Сообщество профессионалов выделенного сервиса
Стать резидентом Вход
5 мифов об искусственном интеллекте
Статья 01.11.2022

5 мифов об искусственном интеллекте

Искусственный интеллект последние несколько лет является одним из главных трендов, определяющих развитие IT-технологий. По сути своей, ИИ — это любая система, которая использует человеческие способности к обучению, восприятию и взаимодействию. Реализованных кейсов в бизнесе с каждым днем становится все больше: речевые технологии, распознавание мейлов, интеллектуальные системы обработки документов и даже компьютерное зрение. И тем не менее искусственный интеллект пока остается лишь «хорошо продающей идей», интеграция которой в компаниях проходит с большими проблемами. Специалисты говорят о том, что существует большая разница между тем, что потребитель думает об ИИ, и тем, чем он является на самом деле.

Сотрудники глобальной IT-компании Dataiku, одного из мировых лидеров в области ИИ, назвали пять самых распространенных мифов об искусственном интеллекте, с которыми они сталкивались в ходе реализации проектов по оптимизации бизнеса

Миф 1. Искусственный интеллект — это зло, и он представляет угрозу человечеству

Ложь.

Действительно, системы искусственного интеллекта могут вести себя неожиданным и неадекватным образом в производственной среде по сравнению с первоначальным дизайном. Внедренные модели могут воспроизводить или усиливать искажения, содержащиеся в данных, а масштабная автоматизация уменьшает количество возможностей для обнаружения и исправления ошибок или несправедливых результатов. 

Для предотвращения этих рисков компании необходимо внедрить ответственную стратегию искусственного интеллекта — всеобъемлющий подход к проектированию, созданию и внедрению, соответствующий заявленным намерениям. Общие основы устойчивой ответственной стратегии ИИ — это:

  • интенциональность: обеспечение того, чтобы модели разрабатывались и вели себя в соответствии с их назначением;
  • объяснимость: результаты систем ИИ должны быть понятны всем, а не только тем, кто создал систему;
  • подотчетность: наличие централизованного места для беспрепятственного просмотра того, какие команды используют какие данные, как и в каких моделях (тесно связано с отслеживаемостью).

Миф 2. Через 10 лет всю нашу работу заберут роботы

Ложь.

Искусственный интеллект ничем не отличается от других технологических достижений, которые позволяют людям стать более продуктивными, процессам — более эффективными. Это позволяет компаниям автоматизировать «низко висящие плоды», чтобы сосредоточиться на более важных задачах. Искусственный интеллект — это инструмент, который можно использовать для увеличения численности персонала и помощи командам в работе новыми и более разумными способами.

Повышение эффективности действительно иногда означает сокращение персонала для определенных ролей, но также приводит к значительному повышению производительности и возможности для людей перейти на более ценные проекты. 

Вместо того чтобы просто заменить сотрудников, лучше подумать о том, как объединить силу человека и робота. Есть два способа сделать это. 

  1. Методология «Человек в цикле». Независимо от того, насколько продвинутые технологии в области обработки данных и искусственного интеллекта использует компания, в процессе всегда должен быть человек. Люди играют решающую роль, проверяя работу модели, ее эффективность и здравый смысл. Такие сотрудники проводят переоценку, переподготовку и вносят улучшения по мере необходимости. Поскольку модели ИИ не могут чувствовать, человек следит за процессом машинного обучения и цикла обратной связи, определяет, действительно ли все работает и имеет смысл. Модель может действовать правильно, но должен присутствовать человеческий фактор, чтобы определить, являются ли результаты точными.
  2. Дополненный интеллект. Дополненный интеллект заключается в объединении возможностей ИИ и людей путем интеграции систем искусственного интеллекта в повседневную работу людей, чтобы помочь им принимать более эффективные решения. В то время как подход «человек в цикле» больше ориентирован на внедрение человеческого интеллекта обратно в модели Mashine Learning, дополненный интеллект больше связан с использованием машин для повышения производительности человека. Так, например, в финансовом консультировании машина собирает тысячи точек данных и использует их, чтобы рекомендовать возможное решение, но окончательную стратегию выбирает уже консультант, учитывая особенности каждого клиента. 

