Η τεχνητή νοημοσύνη έχει αποκτήσει πρωτοσέλιδα τα τελευταία χρόνια, αλλά πολύ συχνά ο Τύπος υπερβαίνει τους κινδύνους και τα οφέλη του AI. Διαβάζουμε για την αναπόφευκτη προκατάληψη του AI και τη θανατηφόρα χρήση του στον πόλεμο. Φυσικά, διαβάζουμε επίσης το θετικό, όπως ένας υπολογιστής Google που κερδίζει τους καλύτερους παίκτες Go στον κόσμο. 

Ωστόσο, αυτές οι ιστορίες δεν αντικατοπτρίζουν με ακρίβεια τις καλύτερες χρήσεις της τεχνητής νοημοσύνης σήμερα. Έγραψα πριν από χρόνια Η IBM έπρεπε να σταματήσει να δίνει το Watson ως θαυματουργή θεραπεία για τα πάντακαι αντ 'αυτού τοποθετήστε το για περισσότερες εργασίες πεζών. Με τον ίδιο τρόπο, θα προτιμούσαμε να γιορτάσουμε την υιοθέτηση της τεχνητής νοημοσύνης σε μικρά βήματα που προσθέτουν έως και σημαντικές εξοικονομήσεις, όπως τρόφιμα και απόβλητα και άλλους τομείς. 

Πώς μερικοί από αυτούς τους αναδυόμενους πωλητές τεχνητής νοημοσύνης έφτασαν εδώ με λύσεις που στην πραγματικότητα λειτουργούν ως διαφημιζόμενοι προσφέρουν σημαντικά μαθήματα σε οποιαδήποτε επιχείρηση. Προσφέρουν κλασικά παραδείγματα πραγματικής διαταραχής σε παλιές αγορές ... ένα βήμα σταδιακά.

ΒΛΕΠΩ: Πολιτική ηθικής τεχνητής νοημοσύνης (TechRepublic Premium)

Γίνεται πραγματικός με το AI

Ο όρος AI είναι τόσο ευρύς, είναι σχεδόν άχρηστος σε μια μέση επιχείρηση, οπότε είναι καλύτερα να είσαι συγκεκριμένος. Όπου η AI κερδίζει γρήγορα έλξη σε «κανονικές» βιομηχανίες καλείται καλύτερα εποπτευόμενη μάθηση ενίσχυσης. Τροφοδοτήστε αρκετά σχολιασμένα δεδομένα (εσείς, μια υπηρεσία ή ένα ειδικό λογισμικό επισημαίνει τα δεδομένα με μια περιγραφή) σε ένα μάθηση μηχανής (ML) αλγόριθμος (συνήθως δωρεάν και ανοιχτού κώδικα) και εκτελείτε τα αποτελέσματα μέσω της εφαρμογής σας (συνήθως σε δημόσιο σύννεφο) και ξαφνικά ο οργανισμός σας επιλύει σκληρά προβλήματα πιο γρήγορα με μεγαλύτερη ακρίβεια. Επειδή το ML "μαθαίνει" με την πάροδο του χρόνου, δημιουργείτε έναν επαναληπτικό βρόχο για να τροφοδοτείτε περισσότερα νέα δεδομένα, καθώς και διορθωμένα παλιά δεδομένα προσαρμοσμένα για νέες πληροφορίες, προκατάληψη ή άλλα προβλήματα στο βρόχο. 

Συνεχίζει να βελτιώνεται.

Στο τέλος, είναι τα δεδομένα που τροφοδοτούν τα μοντέλα AI. Όσο περισσότερο μαζεύονται, όπως το περιεχόμενο που δημιουργείται από τον χρήστη και ενισχύει τις πιο δημοφιλείς κοινωνικές πλατφόρμες στον κόσμο, τόσο πιο χρήσιμες και ισχυρές γίνονται οι μηχανές AI τους. Οι παγκόσμιοι τεχνολογικοί γίγαντες όπως το Facebook, το Google, ο Tesla και άλλοι μπορούν και έχουν δημιουργήσει ανταγωνιστικές τάφρους μέσω των αυξανόμενων ηγετικών τους σημείων τεχνητής νοημοσύνης.

