Globalny program AI: obietnica, rzeczywistość i przyszłość udostępniania danych

W związku z Genesys, Philips

' Globalny program AI: obietnica, rzeczywistość i przyszłość udostępniania danych ' to raport MIT Technology Review Insights opracowany we współpracy z Genesys i Philips. Został opracowany w wyniku globalnego badania przeprowadzonego w styczniu i lutym 2020 r. wśród ponad 1000 dyrektorów z 11 różnych sektorów oraz serii wywiadów z ekspertami mającymi szczególną odpowiedzialność za sztuczną inteligencję lub wiedzę na temat sztucznej inteligencji. Poniższy artykuł jest fragmentem pełnego raportu.

Ta treść została stworzona przez Insights, dział zajmujący się treściami niestandardowymi MIT Technology Review. Nie została napisana przez redakcję MIT Technology Review.

Pobierz pełny raport .

Niewiele wschodzących dziedzin technologii wywołało w ostatnich latach tyle emocji i debat, co sztuczna inteligencja. Większość dotychczasowych emocji koncentrowała się wokół branży technologicznej, która w USA, Chinach i do pewnego stopnia w Europie inwestuje miliardy w rozwój swoich możliwości AI. Organizacje z innych sektorów mogą nie wydawać pieniędzy na sztuczną inteligencję z takim samym entuzjazmem, ale badanie sugeruje, że większość przynajmniej testuje wody.

Do końca 2020 r. 97% dużych firm ankietowanych na potrzeby tego raportu będzie wdrażać sztuczną inteligencję. Najwcześniejszymi użytkownikami tego rozwiązania były firmy IT i telekomunikacyjne, z których 81 proc. korzystało ze sztucznej inteligencji do 2018 r. — tuż przed firmami świadczącymi usługi finansowe (78%) oraz dobrami konsumenckimi i sprzedażą detaliczną (75%). Sektor publiczny znajduje również liczne przypadki użycia sztucznej inteligencji: do końca 2019 r. 94% respondentów z rządu przyznało, że wdrożyło sztuczną inteligencję.

Sztuczna inteligencja będzie naturalnie odgrywać różne role w różnych rodzajach przedsiębiorstw. Niektórym jego możliwości pomogą poprawić aspekty efektywności operacyjnej. Inni oczekują, że zmieni to grę. Dla nas, mówi Jeroen Tas, dyrektor ds. innowacji i strategii w firmie Philips, dostawcy sprzętu konsumenckiego i medycznego, sztuczna inteligencja to podstawowa technologia, która w ciągu najbliższych kilku lat znajdzie się w zdecydowanej większości naszych propozycji. A w przypadku niektórych firm urodzonych w środowisku internetowym od tego zależy sukces modelu biznesowego. Jednym z nich jest Lemonade, nowojorski dostawca ubezpieczeń majątkowych i od następstw nieszczęśliwych wypadków, który jest opisywany jako przełomowy dla ugruntowanej branży ubezpieczeniowej. Jego dyrektor generalny, Daniel Schreiber, uważa, że ​​boty wykorzystujące sztuczną inteligencję, takie jak Lemonade, są przyszłością ubezpieczeń.

Krok po kroku

Chociaż sztuczna inteligencja jest szeroko stosowana, nie zamierza podbić przedsiębiorstwa. Bardzo niewielu ankietowanych menedżerów (4%) uważa, że ​​za trzy lata będzie on wykorzystywany w ponad połowie ich procesów biznesowych. Mniej niż jedna trzecia (30%) spodziewa się, że będzie on używany w od 31% do 50% procesów. Większość, 60% respondentów, uważa, że ​​sztuczna inteligencja znajdzie miejsce w dowolnym miejscu od 11% do 30% ich procesów, co ma znaczny, ale niekoniecznie dominujący wpływ na sposób działania większości firm. Pod tym względem sztuczna inteligencja będzie odgrywać szczególnie dużą rolę w działalności dostawców usług finansowych, producentów i firm technologicznych.

Największe aspiracje AI w ciągu trzech lat mają branże usług finansowych, produkcji oraz IT i telekomunikacji.

