Trong bộ phim năm 2013, Her, một trợ lý cá nhân ảo tên Samantha nhanh chóng tiến hóa từ chỉ có khả năng đơn thuần đến đáng sợ như vậy. Thay vì chỉ lập kế hoạch cho các cuộc họp, Samantha trở thành một huấn luyện viên sống, khen ngợi nhân vật chính, Theodore, một nhà văn, đã công khai các bức thư của mình và tiếp tục với cuộc ly hôn của mình.
Bộ phim đó là viễn tưởng khoa học, nhưng những người có liên quan đến sự cải tiến nhanh chóng trong trí tuệ nhân tạo cho biết một phiên bản của Samantha (trừ những điều lãng mạn và kỳ quái sau này) đang đến gần.
Đối với các doanh nghiệp, lời hứa của AI là Samanthas sẽ được nhúng trên tất cả các khía cạnh của tổ chức. Các nhân viên này sẽ phân tích dữ liệu, khám phá các mẫu theo thời gian và sau đó đưa ra các quyết định dựa trên phân tích tiên đoán. Kết quả, việc áp dụng AI ở mức độ này sẽ làm cho các doanh nghiệp không chỉ hiệu quả hơn, mà còn có lợi hơn.
Phân tích - Xây dựng khối cho AI
Machine learning - chi nhánh của AI trao quyền cho các doanh nghiệp thông minh - được dựa trên phân tích. Phân tích chỉ đơn thuần là khả năng ghi lại và phát lại thông tin. Phân tích nâng cao, rút ra các mẫu trong dữ liệu đó. Machine learning tiếp tục bằng cách sử dụng các thuật toán để phát hiện các mẫu theo thời gian tốt hơn.
Ví dụ điển hình về Machine learning là trở nên phổ biến, có hướng dẫn cơ bản ("cho người dùng nhiều hơn những gì họ muốn xem") nhưng nó thích nghi bằng cách quan sát hành vi của người dùng.
Ví dụ: Nếu bạn nhấp chuột vào hình ảnh của chú chó con, bạn sẽ thấy nhiều con chó con trong nguồn cấp dữ liệu của bạn.
Jerry Overton, nhà khoa học về dữ liệu và là nhà nghiên cứu cấp cao của DXC Technology cho biết, việc sử dụng máy móc hiện tại là tối ưu hóa hoạt động. Ông nói: "Họ đang làm những việc như kiểm tra chất lượng dịch vụ, tăng cường các quyết định và tự động hóa tất cả. Ví dụ, trong lĩnh vực vận tải, các công ty đang sử dụng Machine learning để theo dõi và dự đoán sự thất bại. Và trong y tế, bác sĩ đang sử dụng Machine learning để tăng cường chẩn đoán. Tương tự trong sản xuất, các công ty đang sử dụng công nghệ này để mô phỏng thiết kế và tạo ra cặp song sinh kỹ thuật số.
Tạo hiệu quả
Đối với người ở giữa phòng ngủ, trong khi đó, việc Machine learning thực hiện điều gì đó có mâu thuẫn với ma thuật: Nó chia 3 email. Mặc dù, sự thật được nói, đó không phải là điều mới mẻ. Marc Wilkinson, CTO cho Workplace and Mobility tại DXC, ghi chú, một bộ lọc spam sử dụng quy tắc Bayesian, một trong những thuật toán được sử dụng trong học máy để hiểu được giá trị email. Wilkinson, người Anh, nói rằng công nghệ này có thể nhận ra sự ưa thích của ông đối với các email liên quan đến các chủ đề của Anh và bắt đầu lưu trữ những email như vậy thay cho ông. "Khái niệm cá nhân hoá là mang lại một khía cạnh khác của giá trị cho những gì chúng ta nhận và sắp xếp." Nói cách khác, một người spam và một người phải đọc. Một hệ thống thông báo thông minh bằng Machine learning biết những điều đó.
Trong một ví dụ khác, ai đó mới làm việc có thể quan tâm đến bản tin của nhà cung cấp một lần quan trọng hơn so với email của bạn bè và gia đình. Nói cách khác, nếu anh ta không bao giờ mở email của mình, "Đó là những cái mà hệ thống có thể học hỏi và tự động hóa cho tôi", Wilkinson nói, "cuối cùng đã đến giai đoạn tự hủy đăng ký e-mail bởi vì tôi thực sự không bao giờ đọc nó."
Có một AI và email giám sát có thể sẽ là một lợi ích cho năng suất. Một nghiên cứu gần đây cho thấy công nhân trung bình dành khoảng 17 giờ để viết, đọc và trả lời email công việc và email cá nhân hàng tuần. Nhưng khi hiệu quả đó tăng lên, kết quả sẽ mở rộng cho tất cả mọi người với các trợ lý thông minh. Ví dụ, thay vì đi lui tới việc lên kế hoạch cho một cuộc họp, trợ lý có thể làm điều đó thay mặt cho các ông chủ của mình, có tính đến thời gian, địa điểm và thậm chí cả thời tiết. Trợ lý AI của bạn cũng có thể (và sẽ) gửi một cảnh báo cho bạn biết khi nào để rời khỏi cuộc họp dựa trên các điều kiện giao thông hiện tại.
