Dlatego sztuczna inteligencja nie zmieniła jeszcze większości firm

Rysunek koncepcyjny butelki perfum i sieci AI Derek Brahney

Sztuka tworzenia perfum i wód kolońskich nie zmieniła się zbytnio od lat 80. XIX wieku, kiedy zaczęto używać składników syntetycznych. Doświadczeni twórcy zapachów majstrują przy kombinacjach chemikaliów w nadziei na stworzenie nowych, fascynujących zapachów. Tak więc Achim Daub, dyrektor wykonawczy jednego z największych światowych producentów zapachów, Symrise, zastanawiał się, co by się stało, gdyby w ten proces wstrzyknął sztuczną inteligencję. Czy maszyna zasugerowałaby atrakcyjne formuły, których człowiek może nie pomyśleć o wypróbowaniu?

Daub zatrudnił IBM do zaprojektowania systemu komputerowego, który przeanalizowałby ogromne ilości informacji — formuły istniejących zapachów, dane konsumenckie, informacje prawne, i tak dalej — a następnie zasugerował nowe formuły dla poszczególnych rynków. System nosi nazwę Philyra, od greckiej bogini zapachu. Pomijając sugestywną nazwę, nic nie wyczuwa, więc nie może zastąpić ludzkich perfumiarzy. Ale daje im to przewagę nad stworzeniem czegoś nowatorskiego.

Ta historia była częścią naszego wydania z marca 2019 r.

• Zobacz resztę numeru
• Subskrybuj

Daub jest zadowolony z dotychczasowych postępów. W czerwcu trafią tam do sprzedaży dwa zapachy skierowane do młodych klientów w Brazylii. Tylko kilku z 70 projektantów zapachów firmy korzystało z systemu, ale Daub spodziewa się, że w końcu wdroży go we wszystkich.

Uważa jednak, że osiągnięcie tego celu zajęło prawie dwa lata – i wymagało to inwestycji, których odzyskanie zajmie trochę czasu. Pierwsze sugestie Philyry były okropne: wciąż sugerowała przepisy na szampony. W końcu przeanalizowano dane dotyczące sprzedaży, a szampony znacznie przewyższają sprzedaż perfum i wody kolońskiej. Wprowadzenie tego na właściwe tory wymagało wielu szkoleń od perfumiarzy Symrise. Co więcej, firma wciąż zmaga się z kosztownymi aktualizacjami IT, które były niezbędne do pompowania danych do Philyry z różnych systemów ewidencjonowania, przy jednoczesnym zachowaniu poufności niektórych informacji przed samymi perfumiarzami. To rodzaj stromej krzywej uczenia się, mówi Daub. Nie jesteśmy nawet w pobliżu silnego i całkowitego ugruntowania sztucznej inteligencji w naszym systemie korporacyjnym.

Branża perfumeryjna nie jest jedyną, która stosuje uczenie maszynowe bez szybkich zmian. Pomimo tego, co można usłyszeć o sztucznej inteligencji ogarniającej świat, ludzie z wielu branż twierdzą, że wdrożenie tej technologii jest trudne. To może być kosztowne. A początkowa wypłata jest często skromna.

Jedną rzeczą jest widzieć przełomy w sztucznej inteligencji, która może pokonać arcymistrzów Go, a nawet mieć urządzenia, które włączają muzykę na Twoje polecenie. Inną rzeczą jest wykorzystanie sztucznej inteligencji do dokonywania więcej niż stopniowych zmian w firmach, które nie są z natury cyfrowe.

Nie oznacza to, że sztuczna inteligencja jest przereklamowana. Ale algorytmy to niewielka część tego, co naprawdę ma znaczenie w przekształcaniu sposobu prowadzenia działalności.

Sztuczna inteligencja może w końcu przekształcić gospodarkę — umożliwiając tworzenie nowych produktów i nowych modeli biznesowych, przewidując rzeczy, których ludzie nie mogli przewidzieć, i uwalniając pracowników od harówki. Ale może to potrwać dłużej, niż się spodziewano lub obawiano, w zależności od tego, gdzie siedzisz. Większość firm nie generuje znacznie większej ilości czasu pracy, jaką poświęcają ich pracownicy. Taki wzrost wydajności jest największy w największych i najbogatszych firmach, które mogą sobie pozwolić na duże wydatki na infrastrukturę talentów i technologię niezbędną do prawidłowego działania sztucznej inteligencji.

Nie musi to oznaczać, że sztuczna inteligencja jest przereklamowana. Po prostu, jeśli chodzi o zmianę sposobu prowadzenia biznesu, algorytmy rozpoznawania wzorców stanowią niewielką część tego, co się liczy. Znacznie ważniejsze są elementy organizacyjne, które rozciągają się od działu IT aż po front firmy. Prawie każdy musi być dostrojony do tego, jak działa sztuczna inteligencja i gdzie znajdują się jej słabe punkty, zwłaszcza ludzie, od których oczekuje się, że będą ufać jej osądom. Wszystko to wymaga nie tylko pieniędzy, ale także cierpliwości, skrupulatności i innych typowo ludzkich umiejętności, których zbyt często brakuje.