Niepewne jego rzeczywistych (w przeciwieństwie do zakładanych) możliwości i świadome wyzwań, jakie stwarza, firmy stosują iteracyjne podejście do wdrażania sztucznej inteligencji. Według Dirka Jungnikela, starszego wiceprezesa Enterprise Analytics w Emirates Group, wczesne próby, które jego firma podjęła w 2015 i 2016 roku, aby zbudować możliwości sztucznej inteligencji, często nie wyszły poza fazę weryfikacji koncepcji lub pilotażu. Zaczęło się to zmieniać w połowie 2018 r., kiedy, jak mówi, firma zaczęła operacjonalizować swoje wysiłki w zakresie rozwoju sztucznej inteligencji i industrializować naukę o danych.

Céline Le Cotonnec, dyrektor ds. innowacji danych w Bank of Singapore, zauważa, że ​​wiele organizacji korporacyjnych chce dostarczać przypadki użycia sztucznej inteligencji, zanim ustanowi odpowiednie fundamenty pod względem architektury IT, możliwości sztucznej inteligencji, docelowego modelu operacyjnego lub zarządzania danymi. Moja odpowiedź brzmi „najpierw najważniejsze”, mówi. Zanim przejdziemy dalej, musimy stworzyć odpowiednią podstawę dla danych. Obejmuje to posiadanie tłumaczy analitycznych — ludzi, którzy rozumieją sztuczną inteligencję oraz biznes, aby określać zakres projektów, zarządzać ich realizacją, mierzyć zwrot z inwestycji i rozumieć, jak wykonalne będzie skalowanie.

Dla dużych firm, które przeznaczają znaczne budżety na rozwój możliwości sztucznej inteligencji, opracowywanie i ustalanie priorytetów przypadków użycia jest poważnym wyzwaniem. Według Mike'a Hanrahana, dyrektora generalnego Walmart's Intelligent Research Lab (IRL): Pierwszą rzeczą, w którą musieliśmy zainwestować czas, było podjęcie decyzji, na czym powinniśmy skoncentrować nasze zasoby. Jego zespół zidentyfikował ponad 250 różnych przypadków użycia, a następnie przefiltrował je do kilku. Proces filtrowania był dość skomplikowany przy podejmowaniu decyzji, nad czym powinniśmy pracować, mówi Hanrahan. Sprowadzało się to do podjęcia decyzji, które przypadki są najbardziej praktyczne w skali.

W przypadku Walmarta priorytetowe przypadki dotyczyły zarządzania zapasami, które stanowią dużą część bazy kosztowej międzynarodowego koncernu i gdzie nawet niewielka poprawa wydajności generuje znaczne oszczędności. Jednak w różnych sektorach firmy realizują różne przypadki użycia, mając nadzieję, że przynajmniej kilka z nich przyniesie wczesne zwroty i posłuży do budowania zaufania i podekscytowania sztuczną inteligencją w całej organizacji.

Przypadki użycia dziś i jutro

Wśród całej próby ankietowej kontrola jakości, obsługa klienta i wykrywanie oszustw to obecnie najczęstsze przypadki użycia sztucznej inteligencji. Bardziej szczegółowy pogląd ujawnia jednak znaczną różnorodność w głównych przypadkach użycia realizowanych przez różne sektory. Na przykład ponad połowa firm świadczących usługi finansowe (58%) i organizacji rządowych (55%) podaje wykrywanie oszustw jako najczęstszy przypadek użycia sztucznej inteligencji. Céline Le Cotonnec mówi, że podczas swojej poprzedniej pracy w globalnej firmie ubezpieczeniowej przypadki użycia wykrywania oszustw były pierwszymi, które zostały wdrożone, ponieważ korzyści miały być znaczne: Według badania Reinsurance Group of America (RGA) z 2017 r., 3- 4% wszystkich globalnych roszczeń jest oszukańczych, z najwyższą częstością (4,16%) w Azji.

Wśród całej próby ankietowej kontrola jakości, obsługa klienta i wykrywanie oszustw to obecnie najczęstsze przypadki użycia sztucznej inteligencji na całym świecie.

Zdaniem Adi Chhabra, szefa działu innowacji produktowych w Vodafone UK, w przypadku operatora komórkowego Vodafone najbardziej udane przypadki użycia można znaleźć w obsłudze klienta. Jak mówi, korzyści dotyczą zarówno efektywności kosztowej, jak i doświadczenia klienta. W branży telekomunikacyjnej obsługa klienta pochłania wiele kosztów. Integracja sztucznej inteligencji z IVR (interaktywna odpowiedź głosowa) niemal natychmiast usuwa koszty tych operacji i prowadzi do szybszego podejmowania decyzji w celu rozwiązania problemów klientów.

