Nhân viên xu hướng AI  

Khi máy tính ngày càng trở nên tiên tiến hơn và AI ra đời để cách mạng hóa phần mềm, số lượng dữ liệu mà máy tính đang sử dụng cũng tăng lên.  

Tuy nhiên, có nhiều dữ liệu hơn không thay đổi cách một tổ chức đưa ra quyết định. Tác giả kiêm nhà khoa học dữ liệu Marianne Bellotti gợi ý rằng con đường tốt nhất để cải thiện việc ra quyết định với sự trợ giúp của AI không phải là thêm nhiều cảm biến để có thêm dữ liệu, mà là cải thiện giao tiếp giữa các bên liên quan trong việc đưa ra quyết định. 

Bellotti, một kỹ sư dữ liệu của US Digital Service, cho biết: “Kết quả mà tất cả chúng ta đều hy vọng từ AI là đưa ra quyết định tốt hơn”. OneZero. Cô ấy nói thêm, "Quá trình đưa ra quyết định không phải là phân tích khách quan dữ liệu mà nhiều hơn về một cuộc đàm phán tích cực giữa các bên liên quan với các mức độ chấp nhận rủi ro và ưu tiên khác nhau." 

Rất nhiều nỗ lực được dành để làm sạch dữ liệu cho AI. Một số ước tính là các nhà khoa học dữ liệu dành 80% thời gian của họ để làm sạch dữ liệu, cần thiết cho một trung tâm chỉ huy AI tập trung để phá vỡ các silo để cho phép các luồng có thể tương tác cho các mô hình AI. Bộ Quốc phòng chi từ 11 tỷ đô la đến 15 tỷ đô la mỗi năm cho nhân viên quản lý dữ liệu.   

“Chúng ta có cần đầu tư hàng tỷ đô la để làm sạch dữ liệu và làm sắc nét các cảm biến của mình để thấy được lợi ích từ AI không?” Truy vấn Bellotti.  

Thảo luận về chất lượng dữ liệu gây hiểu lầm ở chỗ nó ngụ ý dữ liệu “sạch” là trạng thái mà dữ liệu chính xác, không thiên vị và có thể sử dụng lại. Tuy nhiên, "Sạch sẽ không giống với chính xác, và chính xác không giống với hành động", Bellotti nói.  

Cô ấy nói thêm, “Các hệ thống AI hiện tại hoàn toàn phụ thuộc vào chất lượng dữ liệu của chúng không phải vì công nghệ chưa trưởng thành hoặc bị hỏng, mà bởi vì chúng tôi đã thiết kế chúng để dễ bị tổn thương theo kiểu này. Các hệ thống AI trong sản xuất phải được thiết kế để có khả năng chống lại dữ liệu xấu ”.  

Bellotti gợi ý rằng họ có thể làm điều này bằng cách “chống dễ vỡ”. “Trong tư duy hệ thống,“ chống dễ vỡ ”là một thiết kế không chỉ phục hồi sau thất bại mà còn thực sự mạnh mẽ hơn và hiệu quả hơn khi tiếp xúc với thất bại,” cô nói.  

Việc sử dụng AI trong khoa học y tế đã và đang nâng cao chất lượng của các quyết định từ sự thừa nhận rằng nhiều thách thức chẩn đoán không có câu trả lời chính xác duy nhất. Quá trình chẩn đoán bệnh nhân bao gồm một chu trình xác định các giả định, sắp xếp các xét nghiệm và thu hẹp tập hợp các câu trả lời có thể ngày càng xa hơn cho đến khi tìm ra giải pháp.   

“Khi mục tiêu của AI không phải là để tốt nhất cho các chuyên gia hàng đầu mà thay vào đó là củng cố và hỗ trợ các phương pháp đưa ra quyết định tốt, thì công nghệ đó có khả năng chống lại dữ liệu xấu và có khả năng trở nên chống mong manh,” Bellotti, đồng thời là tác giả của cuốn sách. , Giết nó bằng lửa (No Starch Press, 2021) về những thách thức xung quanh việc hiện đại hóa các hệ thống máy tính cũ.   

Các thuật toán Tốt trong các Nhiệm vụ Cụ thể, Không Chung chung  

Theo cách tương tự, trong khi AI tiếp tục phát triển với các thuật toán có thể thực hiện các nhiệm vụ cụ thể, chúng không thể tổng quát hóa khả năng của chúng ngoài phạm vi hẹp của chúng, tác giả cuốn sách gợi ý, Các thuật toán không đủ. (Nhà xuất bản MIT, 2020)   

“Các nhiệm vụ trí tuệ, chẳng hạn như chơi cờ vua, phân tích cấu trúc hóa học và tính toán tương đối dễ thực hiện với máy tính. Tác giả Herbert L. Roitblat, nhà khoa học dữ liệu chính tại Mimecast, trong một tài khoản từ TechTboards.  

Con người đóng một vai trò quan trọng trong việc quyết định vấn đề cần giải quyết với AI và giữ cho hệ thống được điều chỉnh sau khi nó được đưa vào thực địa. Roitblat tuyên bố: “Người vận hành phải xác định một vấn đề cụ thể, quản lý một tập dữ liệu đào tạo và gắn nhãn các kết quả trước khi họ có thể tạo ra một mô hình học máy. “Chỉ khi vấn đề đã được trình bày một cách chặt chẽ theo cách riêng của nó thì mô hình mới có thể bắt đầu điều chỉnh các tham số của nó.”  

