Jako firma trudno nie ulec pokusie wszystkich obietnic AI. Jeśli wierzyć temu całemu szumowi, może on przekształcić każdą część biznesu, znaleźć i pozyskać nowych klientów, zaprojektować nowe produkty, zarządzać fabryką lub oprogramowaniem i ogólnie zrobić wszystko poza przyniesieniem ci porannej kawy (i zakładasz, że właśnie nad tym pracują).
To cudowna fantazja, w którą bardzo kusząca jest wiara. Ale jak to jest prawdziwe? Przy całym tym szumie możesz ulec pokusie, aby całkowicie wskoczyć na modę i uwierzyć we wszystko, lub pójść inną drogą i odrzucić wszystko, co usłyszysz, jako rażącą przesadę. Prawda musi leżeć gdzieś pośrodku, ale jak ją znaleźć? A kiedy już to zrobimy, jak możemy przekształcić to zrozumienie w coś przydatnego dla naszej firmy? Przyjrzyjmy się bliżej i omówmy, w jaki sposób sztuczna inteligencja jest wykorzystywana w biznesie, a w szczególności, jak dostosowany musi być model sztucznej inteligencji, aby firma mogła dostrzec jego wartość. Rozwiejemy część szumu wokół sztucznej inteligencji, pokazując jednocześnie obszary, w których może ona naprawdę zmienić dzisiejszy biznes. Przyjrzymy się także roli dobrych danych i wyzwaniu, jakim jest ich znalezienie/przeszukanie/weryfikacja pod kątem modeli AI – branży, która szybko rozwija się w przestrzeni Web3 z platformami takimi jak Syneza pierwsza pracujemy nad wykorzystaniem atrybutów blockchain do weryfikacji sztucznej inteligencji i nagradzania użytkowników.
Obietnica
Mówi się, że sztuczna inteligencja rozwiązuje wiele różnych problemów. Dla niewtajemniczonych niektóre z tych problemów mogą być nie do odróżnienia od magii, co jest bardzo ekscytujące, ale równie nieprzydatne, jeśli prowadzisz firmę rozważającą inwestycję w sztuczną inteligencję. Na szczęście sztuczna inteligencja nie jest tak skomplikowana, jak mogłoby się wydawać, ponieważ tak naprawdę rozwiązuje tylko trzy kluczowe problemy. Po pierwsze, sztuczna inteligencja może klasyfikować rzeczy. Pomyśl o algorytmie kontroli jakości, który informuje Cię, czy część schodząca z linii montażowej ma wadę, czy nie. Można to rozszerzyć na wszelkiego rodzaju wykrywanie anomalii, możliwości sortowania i inne niekonwencjonalne zastosowania, które wymagają algorytmu do analizy czegoś (np. zdjęć, danych z arkusza kalkulacyjnego), a następnie określenia, do którego segmentu należy. Następnie sztuczna inteligencja może przewidywać. Konserwacja predykcyjna może wykorzystywać wiele różnych czujników w maszynie, aby przewidzieć, kiedy ulegnie ona awarii lub kiedy będzie wymagać konserwacji. Może zapewnić bardzo dokładne prognozy, jeśli dane są dostępne. Potrafi przewidzieć, gdzie robot powinien się następnie poruszyć, aby osiągnąć określony cel. Wreszcie AI może być optymistą. Może rozwiązywać skomplikowane problemy z wieloma różnymi ograniczeniami w sposób, który jest po prostu zbyt trudny do osiągnięcia przez człowieka. Używamy go do GPS, organizowania naszych fabryk i wielu innych zastosowań, które wymagają idealnego rozwiązania, biorąc pod uwagę jeden cel i wiele różnych ograniczeń.
Najważniejsze jest to, że sztuczna inteligencja naprawdę działa. Może całkowicie rozwiązać problemy opisane powyżej i wiele innych. Co więcej, sztuczna inteligencja poprawia się każdego dnia. Opracowywane są nowe innowacje, poprawiane jest przetwarzanie komputerowe i odkrywane są bardziej ogólne przypadki użycia. Z jednej strony sztuczna inteligencja jest o wiele bardziej niesamowita, niż nam się wydaje, i zmienia świat w sposób, którego nawet nie jesteśmy w stanie w pełni pojąć.