Firmy energetyczne i przedsiębiorstwa użyteczności publicznej, zdaniem 51% respondentów z tego sektora, wykorzystują sztuczną inteligencję do monitorowania stanu swoich sieci. Monitorowanie i diagnozowanie są również naturalnym obszarem zainteresowania AI dla organizacji z branży opieki zdrowotnej, a 42% respondentów z tych organizacji dąży do takich zastosowań. Według Tasa z Philipsa sztuczna inteligencja całkowicie zmieniła sposób, w jaki branża diagnozuje raka, a jej możliwości obejmują teraz wybór terapii: po zdiagnozowaniu algorytmy sztucznej inteligencji pomagają nam teraz wybrać odpowiednią terapię. To skomplikowane, ponieważ opcje mogą obejmować operację, ablację, chemioterapię, immunoterapię lub radioterapię lub ich kombinację. Wybór odpowiednich terapii i ścieżek staje się ćwiczeniem opartym na wglądach i wspieranym przez sztuczną inteligencję.

Wyzwania skalowania

Z dyrektorów, z którymi przeprowadzono wywiady do tego raportu, jasno wynika, że ​​skalowanie przypadków użycia sztucznej inteligencji okazuje się trudne. Istniejące ograniczenia technologiczne mogą utrudniać szersze zastosowanie, sugeruje Hanrahan w przypadku analizy wideo w czasie rzeczywistym. Jeśli chodzi o formy osobistej sztucznej inteligencji, należy poczynić postępy w przetwarzaniu języka naturalnego, zanim na przykład chatboty staną się naprawdę wyrafinowane, mówi Chhabra.

W niektórych branżach regulacje utrudniają szersze zastosowanie innowacji wykorzystujących sztuczną inteligencję. Przykładem jest ustalanie cen ubezpieczeń na podstawie algorytmów w Stanach Zjednoczonych. Według Daniela Schreibera z Lemonade jest to obecnie dozwolone tylko w kilku stanach USA. W Stanach Zjednoczonych, największym na świecie rynku ubezpieczeniowym, otoczenie regulacyjne nie uwzględniło jeszcze technologii nowej generacji, mówi.

Braki talentów i umiejętności związanych ze sztuczną inteligencją są częstym ubolewaniem dyrektorów ds. informatyki i dyrektorów ds. technologii, a 42% respondentów w naszym badaniu twierdzi, że niedobór wewnętrznych analityków danych i powiązanych ekspertów jest głównym ograniczeniem w korzystaniu przez nich ze sztucznej inteligencji. Deficyt jest szczególnie odczuwalny wśród respondentów z branży produkcyjnej i technologicznej, wskazanych jako ograniczenie AI odpowiednio przez 48% i 47% z nich.

Trudność w dostosowaniu procesów biznesowych do wglądu w sztuczną inteligencję została wymieniona jako główne wyzwanie na całym świecie, a następnie kwestie związane z ilością, jakością i dostępnością danych.

Dane są rzeczywiście kolejnym poważnym ograniczeniem, które respondenci zajęli drugie miejsce po problemach związanych z przetwarzaniem (podało je 48% z nich). Modele AI potrzebują danych: im więcej model przyswaja, tym dokładniejsza jest jego analiza i tym większe prawdopodobieństwo, że podejmowane przez niego decyzje trafią w sedno. Problem jest jednak mniejszy z ogólną dostępnością danych. Tylko 10% respondentów twierdzi, że ma z tym problemy. Według Le Cotonnec, większym problemem są trudności z integracją danych w różnych formatach, zwłaszcza danych nieustrukturyzowanych. Ubezpieczyciele powinni zacząć wykorzystywać swoje nieustrukturyzowane dane (rejestry połączeń, zdjęcia, e-maile), mówi, w celu poprawy wydajności procesu roszczeń lub poprawy obsługi klienta. Mamy wystarczającą ilość danych, ale nasza zdolność do wydobywania wartości z danych nieustrukturyzowanych jest w tej chwili ograniczona. Branża ubezpieczeniowa nie jest osamotniona: dotyczy to 57% firm biorących udział w badaniu (oraz znacznie więcej profesjonalnych usług, transportu i organizacji rządowych).

