Štai kodėl AI dar turi pertvarkyti daugumą įmonių

Kvepalų buteliuko ir AI tinklo koncepcijos brėžinys Derekas Brahney

Kvepalų ir odekolono gamybos menas beveik nepasikeitė nuo 1880-ųjų, kai buvo pradėti naudoti sintetiniai ingredientai. Patyrę kvepalų kūrėjai kuria cheminių medžiagų derinius, tikėdamiesi sukurti naujų įtikinamų kvapų. Taigi Achimas Daubas, vienos didžiausių pasaulyje kvapų gamintojų „Symrise“ vadovas, susimąstė, kas atsitiktų, jei jis į procesą įtrauktų dirbtinį intelektą. Ar mašina pasiūlytų patrauklių formulių, kurių žmogus galbūt nesugalvotų išbandyti?

Daubas pasamdė IBM, kad sukurtų kompiuterinę sistemą, kurioje būtų pateiktas didžiulis informacijos kiekis – esamų kvapų formulės, vartotojų duomenys, reguliavimo informacija ir toliau – ir tada pasiūlytų naujas formules konkrečioms rinkoms. Sistema vadinama Philyra, graikų kvapų deivės vardu. Atmetus įdomų pavadinimą, jis neturi kvapo, todėl negali pakeisti žmonių kvepalų. Tačiau tai suteikia jiems galimybę pradėti kurti kažką naujo.

Ši istorija buvo mūsų 2019 m. kovo mėnesio numerio dalis

• Žr. likusią numerio dalį
• Prenumeruoti

Daubas patenkintas iki šiol pasiekta pažanga. Du kvapai, skirti jauniems klientams Brazilijoje, turėtų pasirodyti birželį. Tik keli iš 70 kompanijos kvepalų dizainerių naudojasi šia sistema, tačiau Daub tikisi, kad galiausiai ją pritaikys visiems.

Tačiau jis atsargiai pabrėžia, kad pasiekti šį tikslą prireikė beveik dvejų metų ir reikėjo investicijų, kurios vis tiek užtruks, kol atsipirks. Pirmieji Philyros pasiūlymai buvo siaubingi: ji vis siūlė šampūno receptus. Juk peržiūrėjo pardavimų duomenis, o šampūnas gerokai lenkia kvepalus ir odekoloną. Norint jį pasiekti, „Symrise“ kvepalų kūrėjai daug mokėsi. Be to, bendrovė vis dar kovoja su brangiais IT atnaujinimais, kurių reikėjo, kad į Philyrą būtų galima perkelti duomenis iš skirtingų apskaitos sistemų, o dalis informacijos būtų konfidenciali nuo pačių kvepalų gamintojų. Tai savotiška staigi mokymosi kreivė, sako Daubas. Mes niekur nepriartėjome prie AI tvirtai ir visiškai įsitvirtinę mūsų įmonės sistemoje.

Kvepalų verslas vargu ar yra vienintelis, kuris perima mašininį mokymąsi nepastebėdamas greitų pokyčių. Nepaisant to, ką galite išgirsti apie AI šluojantį pasaulį, įvairių pramonės šakų žmonės sako, kad šią technologiją sunku įdiegti. Tai gali brangiai kainuoti. Ir pradinis atlygis dažnai būna kuklus.

Vienas dalykas – matyti proveržius dirbtinio intelekto srityje, kuris gali pranokti „Go“ didmeistrius, ar net turėti įrenginius, kurie įjungia muziką jums įsakant. Kitas dalykas yra naudoti dirbtinį intelektą, kad būtų galima atlikti daugiau nei laipsniškus pokyčius įmonėse, kurios iš esmės nėra skaitmeninės.

Tai nereiškia, kad AI yra perdėtas. Tačiau algoritmai yra maža dalis to, kas iš tikrųjų svarbu keičiant verslo veiklą.

Dirbtinis intelektas ilgainiui gali pakeisti ekonomiką – sudaryti įmanomus naujus produktus ir naujus verslo modelius, nuspėti dalykus, kurių žmonės negalėjo numatyti, ir atleisti darbuotojus nuo sunkaus darbo. Tačiau tai gali užtrukti ilgiau nei tikėtasi ar bijoma, priklausomai nuo to, kur sėdite. Daugelis įmonių nesukuria daug daugiau produkcijos iš darbo valandų, kurias jų darbuotojai praleidžia. Toks našumo padidėjimas yra didžiausias didžiausiose ir turtingiausiose įmonėse, kurios gali sau leisti daug išleisti talentams ir technologijų infrastruktūrai, reikalingai, kad dirbtinis intelektas gerai veiktų.

Tai nebūtinai reiškia, kad AI yra perdėtas. Tiesiog, kai reikia pertvarkyti, kaip vyksta verslas, modelio atpažinimo algoritmai yra nedidelė to, kas svarbu. Kur kas svarbesni yra organizaciniai elementai, kurie nuo IT skyriaus iki pat verslo lyderių skleidžiasi. Beveik visi turi žinoti, kaip veikia dirbtinis intelektas ir kur yra jo aklosios dėmės, ypač tie, kurie, kaip tikimasi, pasitikės jo sprendimais. Visa tai reikalauja ne tik pinigų, bet ir kantrybės, kruopštumo ir kitų esminių žmogiškųjų įgūdžių, kurių pernelyg dažnai pritrūksta.