Szukasz jednorożców

We wrześniu ubiegłego roku analityk danych, Peter Skomoroch, napisał na Twitterze: Zasadniczo można oczekiwać, że przejście Twojej firmy na uczenie maszynowe będzie około 100 razy trudniejsze niż przejście na urządzenia mobilne. Zabrzmiało to jak żart, ale Skomoroch nie żartował. Kilka osób powiedziało mu, że z ulgą przyjęło wiadomość, że ich firmy nie są osamotnione w swoich zmaganiach. Myślę, że jest tam wiele bólu – zawyżone oczekiwania, mówi Skomoroch, który jest dyrektorem generalnym SkipFlag, firmy, która twierdzi, że może przekształcić komunikację wewnętrzną firmy w bazę wiedzy dla pracowników. Sztuczna inteligencja i uczenie maszynowe są postrzegane jako magiczny czarodziejski pył.

Jedną z największych przeszkód jest uzyskanie różnych systemów ewidencjonowania, aby mogły ze sobą rozmawiać. To problem, z którym zetknął się Richard Zane jako dyrektor ds. innowacji w UC Health, sieci szpitali i klinik medycznych w Kolorado, Wyoming i Nebrasce. Niedawno wdrożono agenta oprogramowania do konwersacji o nazwie Livi, który wykorzystuje technologię języka naturalnego ze start-upu o nazwie Avaamo, aby pomóc pacjentom dzwoniącym do UC Health lub korzystającym z witryny internetowej. Livi poleca im odnowienie recept, książek, potwierdza wizyty i pokazuje im informacje o stanie zdrowia.

Zane jest zadowolony, że dzięki obsłudze rutynowych zapytań przez Livi, personel UC Health może poświęcić więcej czasu na pomoc pacjentom ze skomplikowanymi problemami. Przyznaje jednak, że ten wirtualny asystent niewiele robi z tego, co sztuczna inteligencja mogłaby ostatecznie zrobić w jego organizacji. To tylko wierzchołek góry lodowej, czy jakakolwiek pozytywna wersja tego jest, mówi Zane. Wdrożenie Livi zajęło półtora roku, głównie z powodu problemów informatycznych związanych z łączeniem oprogramowania z dokumentacją medyczną pacjentów, danymi rozliczeniowymi ubezpieczeń i innymi systemami szpitalnymi.

Podobne konfiguracje nękają także inne branże. Na przykład niektórzy wielcy detaliści zapisują rejestry łańcucha dostaw i transakcji konsumenckich w oddzielnych systemach, z których żaden nie jest połączony z szerszymi magazynami danych. Jeśli firmy nie zatrzymają się i nie zbudują połączeń między takimi systemami, uczenie maszynowe będzie działać tylko na niektórych ich danych. To wyjaśnia dlaczego najczęstsze zastosowania AI dotychczas obejmowały procesy biznesowe, które są wyciszone, ale mimo to zawierają obfite dane, takie jak bezpieczeństwo komputerowe lub wykrywanie oszustw w bankach.

Nawet jeśli firma otrzymuje dane napływające z wielu źródeł, potrzeba wielu eksperymentów i nadzoru, aby mieć pewność, że informacje są dokładne i znaczące. Kiedy Genpact, firma świadcząca usługi IT, pomaga firmom uruchomić to, co uważają za projekty AI, 10% pracy to sztuczna inteligencja, mówi Sanjay Srivastava, dyrektor ds. cyfrowych. Dziewięćdziesiąt procent pracy to tak naprawdę ekstrakcja danych, czyszczenie, normalizacja, spory.

Te kroki mogą wyglądać bezproblemowo w przypadku Google, Netflix, Amazon lub Facebooka. Ale te firmy istnieją po to, by przechwytywać i wykorzystywać dane cyfrowe. Są również luksusowo obsadzone doktorami z nauk o danych, informatyki i dziedzin pokrewnych. To coś innego niż szeregi większości firm, mówi Skomoroch.

Rzeczywiście, mniejsze firmy często wymagają od pracowników zagłębienia się w kilka dziedzin technicznych, mówi Anna Drummond, naukowiec zajmujący się danymi w Sanchez Oil and Gas, firmie energetycznej z siedzibą w Houston. Sanchez niedawno rozpoczął przesyłanie strumieniowe i analizę danych produkcyjnych z odwiertów w czasie rzeczywistym. Nie zbudował możliwości od zera: kupił oprogramowanie od firmy o nazwie MapR. Ale Drummond i jej koledzy nadal musieli upewnić się, że dane z terenu są w formatach, które komputer może przeanalizować. Zespół Drummonda zaangażował się również w projektowanie oprogramowania, które przekazywałoby informacje na ekrany inżynierów. Nie jest łatwo znaleźć ludzi biegłych we wszystkich tych rzeczach, mówi. To w zasadzie jak jednorożce. To właśnie spowalnia wdrażanie sztucznej inteligencji lub uczenia maszynowego.

