Πόσο προσαρμοσμένα πρέπει να είναι τα μοντέλα AI για τις επιχειρήσεις;

Ως επιχείρηση, είναι δύσκολο να μην δελεαστείς από όλες τις υποσχέσεις της τεχνητής νοημοσύνης. Εάν πιστεύετε όλη τη διαφημιστική εκστρατεία, μπορεί να μεταμορφώσει κάθε μέρος της επιχείρησης, να βρει και να μετατρέψει νέους πελάτες, να σχεδιάσει νέα προϊόντα, να διαχειριστεί το εργοστάσιό σας ή το λογισμικό σας και γενικά να κάνει οτιδήποτε άλλο παρά να σας φέρει έναν καφέ το πρωί (και υποθέτετε εργάζονται πάνω σε αυτό αυτή τη στιγμή).

Αυτή είναι μια υπέροχη φαντασίωση, και πολύ δελεαστικό να το πιστέψεις. Πόσο αλήθεια είναι όμως; Με όλη τη διαφημιστική εκστρατεία, μπορεί να μπείτε στον πειρασμό να πηδήξετε εντελώς και να τα πιστέψετε όλα, ή να πάτε από την άλλη πλευρά και να απορρίψετε όλα όσα ακούτε ως χοντρή υπερβολή. Η αλήθεια πρέπει να βρίσκεται κάπου στη μέση, αλλά πώς τη βρίσκουμε; Και αφού το κάνουμε, πώς μπορούμε να μετατρέψουμε αυτή την κατανόηση σε κάτι χρήσιμο για την επιχείρησή μας; Ας βουτήξουμε και ας συζητήσουμε πώς χρησιμοποιείται η τεχνητή νοημοσύνη στην επιχείρηση, και συγκεκριμένα πόσο προσαρμοσμένο πρέπει να είναι ένα μοντέλο τεχνητής νοημοσύνης για να δει μια επιχείρηση την αξία του. Θα διαλύσουμε μέρος της διαφημιστικής εκστρατείας γύρω από την τεχνητή νοημοσύνη, ενώ θα δείξουμε τους τομείς που μπορεί πραγματικά να μεταμορφώσει μια επιχείρηση σήμερα. Θα εξετάσουμε επίσης τον ρόλο των καλών δεδομένων και την πρόκληση να τα βρούμε/καθαρίσουμε/επαληθεύσουμε για μοντέλα τεχνητής νοημοσύνης, μια βιομηχανία που αναπτύσσεται γρήγορα στον χώρο του Web3 με πλατφόρμες όπως Synesis One εργάζεται για να αξιοποιήσει τα χαρακτηριστικά του blockchain για την επαλήθευση της τεχνητής νοημοσύνης και την επιβράβευση των χρηστών.

Η υπόσχεση

Η τεχνητή νοημοσύνη λέγεται ότι λύνει πολλά διαφορετικά προβλήματα. Για τους μη μυημένους, ορισμένα από αυτά τα προβλήματα μπορεί να μην διακρίνονται από τη μαγεία, κάτι που είναι πολύ συναρπαστικό αλλά εξίσου μη χρήσιμο εάν είστε επιχείρηση που εξετάζει το ενδεχόμενο επένδυσης σε τεχνητή νοημοσύνη. Ευτυχώς, η τεχνητή νοημοσύνη στην πραγματικότητα δεν είναι τόσο περίπλοκη όσο πιστεύετε, γιατί πραγματικά λύνει μόνο τρία βασικά προβλήματα. Πρώτον, η τεχνητή νοημοσύνη μπορεί κατατάσσω πράγματα. Σκεφτείτε έναν αλγόριθμο ποιοτικού ελέγχου που σας λέει εάν ένα εξάρτημα που βγαίνει από τη γραμμή συναρμολόγησης έχει κάποιο ελάττωμα ή όχι. Αυτό μπορεί να επεκταθεί σε κάθε είδους ανίχνευση ανωμαλιών, δυνατότητες ταξινόμησης και άλλες μη συμβατικές χρήσεις που απαιτούν έναν αλγόριθμο για να αναλύσει κάτι (π.χ. φωτογραφίες, δεδομένα υπολογιστικών φύλλων) και στη συνέχεια να καθορίσει σε ποιο bucket ανήκει. Στη συνέχεια, η τεχνητή νοημοσύνη μπορεί προλέγω. Η προγνωστική συντήρηση μπορεί να χρησιμοποιήσει πολλούς διαφορετικούς αισθητήρες σε ένα μηχάνημα για να προβλέψει πότε θα αποτύχει ή πότε χρειάζεται συντήρηση. Μπορεί να παρέχει πολύ ακριβείς προβλέψεις εάν τα δεδομένα είναι διαθέσιμα. Μπορεί να προβλέψει πού θα κινηθεί στη συνέχεια ένα ρομπότ για να επιτύχει έναν συγκεκριμένο στόχο. Τέλος, η τεχνητή νοημοσύνη μπορεί βελτιστοποιώ. Μπορεί να λύσει περίπλοκα προβλήματα με πολλούς διαφορετικούς περιορισμούς με τρόπο που είναι απλά πολύ δύσκολο για έναν άνθρωπο να επιτύχει. Το χρησιμοποιούμε για GPS, οργάνωση των εργοστασίων μας και πολλές άλλες εφαρμογές που χρειάζονται μια ιδανική λύση δεδομένου ενός στόχου και πολλών διαφορετικών περιορισμών.