Ieškau vienaragių

Praėjusį rugsėjį duomenų mokslininkas Peteris Skomorochas tviteryje parašė: Paprastai galite tikėtis, kad jūsų įmonės įmonės perėjimas prie mašininio mokymosi bus maždaug 100 kartų sunkesnis nei jūsų perėjimas prie mobiliojo ryšio. Tai buvo pokštas, bet Skomorochas nejuokavo. Keletas žmonių jam pasakė, kad jiems palengvėjo išgirdę, kad jų įmonės nėra vienos savo kovose. Manau, kad yra daug skausmo – išpūsti lūkesčiai, sako Skomorochas, „SkipFlag“ generalinis direktorius. AI ir mašinų mokymasis laikomi stebuklingomis fėjų dulkėmis.

Viena iš didžiausių kliūčių yra tai, kad skirtingos apskaitos sistemos galėtų kalbėtis tarpusavyje. Su tokia problema susidūrė Richardas Zane'as, būdamas vyriausiuoju inovacijų pareigūnu „UC Health“, ligoninių ir medicinos klinikų tinkle Kolorado, Vajomingo ir Nebraskos valstijoje. Neseniai ji išleido pokalbių programinės įrangos agentą Livi, kuris naudoja natūralios kalbos technologiją iš paleisties pavadinimu Avaamo, kad padėtų pacientams, kurie skambina UC Health arba naudojasi svetaine. Livi nurodo jiems atnaujinti receptus, knygas ir patvirtina susitikimus bei parodo informaciją apie jų sąlygas.

Zane džiaugiasi, kad Livi tvarkant įprastas užklausas, UC Health darbuotojai gali skirti daugiau laiko padėti pacientams, turintiems sudėtingų problemų. Tačiau jis pripažįsta, kad šis virtualus asistentas mažai ką daro AI galų gale jo organizacijoje. Tai tik ledkalnio viršūnė, ar kad ir kokia būtų teigiama versija, sako Zane. „Livi“ diegimas užtruko pusantrų metų, daugiausia dėl IT galvos skausmo, susijusio su programinės įrangos susiejimu su pacientų medicininiais įrašais, draudimo atsiskaitymo duomenimis ir kitomis ligoninių sistemomis.

Panašios sąrankos vilioja ir kitas pramonės šakas. Pavyzdžiui, kai kurie dideli mažmenininkai saugo tiekimo grandinės įrašus ir vartotojų sandorius atskirose sistemose, kurių nė viena nėra prijungta prie platesnių duomenų saugyklų. Jei įmonės nesustos ir nesukurs ryšių tarp tokių sistemų, mašininis mokymasis veiks tik su kai kuriais jų duomenimis. Tai paaiškina, kodėl dažniausiai naudojami AI iki šiol buvo susiję su verslo procesais, kurie yra nuslėpti, bet vis dėlto turi daug duomenų, tokių kaip kompiuterių saugumas ar sukčiavimo aptikimas bankuose.

Net jei įmonė gauna duomenis iš daugelio šaltinių, norint įsitikinti, kad informacija yra tiksli ir prasminga, reikia daug eksperimentuoti ir prižiūrėti. Kai IT paslaugų įmonė Genpact padeda įmonėms pradėti, jų nuomone, AI projektus, 10 % darbo tenka dirbtiniam intelektui, sako vyriausiasis skaitmeninių technologijų pareigūnas Sanjay Srivastava. Devyniasdešimt procentų darbo iš tikrųjų yra duomenų išgavimas, valymas, normalizavimas, ginčymasis.

Šie veiksmai gali atrodyti sklandžiai „Google“, „Netflix“, „Amazon“ ar „Facebook“. Tačiau šios įmonės egzistuoja tam, kad gautų ir naudotų skaitmeninius duomenis. Juose taip pat prabangiai dirba duomenų mokslo, informatikos ir susijusių sričių mokslų daktarai. Tai skiriasi nuo daugelio įmonių įmonių eiliškumo, sako Skomorochas.

Iš tiesų, mažesnės įmonės dažnai reikalauja, kad darbuotojai įsigilintų į kelias technines sritis, sako Anna Drummond, Hiustone įsikūrusios energetikos bendrovės Sanchez Oil and Gas duomenų mokslininkė. Sanchezas neseniai pradėjo transliuoti ir analizuoti gamybos duomenis iš šulinių realiuoju laiku. Ji nesukūrė galimybių nuo nulio: ji nusipirko programinę įrangą iš bendrovės, vadinamos MapR. Tačiau Drummondas ir jos kolegos vis tiek turėjo užtikrinti, kad lauko duomenys būtų tokio formato, kurį galėtų analizuoti kompiuteris. Drummondo komanda taip pat dalyvavo kuriant programinę įrangą, kuri padėtų informaciją inžinierių ekranams. Žmones, įgudusius visus šiuos dalykus, nėra lengva rasti, sako ji. Iš esmės tai kaip vienaragiai. Būtent tai lėtina AI arba mašininio mokymosi pritaikymą.