Machine leaning và những thách thức
Hiệu quả như vậy đã thúc đẩy nhiều doanh nghiệp áp dụng máy học một cách có ý nghĩa. Một cuộc khảo sát gần đây cho thấy 60% các công ty đã thực hiện chiến lược học hỏi về AI và / hoặc Machine learning. Nhưng việc áp dụng công nghệ này là không dễ dàng. Overton cho biết có ba thách thức chính đối với sự chấp nhận việc Machine learning: Có thể hiểu được công nghệ, nhìn thấy ROI và có thể mở rộng công nghệ.
ROI, trong khi đó, có thể được giải quyết bằng cách tập trung Machine learning về một khía cạnh kinh doanh cụ thể. "Hoạt động theo các bước lặp nhỏ", Overton nói. Và cuối cùng, nhân rộng - đó có thể là trở ngại khó khăn nhất để vượt qua. "Có một sự khác biệt lớn giữa bản Demo - Chạy cái gì đó trên desktop của bạn - và có thể tạo ra cái gì đó có cái nhìn sâu sắc cho toàn bộ doanh nghiệp." Overton gọi quá trình này là "Công nghiệp Machine learning" vì nó cần công nghệ Machine learning và cần nó hoạt động toàn bộ.
Machine learning, Overton cho biết, cũng giống như một tiện ích. Khi xâm nhập vào một hệ thống, nó có thể tạo ra những hiểu biết theo quy mô. Hệ thống tìm ra những cách hiệu quả hơn và thông minh hơn để làm mọi việc trong mọi lĩnh vực kinh doanh. Thật dễ dàng để thấy được giá trị mà nó có thể cung cấp cho các tổ chức ở mọi quy mô.
Thực hành tốt nhất
Để khắc phục những trở ngại này bằng việc triển khai và triển khai các công cụ Machine learning, Overton cho biết rằng các doanh nghiệp nên xem nó như một công cụ để sử dụng để đáp ứng những thách thức kinh doanh hơn là thưởng thức công nghệ vì lợi ích của nó. Từ khi Machine learing được dựa trên dữ liệu, Overton cho biết các doanh nghiệp nên chắc chắn rằng họ đã xây dựng "Đường ống dữ liệu thực" cung cấp nguồn dữ liệu sạch không bị "làm giàu".
Overton cho biết thêm rằng các công ty cũng nên sử dụng các thí nghiệm khả thi tối thiểu, chẳng hạn như dự đoán khi một trong những máy của bạn thất bại hoặc dự đoán mức độ nhân viên tối ưu cho tổ chức của bạn. Nghĩa là, họ nên đưa ra một giả thiết và thu nhỏ nó càng nhiều càng tốt và thực hiện trên nó. "Đi qua phương pháp khoa học," anh nói. "Tôi nghĩ khoa học dữ liệu là một khoa học thực sự."
Cuối cùng, các công ty cần phải dân chủ hoá công nghệ này để có được cái nhìn sâu sắc những người phù hợp tại công ty. "Nếu các nhà phát triển cần những thông tin chi tiết này, hãy thu thập thông tin cho họ dưới dạng các API. Nếu họ là nhà khoa học dữ liệu, xuất bản dữ liệu ", ông nói. "Nếu họ là người dùng ở mức độ kinh doanh, hãy xuất bản bảng điều khiển hoặc công cụ tương tác ngôn ngữ tự nhiên."
Giai đoạn kế tiếp của AI
Trong vòng ba đến năm năm tới, những trợ lý cá nhân ảo thông minh có thể sẽ trao quyền cho nhân viên và, ở mức độ cao hơn, máy móc cũng sẽ bắt đầu học hỏi từ các máy khác.
Wilkinson gọi tiến trình này là "Chủ động tham gia", và dự đoán nó sẽ là tiêu chuẩn trong kinh doanh trong 5 năm tới. Nhưng đây không chỉ là một câu chuyện kinh doanh. Như Wilkinson đã thấy, con người đã bắt tay vào con đường để trở thành AI gia tăng chỉ bằng cách mang điện thoại thông minh và sử dụng các công cụ tìm kiếm trực tuyến. "Chúng ta sẽ thấy sự cộng sinh này trở nên gần gũi," ông nói. "Chúng ta sẽ tiến hóa như con người bởi vì chúng ta sẽ có cái nhìn sâu sắc hơn về những gì đang diễn ra xung quanh chúng ta."
Thế giới kinh doanh sẽ đối mặt với một sự tiến hóa tương tự. Overton không phải là người duy nhất so sánh AI với một tiện ích. Andrew Ng, một nhà tư tưởng và tiên phong trong lĩnh vực AI, đã so sánh thông tin tình báo trên máy tính với điện từ khắp nơi, nó mang lại những thay đổi sâu rộng trong chăm sóc sức khoẻ, sản xuất, vận chuyển và nông nghiệp.
Khả năng bị gián đoạn thường bị che khuất bởi những lo sợ gia tăng về cúm gia cầm do các nhà khoa học giả tưởng gây ra. Nhưng khi bạn gỡ bỏ bộ phim truyền hình, AI được tiết lộ là chỉ đơn giản là một sự thay đổi mô hình cho các ngành công nghiệp mà tiếp tục trải nghiệm sự thay đổi. Lần này, tác nhân thay đổi chính nó có thể giúp chúng ta suy nghĩ theo cách của chúng ta thông qua sự chuyển đổi.
Theo WIRED
0 nhận xét:
Đăng nhận xét