借りる パンチライン デューク大学のダン・アリエリー教授から、人工知能は十代のセックスのようなものです。「誰もがそれを語り、誰もそれをやる方法を知らない、誰もがそれをやっていると誰もが思っているので、誰もがそれをやっていると主張する」AIシステムは ゲームを学び、数時間以内にチャンピオンを倒すと、ビジネスアプリケーションに適用するのは難しいです。
M.I.T. スローン・マネジメント・レビューとボストン・コンサルティング・グループは3,000名の経営幹部と 見つけた AIの85％が企業に競争上の優位性をもたらすと信じていましたが、20社のうち1社だけがその製品やプロセスに「広範囲に」組み込まれていました。 AIを実装することはソフトウェアをインストールするほど簡単ではありません。 それは容易にアクセスできない専門知識、ビジョン、情報を必要とします。
GoogleのAlphaGo Zeroのようなよく知られたAIのアプリケーションを見ると、魔法のような印象を受けます.AIはわずか3日間で世界で最も難しいボードゲームを学び、チャンピオンを倒しました。 一方、NvidiaのAI フォトリアリスティックに生成できます 実際の写真を見るだけで有名人のように見える人々のイメージ。
AlphaGoとNvidiaは、生得的な敵対的ネットワークと呼ばれる技術を使用しました。これは、2つのAIシステムを互いに相手にしてお互いに学ぶことを可能にします。 そのトリックは、ネットワークが互いに戦う前に、彼らは多くのコーチングを受けました。 そして、もっと重要なことに、彼らの問題と結果はよく定義されていました。
しかし、ほとんどのビジネス上の問題をゲームに変えることはできません。 2人以上のプレイヤーがいて、明確なルールはありません。 ビジネス上の意思決定の結果は、めったに明らかな勝敗ではなく、あまりにも多くの変数があります。 それで、企業がAIを実装するのは、それがはるかに難しいことです。
今日のAIシステムは、人間の脳のニューラルネットワークの機能をエミュレートするために最善を尽くしていますが、これは非常に限られた方法で行います。 彼らは、ニューロンのように動作するように設計されたコンピュータ命令の関係を調整するディープラーニングと呼ばれる手法を使用します。 簡単に言えば、AIに欲しいものを正確に教え、明確にラベル付けされたサンプルを提供し、それらのデータのパターンを分析し、将来のアプリケーションのために保管します。 パターンの正確さはデータに依存しますので、例を多く与えるほど有用になります。
ここに問題があります。AIは受信したデータと同じくらい良好です。 そして、提供されたコンテキストの狭い範囲内でのみそのデータを解釈することができます。 それは ” わかる “それは分析したものなので、他の文脈のシナリオにその分析を適用することはできません。 そして、それ 区別できない 相関からの因果関係。 AIは思想家よりもステロイドのExcelスプレッドシートによく似ています。
AIのこのフォームで作業することの大きな困難は、それが学んだものが 神秘 – データに対する不確定な応答のセット。 ニューラルネットワークが訓練されると、その設計者でさえも、それが何をしているかを正確に知ることはできません。 ニューヨーク大学のゲイリー・マーカス教授 説明する 深い学習システムは、複雑なニューラルネットワーク内の地理的な点でのみ、開発者に識別可能な数百万または数十億のパラメータを持っています。 彼らは「ブラックボックス」だと研究者は言う。
AlphaGoの新しい開発について、Google / DeepMindのCEO、Demis Hassabis 報道によると 「人間のようには演奏されず、プログラムのようには演奏されない」と語った。 それは第3の、ほとんどエイリアンな方法で演じる。
企業は、システムをエイリアンの意思決定をする余裕がありません。 彼らは規制要件と評判の問題に直面しており、すべての決定の背後にある論理を理解し、説明し、実証することができなければなりません。
AIをより価値のあるものにするためには、大きな画像を見て、置き換えるコンピュータシステムよりも多くの情報源を含めることができる必要があります。 アマゾンは、在庫管理と倉庫運用から稼働中のデータセンターにいたるまで、運用のあらゆる部分を最適化するために、AIを効果的に理解し実装した数少ない企業の1つです。
たとえば、在庫管理では、購入決定は伝統的に購入者と呼ばれる経験豊富な個人によって行われます。 彼らのシステムは店舗ごとの在庫レベルを示し、彼らは注文をするために自分の経験と本能を使います。 AmazonのAIは、すべての部門のデータを統合して、より大きなトレンドを把握し、それを社会経済データ、顧客サービスの問い合わせ、競合他社の駐車場の衛星画像、The Weather Companyの予測などに関連付けます。 他の小売業者はこれらのことのいくつかをやっていますが、Amazonほど効果的ではありません。
このタイプのアプローチは、Amazonの音声ベースの家電製品であるEchoとAlexaの基盤ともなります。 による 有線 すべての開発チームを結集させ、マシン学習を企業に集中させることで、アマゾンは多くの企業が抱えている問題を解決しています。 企業データは、通常、異なるコンピュータシステムの中で分離されたデータセットに格納されます。 企業が機械学習に必要なすべてのデータを持っている場合でも、 通常はありません 最新のもの、または使用可能な方法で編成されたものである。 課題は、Amazonが行ったように、これらのデータセットをまとめて新しい方法で使用するための壮大なビジョンを作成することです。
AIは急速に進歩しており、確実にデータのクリーンアップと統合が容易になります。 しかし、ビジネスリーダーは、それが本当に何を理解し、その使用のビジョンを作成する必要があります。 それは彼らが大きな利点を見ている時です。
Vivek Wadhwaは、シリコンバレーのカーネギーメロン大学工学部の著名な研究員であり、 ドライバーレス・ドライバーのドライバー：テクノロジーの選択肢が未来を創り出す方法 。