Các mục tiêu được xác định rõ ràng có thể bao gồm phát hiện bất thường trong an ninh mạng và phân khúc khách hàng trong tiếp thị.  

Các hệ thống AI hiện tại có những thiếu sót ở chỗ chúng bị giới hạn trong các vấn đề mà các nhà thiết kế có thể cấu trúc và đơn giản hóa. Roitblat tuyên bố: “Trí tuệ nhân tạo đang được phát triển. “Một số nhiệm vụ đã tiến bộ hơn những nhiệm vụ khác. Một số có một con đường để đi. Những sai sót của trí tuệ nhân tạo có xu hướng là những sai sót của người tạo ra nó hơn là những đặc tính cố hữu của việc ra quyết định bằng máy tính ”.  

Giải quyết các vấn đề của Goldilocks 

Trong thế giới thực, đối với một công ty khởi nghiệp với AI, việc chọn ra vấn đề đầu tiên để giải quyết cũng quan trọng như chính giải pháp. Rủi ro chọn một vấn đề quá khó là dự án sẽ thất bại, và rủi ro chọn một vấn đề không quan trọng là AI sẽ không thành công hay không.   

Trong cái mà họ gọi là “tình huống Goldilocks cổ điển”, các tác giả của cuốn sách Thế giới thực AI (Nhà xuất bản Lioncrest, 2021), tuyên bố, “Bạn cần một vấn đề là đúng rồi. Nếu bạn có thể giải quyết vấn đề đầu tiên mà bạn tấn công và chứng minh được tác động của AI, bạn sẽ có thời gian dễ dàng hơn nhiều khi nhận được sự hỗ trợ và nguồn lực để giải quyết 10 vấn đề tiếp theo ”, tác giả nhà nước Alyssa Simpson Rochwerger, giám đốc quản lý sản phẩm của Blue Shield của California và Wilson Pang, CTO của Appen, trong một tài khoản trên blog của Appen. 

Họ đưa ra bốn gợi ý sau:  

Khởi đầu nhỏ. Các vấn đề liên quan đến việc phân loại thứ gì đó thành một hoặc hai loại là ứng cử viên tốt, trong khi các vấn đề liên quan đến việc giải quyết sự mơ hồ có thể không phải là ứng cử viên tốt. Ví dụ, công ty phần mềm Autodesk đã làm việc để giảm thời gian giải quyết cuộc gọi của bộ phận trợ giúp. Họ quyết định tập trung vào một vấn đề hẹp là đặt lại mật khẩu; khách hàng có muốn một cái, có hay không. “Đó là một vấn đề hoàn hảo của Goldilocks,” các tác giả nói.   

Đi đến đâu là dữ liệu. Một ngân hàng lớn dữ liệu lịch sử là một chỉ báo tốt về một vấn đề tiềm ẩn của Goldilocks. Nỗ lực đặt lại mật khẩu Autodesk có một loạt các trường hợp yêu cầu đặt lại mật khẩu trong quá khứ và câu trả lời tương ứng từ các tác nhân của con người. “Tất cả các trường hợp trong quá khứ đã được xếp vào nhóm trở thành dữ liệu đào tạo cho mô hình của bạn, ”các tác giả tuyên bố. Nếu một dự án có quá ít dữ liệu để đào tạo, nó có thể không phải là một ứng cử viên sáng giá.  

Cung cấp các trận thắng nhanh. Nếu một vấn đề có thể được giải quyết nhanh hơn bằng cách sử dụng một mô hình AI có sẵn, nó có thể là một ứng cử viên tốt của Goldilocks cho AI. Một mô hình bán sẵn đã được phát triển; nó được đào tạo trước; và dữ liệu đó được đào tạo theo nhu cầu để phù hợp với vấn đề mà tổ chức của bạn cần giải quyết. Ví dụ về một mô hình hiện có sẵn là một mô hình nhận các yêu cầu của khách hàng đến và nhanh chóng nhận ra ngôn ngữ của yêu cầu. Bộ dữ liệu đào tạo có sẵn cũng có sẵn.  

Tạo ảnh hưởng. Ví dụ bao gồm các giải pháp giúp tăng doanh thu, giảm chi phí hoặc giải phóng nhân viên khỏi việc thực hiện các công việc nhàm chán hoặc nhàm chán. Ngoài ra, “Một nguyên tắc chung là không chỉ rõ ràng về tác động kinh doanh mà còn có thể đo lường và chứng minh điều đó một cách rõ ràng,” các tác giả nêu rõ. Dự án đặt lại mật khẩu Autodesk phù hợp với mục tiêu này, vì nó có thể định lượng thời gian tiết kiệm và điểm số hài lòng của khách hàng. Ngoài ra, nếu dự án mới hoặc sáng tạo, nhiều nhân viên trong tổ chức sẽ đưa ra đề xuất và hỗ trợ cho nhóm AI. 

Đọc các bài viết nguồn trong OneZero, TechTboards và trên blog của Appen. 

Coinsmart. Đặt cạnh Bitcoin-Börse ở Europa
Nguồn: https://www.aitrends.com/ai-and-business-strategy/solve-the-right-problems-and-build-anti-fragile-ai-systems/