Η ουσία είναι ότι η τεχνητή νοημοσύνη λειτουργεί πραγματικά. Μπορεί να λύσει απολύτως τα προβλήματα που περιγράφονται παραπάνω, και αμέτρητα άλλα. Ακόμα καλύτερα, η τεχνητή νοημοσύνη βελτιώνεται κάθε μέρα. Νέες καινοτομίες αναπτύσσονται, η επεξεργασία υπολογιστών βελτιώνεται και ανακαλύπτονται περιπτώσεις γενικότερης χρήσης. Από τη μια πλευρά, η τεχνητή νοημοσύνη είναι πολύ πιο απίστευτη από ό,τι της πιστεύουμε, και μεταμορφώνει τον κόσμο με τρόπους που δεν μπορούμε καν να κατανοήσουμε πλήρως.

Η πραγματικότητα

Τούτου λεχθέντος, υπάρχει ένα κόστος σε αυτά τα αποτελέσματα: δεδομένα. Το AI είναι εντελώς άχρηστο χωρίς τα σωστά δεδομένα για την εκπαίδευση ενός μοντέλου AI. Με την έναρξη των Μεγάλων Γλωσσικών Μοντέλων (LLM) όπως το ChatGPT, οι εσφαλμένες αντιλήψεις για την τεχνητή νοημοσύνη έχουν γίνει ακόμη πιο λοξές. Μπορούμε να μπούμε στον πειρασμό να πιστέψουμε ότι το AI είναι πανίσχυρο και μπορεί να απαντήσει σε όποιες ερωτήσεις του κάνουμε και επειδή το ChatGPT είναι διαθέσιμο σε όλους, μπορούμε να το δούμε με τα μάτια μας. Ωστόσο, υπάρχουν δύο μεγάλα αδύνατα σημεία που μπορεί να μην είναι προφανή. Πρώτον, το ChatGPT είναι εκπληκτικό σε ορισμένα πράγματα όπως η σύνταξη μιας εργασίας για την Κλιματική Αλλαγή ή η πρόταση δέκα τοποθεσιών για επίσκεψη στη Βουδαπέστη. αλλά δεν είναι καλό σε πολλά άλλα πράγματα, όπως να δίνεις μια συγκεκριμένη απάντηση σε μαθηματικά προβλήματα ή να δίνεις πλήρως αξιόπιστες πληροφορίες. Για μια επιχείρηση, αυτό το επίπεδο αβεβαιότητας δεν είναι αποδεκτό. Δεύτερον, το ChatGPT δημιουργήθηκε χρησιμοποιώντας τρισεκατομμύρια σημείων δεδομένων προκειμένου να απαντηθούν γενικές ερωτήσεις. Εάν θέλετε να εκπαιδεύσετε ένα ακριβές μοντέλο τεχνητής νοημοσύνης, θα χρειαστεί πολύ λιγότερο από αυτό, αλλά πρέπει να γνωρίζετε ακριβώς ποια δεδομένα να χρησιμοποιήσετε και πρέπει να επικυρωθούν για να είναι αποτελεσματικά. Με άλλα λόγια, πρέπει να γνωρίζετε ποιο πρόβλημα επιλύετε, ποιο μοντέλο AI θα χρησιμοποιήσετε και ποια επαληθευμένα δεδομένα θα απαιτηθούν. Το ζήτημα είναι ότι η συγκέντρωση αυτών των δεδομένων είναι δύσκολη και, ανάλογα με διάφορους παράγοντες, η ποσότητα των δεδομένων μπορεί μερικές φορές να είναι σημαντική. Το παραπάνω μοντέλο AI εντόπισε ανωμαλίες σε μια γραμμή συναρμολόγησης; Πιθανότατα θα απαιτούσε πολλά, πολλά διαφορετικά δείγματα αντικειμένων στη γραμμή συναρμολόγησης, με διαφορετικές γωνίες φωτισμού, προσανατολισμούς και άλλες παραλλαγές, ώστε το μοντέλο να μπορεί να φιλοξενήσει αυτές τις παραλλαγές. Εντός αυτού, θα χρειαστεί επαρκής αριθμός δειγμάτων που να παρουσιάζουν προϊόντα καλής ποιότητας και δειγμάτων που δείχνουν στοιχεία με ανωμαλίες. Μόνο τότε μπορεί το μοντέλο να μάθει πώς μοιάζει μια ανωμαλία. Και για την πλειονότητα των μοντέλων τεχνητής νοημοσύνης, όλα αυτά τα δεδομένα πρέπει να φέρουν ετικέτα (π.χ. “καμία ανωμαλία” έναντι “ανωμαλία”). Αυτό είναι το μεγαλύτερο βάρος για τις επιχειρήσεις, καθώς συχνά δεν διαθέτουν την τεχνογνωσία ή τις γνώσεις που απαιτούνται για την ακριβή επεξεργασία όλων αυτών των πληροφοριών και η καθαρή εργασία που απαιτείται μπορεί να είναι σημαντική. Το Blockchain έχει δείξει μια μοναδική ικανότητα να βοηθά στην επίλυση αυτού του προβλήματος, με πλατφόρμες όπως το Synesis που αναφέρθηκαν παραπάνω να αξιοποιούν τα μοναδικά στοιχεία του blockchain ειδικά για την επικύρωση των δεδομένων εκπαίδευσης AI. Χρησιμοποιώντας την αποκέντρωση, το αμετάβλητο και τις ανταμοιβές για την εργασία, η πλατφόρμα είναι σε θέση να δημιουργήσει τεράστια σύνολα δεδομένων ανταμείβοντας έναν τεράστιο πληθυσμό συνεισφερόντων σε όλο τον κόσμο. Λόγω της φύσης του, δεν χρειάζονται πολλά για να εκπαιδεύσετε κάποιον πώς να επικυρώνει ένα συγκεκριμένο σύνολο δεδομένων. Η εκμάθηση είναι γρήγορη και με αρκετά άτομα, το σύνολο δεδομένων μπορεί να επικυρωθεί, να επισημανθεί (οι απαντήσεις επισυνάπτονται σε κάθε εικόνα ή σημείο δεδομένων) και να διατεθεί στην εταιρεία που το χρειαζόταν. Είναι ένα συναρπαστικό επιχειρηματικό μοντέλο και ένα από το οποίο πιθανότατα θα αναπτυχθεί ολόκληρος κλάδος τον επόμενο χρόνο.