ΒΛΕΠΩ: Έξυπνη καλλιέργεια: Πώς το IoT, η ρομποτική και το AI αντιμετωπίζουν ένα από τα μεγαλύτερα προβλήματα του αιώνα (εξώφυλλο PDF) (TechRepublic)

Αλλά οι καθημερινές εταιρείες μπορούν επίσης να επωφεληθούν από την τεχνητή νοημοσύνη. Τα περισσότερα από έξι εκατομμύρια Java προγραμματιστές σήμερα μπορούν να εκτελέσουν τα προγράμματά τους μέσω ενός συστήματος δοκιμών λογισμικού με τεχνολογία AI από το Diffblue με βάση τις ίδιες έννοιες AI που χρησιμοποίησε η Google για να κερδίσει τους καλύτερους παίκτες Go. Δημιουργεί αυτόματα δοκιμές μονάδας Java 100Χ γρηγορότερα από τους ανθρώπους με κάλυψη κώδικα 85%. Οι προγραμματιστές μπορούν να εξοικονομήσουν 20% έως 50% του χρόνου τους που είχε απορροφηθεί προηγουμένως από κουραστικές εργασίες δοκιμών.

Τι θα λέγατε για τις καθημερινές εργασίες για οποιαδήποτε εταιρεία που πουλάει κάτι (δηλαδή σχεδόν κάθε εταιρεία); Η βαθμολόγηση των δυνητικών πωλήσεων είναι συνήθως μια τέλεια τέχνη, με ακριβά, περίπλοκα συστήματα για μάθηση ή εξάρτηση από τη διαίσθηση μιας ομάδας πωλήσεων. Η εκκίνηση AI Akkio μπορεί να απορροφήσει το δικό σας Excel υπολογιστικά φύλλα και εκτοξεύστε αιχμής, υψηλής ποιότητας αναλυτικές προβλέψεις ταμπλό σε μία ή δύο ημέρες. Για την επίτευξη των ίδιων αποτελεσμάτων θα απαιτούσε κανονικά μια ειδική ομάδα εφαρμογών και έναν επιστήμονα τεχνητής νοημοσύνης και πιθανότατα θα χρειαστούν μήνες. 

Ή σκεφτείτε την εκπαίδευση. Το Startup Riiid χρησιμοποιεί AI για τη βελτίωση της εκπαίδευσηςκαι δημιούργησε μια εφαρμογή smartphone που ήταν δωρεάν για τα πρώτα δύο χρόνια αλλά αρκετά καλή που συγκέντρωσε εκατομμύρια byte δεδομένων από χρήστες που ήθελαν να βελτιώσουν τις βαθμολογίες τους σε μια τυποποιημένη δοκιμή της αγγλικής επάρκειας. Η εφαρμογή θα μπορούσε να προβλέψει με καλύτερη ακρίβεια το 95% της βαθμολογίας σας μετά από μόλις 10 λεπτά, αλλά στη συνέχεια δημιούργησε επίσης ένα εξατομικευμένο πρόγραμμα εκμάθησης για να αυξήσει τις τελικές βαθμολογίες σας κατά 10% έως 20% κατά μέσο όρο. Η Riiid κυκλοφόρησε επίσης το μεγαλύτερο δημόσιο σύνολο δεδομένων για την εκπαίδευση και χρησιμοποίησε αυτά τα δεδομένα για να χρηματοδοτήσει τον μεγαλύτερο διαγωνισμό Kaggle το 2020 για να προσελκύσει τους πιο έξυπνους ερευνητές στον κόσμο για τη βελτίωση του αλγορίθμου. Η Riiid παρουσίασε τη μηχανή AI της τη Δευτέρα σε σχολεία K-12 σε όλο τον κόσμο, καθώς και σε προγράμματα ανάπτυξης εταιρικών υπαλλήλων.

Unsung AI ήρωες

Πιθανότατα δεν έχετε ακούσει καμία από αυτές τις εταιρείες, σωστά; Τα καλά έργα AI ξεκινούν μικρά και μετά χτίζονται. Η επιτυχία στο AI είναι μέτρια, σταδιακή. Βοηθά επίσης στην αποφυγή προσλήψεων ακριβών ειδικών ομάδων επιστημόνων και δεδομένων. Εταιρείες όπως η Scale AI, η οποία προσφέρει μια πλατφόρμα που βασίζεται σε υπηρεσίες και η Labelbox, η οποία προσφέρει μια πλατφόρμα που βασίζεται σε λογισμικό, μπορούν να δείξουν στις εταιρείες πώς να είναι επιτυχημένες με την AI και να μην γλιστρούν στο σκοτάδι κάνοντας δαπανηρά λάθη που απογοητεύουν το C-suite.

Θα τελειώσω με τα τρόφιμα και τα απόβλητα, δύο βαρετά προβλήματα που είναι εξαιρετικά σημαντικά για τη μελλοντική επιβίωση του είδους μας και την υγεία του πλανήτη μας. 