Миф 3. Искусственный интеллект предназначен только для продвинутых компаний, и вам нужно нанять много специалистов по обработке данных, чтобы добиться успеха 

Ложь

Инструменты с использованием искусственного интеллекта могут быть внедрены в абсолютно любой компании, независимо от ее размера, специфики деятельности и количества сотрудников. Часто компании просто не знают, с чего начать. Вот одни из главных проблем, которые препятствуют успешному внедрению инструментов искусственного интеллекта в бизнес-модель, и подходы к их решению. 

1. Пробел в навыках искусственного интеллекта или отсутствие необходимых навыков и опыта 

Эту проблему можно решить благодаря небольшим инвестициям в программы образования, профессиональной подготовки и повышения квалификации аналитиков и специалистов по обработке данных. Обратите внимание также на бесплатные обучающие семинары разработчиков IT-продуктов. Они уже обладают опытом внедрения, и часто их программы содержат много полезного практического материала и теоретическую основу, а не только рекламу конкретного инструмента. 

2. Поиск, наем и удержание нужных специалистов в области обработки данных

Прекратите поиск «универсального бойца» в области обработки данных. Вместо того чтобы искать «единорога»-специалиста, выделите точные необходимые навыки для реализации ближайших проектов и сосредоточьтесь на поиске специалиста, у которого эти навыки уже есть. Со временем в компании может вырасти команда по обработке данных, участники которой будет поддерживать друг друга и обмениваться знаниями. 

3. Обеспечение технической инфраструктуры, которая может поддерживать необходимое количество данных и их обработки

Дизайн архитектуры данных должен быть достаточно устойчивым, чтобы удовлетворять разнообразные потребности пользователей, но при этом достаточно гибким, чтобы масштабироваться по мере роста организации. В 2021 году прошел опрос более 1200 руководителей международных компаний, внедривших продвинутый искусственный интеллект. 38% из них отметили, что главным уроком для них стало обеспечение того, чтобы IТ-архитектура и система управления данными могли поддерживать ИИ. Для решения этого вопроса группы обработки данных могут работать с IТ-департаментами, например, для определения того, что реально выполнимо и не повлияет на устойчивость и надежность процессов и инструментов производственной системы. 

4. Отсутствие четкой стратегии ИИ и бизнес-целей

Ответственность за то, чтобы проект внедрения искусственного интеллекта соответствовал долгосрочным стратегическим целям организации, лежит на руководителе. Именно поэтому поддержка первых лиц является одним из главных условий успеха всего проекта.

Идея умной роботизации должна проникнуть во все структурные подразделения компании и глубоко пустить корни сверху вниз. Искусственный интеллект приносит наилучшие результаты, когда данные проходят путь от сбора к анализу, далее к инсайтам и как завершение — цикл обратной связи. Изолированность и выделение проектов, например, только для команды по работе с данными помешают быстро реагировать на идеи и вносить свой вклад другим сотрудникам.

Миф 4. Покупка правильной технологии искусственного интеллекта достаточна для успеха проекта

Ложь.

Без нужных людей и процессов технология сама по себе не сможет полностью раскрыть свой потенциал. Успех в реализации инициатив в области искусственного интеллекта требует развития культуры творчества в области обработки данных на индивидуальном уровне. Предоставление сотрудникам возможности принятия автономного, но более обоснованного решения на основе анализа данных в конечном счете повышает гибкость и продуктивность компании.

Специалисты рекомендуют построить цикл внедрения следующим образом. 