Πολλές μικρές και μεσαίες εταιρείες εργάζονται για να δημιουργήσουν ιδιόκτητα μοντέλα τεχνητής νοημοσύνης που τροφοδοτούνται από τα δικά τους δεδομένα. Ωστόσο, η εκπαίδευση ενός μοντέλου δεν είναι τόσο απλή όσο η σύνδεση πρωτογενών δεδομένων. Η κύρια πρόκληση που αντιμετωπίζουν είναι η έλλειψη εσωτερικών επιστημόνων δεδομένων και πόρων για να χειριστούν το… pic.twitter.com/97gQ4JQ8Qb

— Synesis One (@synesis_one) 17 Νοεμβρίου 2024

Κάνοντας χρήση AI

Τώρα που καταλαβαίνετε τη διαφημιστική εκστρατεία της τεχνητής νοημοσύνης και την πραγματικότητά της, μπορείτε να πάρετε μια καλύτερη ιδέα για τα προβλήματα που μπορεί να λύσει για την επιχείρησή σας. Το κλειδί είναι να προσδιορίσετε αυτά τα προβλήματα ταξινόμησης, πρόβλεψης και βελτιστοποίησης και στη συνέχεια να αρχίσετε να δημιουργείτε τα δεδομένα που απαιτούνται για την εκπαίδευση των μοντέλων. Η συνεργασία με μια πλατφόρμα επικύρωσης δεδομένων όπως το Synesis θα είναι ζωτικής σημασίας για πολλές επιχειρήσεις που δεν μπορούν να το κάνουν μόνες τους αλλά χρειάζονται μια οικονομικά αποδοτική λύση. Μόλις τελειώσετε, όμως, η επιχείρησή σας μπορεί να υπερτροφοδοτηθεί με AI με τρόπο που ήταν επιστημονική φαντασία μόλις πριν από λίγα χρόνια.

Πίστωση επιλεγμένης εικόνας: Google DeepMind/Unsplash