένα μεγάλο ερωτηματικό.
Επίσης: Οι οργανισμοί αντιμετωπίζουν αυξανόμενη πίεση για να επιταχύνουν τα σχέδια τεχνητής νοημοσύνης παρά την έλλειψη απόδοσης επένδυσης (ROI).
Αυτή είναι η προειδοποίηση από τον David Linthicum, έναν αξιοσέβαστο αναλυτή που έγραψε κυριολεκτικά το βιβλίο για την ενοποίηση των επιχειρήσεων, την τεχνολογία cloud και πολλά άλλα. Αλλά δεν είναι αισιόδοξος για την επιτυχία των έργων AI αυτή τη στιγμή — τουλάχιστον όχι ακόμη. Πιστεύει ότι μια «πτωτική τάση» στις προμήθειες επιχειρηματικής τεχνητής νοημοσύνης είναι αναπόφευκτη καθώς οι εταιρείες συνειδητοποιούν ότι η πραγματικότητα δεν ανταποκρίνεται στη διαφημιστική εκστρατεία και πέφτουν στα βάθη της απογοήτευσης. Ωστόσο, σε ένα ή δύο χρόνια, θα υπάρξουν ισχυρές περιπτώσεις χρήσης και υλοποιήσεις τεχνητής νοημοσύνης που θα είναι πιο κοντά στην επιχείρηση.
Σύμφωνα με το Linthicum, υπάρχουν τέσσερις λόγοι για τους οποίους οι επιχειρήσεις απογοητεύονται από την τεχνητή νοημοσύνη:
- Συναντάμε ένα «τείχος δεδομένων»: Το κύριο πρόβλημα που αντιμετωπίζουν οι επιχειρήσεις είναι ότι «δεν οφείλεται στο ότι η γενετική τεχνολογία AI είναι κακή, αλλά επειδή τα δεδομένα τους είναι κακά», εξήγησε. Το πρόβλημα είναι ότι «δεν είναι τόσο εύκολο να διορθωθεί, θα πρέπει να σταματήσετε αυτό που κάνετε και να επιστρέψετε και να διορθώσετε τα δεδομένα σας. Για πολλούς από αυτούς τους οργανισμούς, το συγκεκριμένο θέμα δεν έχει αντιμετωπιστεί πρόσφατα. 20 ή 30 χρόνια. [Moreover]Είναι ένα σημαντικό κόστος και κίνδυνος και κάποιος πρέπει να πάει σε μια συνεδρίαση του διοικητικού συμβουλίου και να του πει ότι θα δαπανήσουμε 30 εκατομμύρια δολάρια για να διορθώσουμε τα δεδομένα μας προτού μπορέσουμε να προχωρήσουμε στη δημιουργία τεχνητής νοημοσύνης. Αυτές είναι δύσκολες κουβέντες».
- Οικονομικό σοκ: Η δημιουργία, η εφαρμογή και η διατήρηση της τεχνητής νοημοσύνης απαιτεί περισσότερους πόρους από τα προηγούμενα κύματα τεχνολογίας, όπως το cloud ή οι κινητές συσκευές. «Αυτά τα πράγματα είναι πολύ ακριβά», είπε. «Κοστίζουν τουλάχιστον δύο έως τρεις φορές περισσότερο από τα παραδοσιακά πλαίσια, χρειάζονται εξειδικευμένους επεξεργαστές όπως GPU, χρειάζονται πολλούς πόρους, χρειάζονται πολλά στοιχεία βασισμένα στο οικοσύστημα, χρειάζονται δεδομένα εκπαίδευσης, που είναι συντονισμός δεδομένων, μοντέλο εκπαίδευση, ρύθμιση μοντέλου και οτιδήποτε σχετίζεται με την τεχνητή νοημοσύνη.”
- Έλλειψη στρατηγικής κατεύθυνσης: «Οι επιχειρήσεις πρέπει να κάνουν καλύτερο σχεδιασμό», είπε ο Linthicum. «Δεν καταλαβαίνετε την κατάσταση των δεδομένων σας μέχρι να αρχίσετε να εργάζεστε σε ένα έργο παραγωγής AI [that’s] δεν υπάρχει τρόπος να το κάνεις. Εξετάζει στρατηγικά πώς τα δεδομένα σας πρέπει να ταιριάζουν μεταξύ τους χρησιμοποιώντας αυτή τη νέα τεχνολογία.”
- Έλλειψη δεξιοτήτων: Η επιτυχία της τεχνητής νοημοσύνης απαιτεί καλά εκπαιδευμένους ανθρώπους—”και δεν μιλάω για εκπαίδευση πιστοποίησης για την εκμάθηση της πλατφόρμας AI ενός παρόχου cloud”, είπε ο Linthicum. «Μιλάω για την κατανόηση της αρχιτεκτονικής, την κατανόηση της επιστήμης των δεδομένων, την κατανόηση της ηθικής της τεχνητής νοημοσύνης, την κατανόηση του συντονισμού μοντέλων, την κατανόηση της συγκριτικής αξιολόγησης απόδοσης και την κατανόηση των συνθετικών δεδομένων». Αυτό είναι “πολύ διαφορετικό από την παραδοσιακή ανάπτυξη λογισμικού.”
Δεν υπάρχει ιστορική τεχνολογία που να είναι παράλληλη με τις προσπάθειες που απαιτούνται για την υποστήριξη της τεχνητής νοημοσύνης, «η οποία θα είναι πολύ πιο περίπλοκη και ακριβή», διευκρίνισε ο Linthicum.
Επίσης: οι εργαζόμενοι αποκρύπτουν τη χρήση AI από τους διευθυντές τους. Γι’ αυτό
Αυτό απαιτεί «καθαρισμό και διαχείριση δεδομένων, απόκτηση των απαραίτητων δεξιοτήτων, στρατηγικό σχεδιασμό, εντοπισμό περιπτώσεων χρήσης και προσδιορισμό της απόδοσης επένδυσης». Στη συνέχεια, «θα φτάσετε σε ένα σημείο όπου χρησιμοποιείτε την τεχνητή νοημοσύνη ως στρατηγικό παράγοντα διαφοροποίησης για την επιχείρησή σας. Θα μπορείτε να κάνετε ό,τι δεν μπορούν οι ανταγωνιστές σας—να προσφέρετε καλύτερη εμπειρία στον πελάτη, υψηλότερη παραγωγικότητα, χαμηλότερες τιμές και μεγαλύτερη αποτελεσματικότητα».