ΒΛΕΠΩ: Πώς τα αυτοκινούμενα τρακτέρ, η τεχνητή νοημοσύνη και η γεωργία ακριβείας θα μας σώσουν από την επικείμενη επισιτιστική κρίση (εξώφυλλο PDF) (TechRepublic)

Η ερευνητική συμβουλευτική McKinsey υπολόγισε το 2019 ότι μείωση των απορριμμάτων τροφίμων μέσω της τεχνητής νοημοσύνης θα μπορούσε να είναι έως και 127 δισεκατομμύρια δολάρια ευκαιρία αγοράς έως το 2030. Σε μια υπέροχη και πρόσφατη έκθεση γραμμένο για παιδιά, ο McKinsey υπολόγισε ότι εάν όλη η παραγωγή τροφίμων στον κόσμο αντιπροσώπευε ένα ψωμί 30 τεμαχίων, σπαταλάμε συλλογικά 12 φέτες την ημέρα. Για να συνεχιστεί, η παραγωγή τροφίμων θα πρέπει να διπλασιαστεί καθώς ο παγκόσμιος πληθυσμός φτάνει τα 10 δισεκατομμύρια έως το 2050, ακόμη και όταν η καλλιεργούμενη γη συρρικνώνεται. 

Μπορεί η AI να βοηθήσει πραγματικά; Είναι ήδη. Ακολουθούν ορισμένα τρέχοντα παραδείγματα πελατών της Labelbox - οι εταιρείες πρέπει να σχολιάσουν πολλά δεδομένα για να εκπαιδεύσουν τα συστήματα τεχνητής νοημοσύνης τους - θέτοντας την AI να δουλέψει για να βάλει φαγητό στους πίνακες μας και να μειώσει τα απόβλητα.

• Η Cainthus που εδρεύει στην Ιρλανδία χρησιμοποιεί το ηλεκτρονικό όραμα για να παρακολουθεί τα κοπάδια των ζώων 24/7 και να στέλνει ειδοποιήσεις στους αγρότες για να ταΐσουν περισσότερα βοοειδή με λιγότερα.

• Το Everest Labs με έδρα τη Silicon Valley χρησιμοποιεί AI και ρομποτική για τη μείωση των αποβλήτων και την ανάπτυξη προϊόντων φιλικών προς το περιβάλλον. Το ρομπότ του μπορεί να ταξινομήσει 60 κουτιά ανακυκλώσιμων ανά λεπτό.

• Η μονάδα Blue River Technology της John Deere πωλεί έξυπνα τρακτέρ που μπορούν να ψεκάζουν ζιζανιοκτόνα με ακρίβεια, μειώνοντας το κόστος, αυξάνοντας τις αποδόσεις και μειώνοντας τους ρύπους στο περιβάλλον.

• Η Winnow Solutions με έδρα το Ηνωμένο Βασίλειο χρησιμοποιεί το όραμα υπολογιστή και το AI για να παρακολουθεί και να αναλύει τα απόβλητα τροφίμων σε βιομηχανικές κουζίνες. Ο πελάτης του IKEA μείωσε τα απόβλητα τροφίμων κατά 45% σε μόλις τρεις μήνες και η εταιρεία εκτιμά ότι η λύση της έχει μειώσει τις εκπομπές CO2 των πελατών κατά περισσότερο από 60,000 τόνους μέχρι σήμερα.

• Η Xarvio Digital Farming Solutions με έδρα την Ολλανδία χρησιμοποιεί εικόνες smartphone, drone και δορυφόρου για να κατασκευάσει προϊόντα με τεχνολογία AI που συμβουλεύουν τους αγρότες για το πώς να μεγιστοποιήσουν την παραγωγικότητα.

Αυτός είναι ο τρόπος με τον οποίο η τεχνητή νοημοσύνη θα αναλάβει τον κόσμο, μέσω σταδιακών βημάτων που θα κάνουν την παραγωγή τροφίμων, την εκπαίδευση και πολλές άλλες βιομηχανίες πιο αποδοτική και αποτελεσματική.

Αποκάλυψη: Δουλεύω για το AWS, αλλά οι απόψεις που εκφράζονται εδώ είναι δικές μου.

Ενημερωτικό δελτίο δεδομένων, Analytics και AI

Μάθετε τα τελευταία νέα και τις βέλτιστες πρακτικές σχετικά με την επιστήμη δεδομένων, τα μεγάλα αναλυτικά δεδομένα και την τεχνητή νοημοσύνη. Παραδόθηκε Δευτέρα

Εγγραφείτε σήμερα

Δείτε επίσης