Didžiulė inžinerijos įmonė „Fluor“ maždaug ketverius metus dirbo su IBM kurdama dirbtinio intelekto sistemą, skirtą stebėti didžiulius statybos projektus, kurie gali kainuoti milijardus dolerių ir kuriuose gali dalyvauti tūkstančiai darbuotojų. Sistema įkvepia tiek skaitinius, tiek natūralios kalbos duomenis ir įspėja „Fluor“ projektų vadovus apie problemas, dėl kurių vėliau gali atsirasti vėlavimų ar išlaidų viršijimo.

IBM ir Fluor duomenų mokslininkams nereikėjo ilgai sugalvoti algoritmų, kuriuos naudos sistema, sako Leslie Lindgren, Fluor informacijos valdymo viceprezidentė. Daug daugiau laiko užtruko technologijos tobulinimas, aktyviai dalyvaujant „Fluor“ darbuotojams, kurie naudosis sistema. Kad jie galėtų pasitikėti jos sprendimais, jie turėjo turėti indėlį į tai, kaip jis veiks, ir jie turėjo atidžiai patvirtinti rezultatus, sako Lindgren.

Kad sukurtumėte tokią sistemą, turite pasikviesti savo srities ekspertus iš verslo – turiu omenyje geriausius žmones, sako ji. Tai reiškia, kad jūs turite juos ištraukti iš kitų dalykų. Ji priduria, kad labai svarbu pasitelkti geriausius žmones, nes dirbtinio intelekto variklio kūrimas buvo per svarbus, per ilgas ir per brangus, kad galėtų kitaip.

AI sėklos

Atsiradus naujovei, kaip greitai ji pasklis ekonomikoje? Ekonomistas Zvi Grilichesas pateikė keletą esminių atsakymų šeštajame dešimtmetyje – žiūrėdamas į kukurūzus.

Griliches ištyrė, kokiu greičiu kukurūzų augintojai įvairiose šalies vietose perėjo prie hibridinių veislių, kurių derlius buvo daug didesnis. Jį domino ne tiek patys kukurūzai, kiek hibridų vertė, kiek tai, ką šiandien vadintume ateities naujovių platforma. Hibridiniai kukurūzai buvo išradimo metodo išradimas, geresnių kukurūzų veisimo tam tikrose vietovėse metodas, Griliches rašė 1957 m.

Hibridai buvo pristatyti Ajovoje XX amžiaus trečiojo dešimtmečio pabaigoje ir trečiojo dešimtmečio pradžioje. Iki 1940 m. jie sudarė beveik visus valstijoje pasėtus kukurūzus. Tačiau priėmimo kreivė toli gražu nebuvo tokia stačia tokiose vietose kaip Teksasas ir Alabama, kur hibridai buvo pristatyti vėliau ir šeštojo dešimtmečio pradžioje apėmė maždaug pusę kukurūzų ploto. Viena iš pagrindinių priežasčių yra ta, kad hibridinės sėklos buvo brangesnės nei įprastos, o ūkininkai kasmet turėjo pirkti naujas. Perėjimas prie naujos technologijos buvo rizikingesnis pasiūlymas šių valstijų ūkiams nei turtingesnėje ir produktyvesnėje Vidurio Vakarų kukurūzų juostoje.

Tai, ką Griliches užfiksavo ir ką patvirtino vėlesni ekonomistai, yra tai, kad technologijų plitimą lemia ne esminės inovacijų savybės, o vartotojų ekonominė padėtis. Pagrindinis vartotojų klausimas, kaip ir technologams, yra ne tai, ką gali padaryti technologijos? bet kiek naudos turėsime investavę į tai?

Šiandien mašininis mokymasis yra visų įmonių, tokių kaip „Facebook“, „Google“, „Amazon“ ir daugelio pradedančiųjų įmonių veiklos aspektas. Tai daro šias įmones išskirtinai turtingas. Tačiau už tos AI juostos viskas juda daug lėčiau dėl racionalių ekonominių priežasčių.

„Symrise“ Daubas mano, kad kvepalų AI projektas pateko į mielą vietą. Tai buvo palyginti nedidelio masto eksperimentas, tačiau tai buvo tikras darbas, skirtas kvepalų klientui, o ne tik laboratorinis modeliavimas.

Mes visi patiriame didelį spaudimą, sako jis. Niekas iš tikrųjų neturi laiko mokytis plyno lauko. Tačiau net ir tam reikėjo šuolio tikėti technologijomis. Viskas priklauso nuo įsitikinimo, sako jis. Esu labai tvirtas įsitikinimas, kad dirbtinis intelektas vaidins svarbų vaidmenį daugelyje pramonės šakų, kurias matome šiandien, kai kuriose labiau. Visiškai ignoruoti tai nėra išeitis.

paslėpti