Rzeczywistość
To powiedziawszy, wyniki te mają swoją cenę: dane. Sztuczna inteligencja jest całkowicie bezużyteczna bez odpowiednich danych do wytrenowania modelu sztucznej inteligencji. Wraz z pojawieniem się modeli wielkojęzycznych (LLM), takich jak ChatGPT, nieprawidłowe postrzeganie sztucznej inteligencji stało się jeszcze bardziej wypaczone. Możemy pokusić się o wiarę, że sztuczna inteligencja jest wszechmocna i może odpowiedzieć na każde pytanie, jakie jej zadamy, a ponieważ ChatGPT jest dostępny dla wszystkich, możemy to zobaczyć na własne oczy. Istnieją jednak dwa duże słabe punkty, które mogą nie być oczywiste. Po pierwsze, ChatGPT jest niesamowity w niektórych sprawach, takich jak pisanie artykułu na temat zmian klimatycznych lub sugerowanie dziesięciu lokalizacji do odwiedzenia w Budapeszcie; ale nie jest dobry w wielu innych rzeczach, jak na przykład udzielanie określonej odpowiedzi w zadaniach matematycznych lub podawanie w pełni wiarygodnych informacji. Dla przedsiębiorstwa taki poziom niepewności jest nie do zaakceptowania. Po drugie, ChatGPT został stworzony przy użyciu biliony punktów danych, aby odpowiedzieć na pytania ogólne. Jeśli chcesz wytrenować precyzyjny model sztucznej inteligencji, zajmie to znacznie mniej, ale musisz dokładnie wiedzieć, jakich danych użyć, a ponadto muszą one zostać zweryfikowane, aby były skuteczne. Innymi słowy, musisz wiedzieć, jaki problem rozwiązujesz, z jakiego modelu AI będziesz korzystać i jakich zweryfikowanych danych będzie to wymagało. Problem w tym, że gromadzenie takich danych jest trudne, a w zależności od wielu czynników ilość danych może czasami być znacząca. Powyższy model sztucznej inteligencji, który zidentyfikował anomalie na linii montażowej? Prawdopodobnie wymagałoby to wielu, wielu różnych próbek elementów na linii montażowej, z różnymi kątami oświetlenia, orientacjami i innymi odmianami, aby model mógł uwzględnić te różnice. W tym celu będzie potrzebować odpowiedniej liczby próbek wykazujących elementy dobrej jakości oraz próbek wykazujących elementy wykazujące anomalie. Tylko wtedy model może dowiedzieć się, jak wygląda anomalia. W przypadku większości modeli sztucznej inteligencji wszystkie te dane należy oznaczyć etykietą (np. „brak anomalii” vs. „anomalia”). Jest to największe obciążenie dla przedsiębiorstw, ponieważ często nie mają one wiedzy specjalistycznej ani wiedzy potrzebnej do dokładnego przetworzenia wszystkich tych informacji, a sama praca, jaką to wymaga, może być znacząca. Blockchain wykazał wyjątkową zdolność do pomocy w rozwiązaniu tego problemu, a platformy takie jak wspomniana powyżej Synesis wykorzystują unikalne elementy blockchain specjalnie do sprawdzania danych szkoleniowych AI. Korzystając z decentralizacji, niezmienności i nagród za pracę, platforma jest w stanie tworzyć ogromne zbiory danych, nagradzając ogromną populację współpracowników na całym świecie. Ze względu na swój charakter przeszkolenie kogoś w zakresie sprawdzania poprawności konkretnego zestawu danych nie wymaga wiele. Uczenie się jest szybkie, a przy wystarczającej liczbie osób zbiór danych można zweryfikować, oznaczyć etykietą (odpowiedzi dołączone do każdego obrazu lub punktu danych) i udostępnić firmie, która tego potrzebowała. To fascynujący model biznesowy, z którego w przyszłym roku prawdopodobnie wyrośnie cała branża.
Wiele małych i średnich firm pracuje nad budowaniem własnych modeli sztucznej inteligencji opartych na ich własnych danych. Jednak szkolenie modelu nie jest tak proste, jak podłączenie surowych danych. Głównym wyzwaniem, przed którym stoją, jest brak wewnętrznych analityków danych i zasobów do radzenia sobie z… pic.twitter.com/97gQ4JQ8Qb
— Synesis One (@synesis_one) 17 listopada 2024 r
Wykorzystanie sztucznej inteligencji
Teraz, gdy rozumiesz szum AI i jej rzeczywistość, możesz lepiej zrozumieć, jakie problemy może ona rozwiązać dla Twojej firmy. Kluczem jest zidentyfikowanie problemów związanych z klasyfikacją, przewidywaniem i optymalizacją, a następnie rozpoczęcie gromadzenia danych potrzebnych do uczenia modeli. Praca z platformą do sprawdzania danych, taką jak Synesis, będzie kluczowa dla wielu firm, które nie mogą tego zrobić samodzielnie, ale potrzebują opłacalnego rozwiązania. Jednak gdy już to zrobisz, Twoja firma będzie mogła zostać doładowana sztuczną inteligencją w sposób, który jeszcze kilka lat temu był science fiction.
Autor wyróżnionego obrazu: Google DeepMind/Unsplash