Integracja nieustrukturyzowanych danych, łączenie się z otwartymi platformami danych i stronniczość w modelach algorytmicznych to główne wyzwania związane z danymi AI.

Odblokowywanie możliwości udostępniania danych

W czerwcu 2019 r. 10 dużych producentów farmaceutycznych utworzyło konsorcjum, którego wyraźnym celem jest udostępnianie danych z badań nad lekami, które każdy z nich może wykorzystać do trenowania swoich algorytmów sztucznej inteligencji. To nie pierwszy raz, kiedy firmy farmaceutyczne angażują się we współpracę badawczo-rozwojową. Jest to jednak pierwszy przypadek współpracy badawczej w tej branży, w której sztuczna inteligencja jest zarówno czynnikiem umożliwiającym, jak i beneficjentem. Członkowie konsorcjum przeszukują wzajemnie swoje dane za pomocą technik sfederowanego uczenia się, które są zdecentralizowaną formą uczenia maszynowego. Dzięki temu przeszukiwane dane pozostają na serwerach każdej firmy, a nie są gromadzone w centralnym repozytorium. Firmy mogą chronić to, co uważają za zastrzeżone, a wykorzystanie blockchain zapewnia pełną identyfikowalność danych. Ostateczny cel: uproszczenie i przyspieszenie odkrywania i opracowywania leków, dzięki czemu na rynek trafiają nowe i mniej kosztowne leki i metody leczenia.

Ten przykład pokazuje, w jaki sposób wykorzystanie sztucznej inteligencji w połączeniu z innymi technologiami może ułatwić wydajne i bezpieczne udostępnianie danych między firmami oraz korzyści, które mogą wynikać z zaawansowanych modeli sztucznej inteligencji opartych na współdzielonych danych. Korzyści mogą przybrać formę nowych usprawnień, nowych produktów i usług, a nawet nowych łańcuchów wartości, które tworzą się wokół ustaleń dotyczących udostępniania danych.

Na całym świecie największe zainteresowanie sposobami udostępniania danych stronom trzecim wykazują branże produkcyjne, konsumenckie i detaliczne oraz IT i telekomunikacja.

Dwie trzecie (66%) respondentów naszego badania wyraża chęć udostępnienia własnych danych w tych celach. Najbardziej entuzjastycznie nastawieni są producenci, firmy produkujące dobra konsumpcyjne i detaliczne oraz firmy technologiczne, chociaż wszystkie sektory wykazują dużą gotowość. Jak chcą na tym zyskać? Producenci widzą swoje główne zwycięstwa w postaci większej szybkości i widoczności łańcucha dostaw, bardziej wydajnych operacji produkcyjnych oraz szybszego i bardziej innowacyjnego opracowywania produktów. Respondenci z sektorów dóbr konsumpcyjnych, handlu detalicznego, farmaceutycznego i opieki zdrowotnej wskazują na te same korzyści w zakresie łańcucha dostaw i rozwoju produktów. Dyrektorzy IT i telekomunikacji dostrzegają korzyści przede wszystkim w lepszej obsłudze klienta oraz silniejszym cyberbezpieczeństwie i zapobieganiu oszustwom, takie same korzyści, jakie są najważniejsze dla respondentów z branży finansowej.

Udostępnianie danych w ramach łańcuchów wartości i między różnymi dostawcami na ścieżce klienta może być ogromną korzyścią dla konsumentów, mówi Tony Bates z Genesys. Generujemy miliardy interakcji, wokół których możemy budować wspólne modele danych. Ale potrzebujemy również innych form danych. Istnieje potrzeba udostępniania danych między różnymi dużymi stosami technologii, z których korzystamy i którymi zarządzamy. Jeśli uda nam się to zrobić w sposób anonimowy i bezpieczny, jako branża możemy zapewnić naszym klientom znacznie bardziej spersonalizowane doświadczenia niż obecnie.

Respondenci ankiety postrzegają większą widoczność w łańcuchach dostaw oraz szybszy i bardziej innowacyjny rozwój produktów jako największe korzyści z udostępniania danych stronom trzecim.