  1. Идея. Определите бизнес-проблемы/вопросы, которые можно решить с помощью данных. 
  2. Дизайн. Выявляйте, обрабатывайте, очищайте, исследуйте (и, возможно, моделируйте/тестируйте для продвинутых проектов) соответствующие данные, чтобы ответить на поставленную проблему/вопрос. 
  3. Производство. Работайте с IТ- и бизнес-командами, чтобы проанализировать результаты (как будет выглядеть проект, как он будет действовать в производстве) и подготовиться к интеграции в производство. 
  4. Развертывание. Протестируйте и сделайте продукт данных доступным в конечной производственной среде. 
  5. Оценка. Обеспечение непрерывной работы модели в производстве + мониторинг качества / влияния на бизнес (и соответствующее обновление).

Миф 5. Искусственный интеллект автоматически означает рентабельность инвестиций 

Ложь.

Искусственный интеллект — это не волшебная палочка, которая приведет к организационным изменениям в мгновение ока. Только продуманный подход, объединяющий людей, процессы и технологии, способствует решению важнейших бизнес-задач с помощью данных. Несмотря на то что в СМИ искусственный интеллект приравнивается к мгновенной рентабельности инвестиций, это не так. Амбициозные проекты по внедрению когнитивных технологий бывают часто переоценены и не всегда приносят ожидаемые результаты. 

Заключение

Сегодня компании по всему миру изо всех сил пытаются превратить бизнес-данные в бизнес-эффект, используя регулярно распространяемые мифы и заблуждения вокруг. Искусственный интеллект только подливает масла в огонь и еще больше усложняет способность организации внедрять стратегию искусственного интеллекта, действовать в соответствии с ней и извлекать из нее истинную выгоду для бизнеса. 

Мы надеемся, что развенчание пяти главных мифов об искусственном интеллекте позволит вашей организации разработать стратегию , учитывающую индивидуальные и коллективные потребности, повседневные варианты использования.

«ДРТ»: ГЛАВНЫЕ ИЗМЕНЕНИЯ НА РЫНКЕ ЭДО В ОКТЯБРЕ
«ДРТ»: ГЛАВНЫЕ ИЗМЕНЕНИЯ НА РЫНКЕ ЭДО В ОКТЯБРЕ
#ЭДО

Утверждение Приказа о единых требованиях к составу и форматам кадровых электронных документов, внесение законопроекта, определяющего механизм передоверия полномочий при использовании КЭП, и законопроекта, продлевающего переходный период для МЧД, публикация указания по представлению электронных доверенностей и другие нововведения. Компания «Деловые решения и технологии» (бывший Делойт) подобрала для читателей Клуба ОЦО основные нововведения в ЭДО в октябре […]

Опыт централизации контрольных функций в ОЦО
Опыт централизации контрольных функций в ОЦО
#Лучший опыт, #Развитие ОЦО

Надежда Молчанова – об опыте перевода контрольной функции по инвестиционным проектам в ОЦО «Гринфин»

Похожие Статьи

Как подготовиться к вступлению в режим налогового мониторинга
#Финансы #Цифровизация
Как подготовиться к вступлению в режим налогового мониторинга

Элеонора Туманова и Екатерина Галко, Технологии доверия, - о том, что важно учесть при решении о переходе на налоговый мониторинг

Как внедрить систему управления запросами в ОЦО
#Лучший опыт #Управление эффективностью
Как внедрить систему управления запросами в ОЦО

Виктория Ефимова, Северсталь-ЦЕС, о том, что дает ОЦО и бизнесу внедрение системы управления запросами

Опыт централизации контрольных функций в ОЦО
#Лучший опыт #Развитие ОЦО
Опыт централизации контрольных функций в ОЦО

Надежда Молчанова – об опыте перевода контрольной функции по инвестиционным проектам в ОЦО «Гринфин»

Оценка управления рисками и уровнем сервиса в ОЦО
#Лучший опыт #Управление эффективностью
Оценка управления рисками и уровнем сервиса в ОЦО

Татьяна Барабаш, Северсталь-ЦЕС, – о том, как подходить к оценке рисков и качества сервиса в работе ОЦО

Данный веб-сайт использует файлы cookie для того, чтобы сохранить данные на вашем компьютере. Если вы продолжаете работать с этим веб-сайтом, мы предполагаем, что вы соглашаетесь с использованием файлов cookie.