Fluor, ogromna firma inżynierska, spędziła około czterech lat współpracując z IBM nad opracowaniem systemu sztucznej inteligencji do monitorowania ogromnych projektów budowlanych, które mogą kosztować miliardy dolarów i angażować tysiące pracowników. System wdycha zarówno dane liczbowe, jak i dane w języku naturalnym oraz ostrzega kierowników projektów firmy Fluor o problemach, które mogą później spowodować opóźnienia lub przekroczenie kosztów.

Naukowcy zajmujący się danymi z IBM i Fluor nie potrzebowali dużo czasu, aby stworzyć makiety algorytmów, z których korzystałby system, mówi Leslie Lindgren, wiceprezes Fluor ds. zarządzania informacjami. Znacznie więcej czasu zajęło dopracowanie technologii przy ścisłym udziale pracowników firmy Fluor, którzy mieli korzystać z systemu. Aby mogli zaufać jego osądom, musieli mieć wkład w to, jak będzie działać, i musieli dokładnie zweryfikować jego wyniki, mówi Lindgren.

Aby stworzyć taki system, musisz sprowadzić ekspertów od domeny z firmy — mam na myśli najlepszych ludzi — mówi. Oznacza to, że musisz je zdjąć z innych rzeczy. Dodaje, że korzystanie z najlepszych ludzi było niezbędne, ponieważ budowa silnika AI była dla nich zbyt ważna, zbyt długa i zbyt kosztowna.

Nasiona AI

Jak szybko pojawi się innowacja w gospodarce? Ekonomista Zvi Griliches wymyślił kilka fundamentalnych odpowiedzi w latach pięćdziesiątych — patrząc na kukurydzę.

Griliches zbadał tempo, w jakim hodowcy kukurydzy w różnych częściach kraju przestawiali się na odmiany hybrydowe o znacznie wyższych plonach. Tym, co go interesowało, była nie tyle sama kukurydza, co wartość hybryd, ale to, co dziś nazwalibyśmy platformą dla przyszłych innowacji. Kukurydza hybrydowa była wynalazkiem metody wynalezienia, metody hodowli lepszej kukurydzy dla określonych lokalizacji, napisał Griliches w przełomowym artykule w 1957 roku.

Hybrydy zostały wprowadzone w Iowa pod koniec lat 20. i na początku lat 30. XX wieku. Do 1940 r. stanowili oni prawie całą uprawę kukurydzy w stanie. Ale krzywa adopcji wcale nie była tak stroma w miejscach takich jak Teksas i Alabama, gdzie hybrydy zostały wprowadzone później i pokryły około połowy powierzchni kukurydzy na początku lat pięćdziesiątych. Jednym z głównych powodów jest to, że nasiona hybrydowe były droższe niż nasiona konwencjonalne, a rolnicy musieli co roku kupować nowe. Przejście na nową technologię było bardziej ryzykowną propozycją dla gospodarstw w tych stanach niż w bogatszym i bardziej produktywnym pasie kukurydzy na Środkowym Zachodzie.

Griliches uchwycił i co potwierdzili późniejsi ekonomiści, to fakt, że rozprzestrzenianie się technologii jest kształtowane nie tyle przez wewnętrzne cechy innowacji, ile przez sytuację ekonomiczną użytkowników. Kluczowym pytaniem użytkowników nie jest, jak w przypadku technologów, co może zrobić technologia? ale ile skorzystamy z inwestycji w nią?

Dziś uczenie maszynowe jest podstawą każdego aspektu działalności firm takich jak Facebook, Google i Amazon oraz wielu startupów. To czyni te firmy wyjątkowo bogatymi. Ale poza pasem AI sprawy toczą się znacznie wolniej, z racjonalnych powodów ekonomicznych.

W firmie Symrise Daub uważa, że ​​projekt sztucznej inteligencji perfum wpadł w dobry punkt. Był to eksperyment na stosunkowo małą skalę, ale wymagał prawdziwej pracy dla klienta zapachowego i nie był zwykłą symulacją laboratoryjną.

Wszyscy jesteśmy pod dużą presją, mówi. Nikt tak naprawdę nie ma czasu na naukę od podstaw. Jednak nawet to wymagało odrobiny wiary w technologię. Wszystko sprowadza się do przekonania, mówi. Jest we mnie bardzo silne przekonanie, że sztuczna inteligencja będzie odgrywać rolę w większości branż, które widzimy dzisiaj, a niektóre w przeważającej mierze. Całkowite zignorowanie tego nie wchodzi w grę.

ukryć