Zwłaszcza w przypadku firm zajmujących się handlem konsumentami główną przeszkodą do tej pory była trudność w zapewnieniu anonimowości danych swoich klientów. Chhabra w Vodafone mówi, że pełna anonimowość była nieuchwytna: o ile chcesz anonimizować, użytkownicy udostępnianych danych mogą znaleźć sposoby na śledzenie klientów, do których odnoszą się dane. Uważa, że ​​blockchain i nowsze rozwiązania, takie jak Ocean Protocol, który działa podobnie do sfederowanego uczenia się, umożliwiając zdecentralizowane wyszukiwanie danych, ostatecznie zapewnią, że modele sztucznej inteligencji będą mogły być uruchamiane na w pełni anonimowych danych.

Stworzenie możliwości bezpiecznego udostępniania danych to jeden z elementów układanki. Drugi, mówi Chhabra, tworzy zachętę dla firm do dzielenia się nią. Osoby stojące za Ocean Protocol, platformą non-profit opracowaną przez fundację z siedzibą w Singapurze, widzą, że jej technologia stanowi podstawę tworzenia rynków danych, w których firmy, konsumenci i inne strony udostępniają lub wymieniają dane.

Niezależnie od formy udostępniania, firmy muszą nauczyć się doceniać posiadane dane i dane, których potrzebują, mówi George Bailey, dyrektor zarządzający Digital Supply Chain Institute, organizacji badawczej. Może to oznaczać przypisanie ceny pieniężnej do różnych typów danych lub określenie, jakie dane są skłonne wymienić w zamian za dane innych stron. Przytacza przykłady producentów artykułów sportowych, którzy widzą korzyści w pozyskiwaniu danych od firm obsługujących aplikacje fitness, oraz producentów konsumenckich artykułów trwałego użytku poszukujących danych na temat preferencji i cech użytkowników końcowych od sprzedawców detalicznych. Bailey opowiada się również za wyceną i handlem danymi w firmach jako sposobem na pokonanie zakorzenionych silosów danych.

Większa przejrzystość regulacyjna i opracowanie uzgodnionych standardów branżowych są konieczne, zanim firmy zaczną bardziej aktywnie udostępniać dane.

Od wizji do rzeczywistości

Udostępnianie danych na skalę, która prowadzi do nowych wydajności, produktów i łańcuchów wartości wykorzystujących sztuczną inteligencję, jest wizją, którą należy zrealizować, a nie obecną rzeczywistością. Wszyscy, z którymi rozmawialiśmy, wierzą, że to się spełni, ale minie trochę czasu, zanim obawy zarządu i kierownictwa dotyczące zagrożeń związanych z bezpieczeństwem i prywatnością zostaną złagodzone. Pogląd ten znajduje odzwierciedlenie w ankiecie, w której 64% respondentów twierdzi, że przepisy muszą zostać zmienione lub doprecyzowane, a 58%, że należy opracować standardy branżowe, zanim ich firmy zaczną szeroko udostępniać dane.

Rygorystyczne przepisy dotyczące prywatności danych, takie jak Ogólne rozporządzenie o ochronie danych Unii Europejskiej (RODO), obowiązujące od 2018 r., co zrozumiałe, zmuszają kadrę kierowniczą do wstrzymania się w świetle kar, jakie mogą im grozić za niespełnienie jego wymagań. Technologia Blockchain może być częścią rozwiązania, ale Chhabra podkreśla również to, co jest znane jako paradoks RODO-blockchain – ten pierwszy wymaga możliwości wymazania danych na żądanie osoby, podczas gdy nieusuwanie danych – pełna identyfikowalność – jest nieodłącznym elementem drugiego.

Nie wiadomo, jak rozwiązywane są takie problemy, ale niektóre organizacje opowiadają się za ustanowieniem trustów danych w celu ułatwienia udostępniania. Jednym z nich jest Open Data Institute (ODI), brytyjska organizacja non-profit: utrzymuje, że wśród brytyjskich firm istnieje duży apetyt na takie trusty utworzone jako niezależne instytucje, aby działały jako zarządcy udostępnianych danych.

Philips, mówi Jeroen Tas, jest wielkim zwolennikiem stworzenia niekomercyjnego funduszu powierniczego do zarządzania danymi opieki zdrowotnej i prowadzi rozmowy z Komisją Europejską na temat wspierania takich inicjatyw. W tej branży panuje konsensus, który mówi: „Może nie powinniśmy tylko inwestować w szpitale stacjonarne i inne obiekty. Być może przyszłość opieki zdrowotnej to bardzo solidna i bezpieczna infrastruktura danych dotyczących zdrowia.

Aby uzyskać więcej informacji, pobierz pełny raport .

ukryć