Hoe realistische verwachtingen voor AI te stellen

AI heeft een geschiedenis van overbelang en legt Starmind-oprichter Pascal Kaufmann af. Hij verklaart het verschil tussen machine learning, verwerking van natuurlijke talen, automatisering en de andere componenten van kunstmatige intelligentie.

Op 27 juli 2018 brak er nieuws uit dat samenwerkingsinspanningen bij de behandeling van kanker tussen het Sloan Kettering Research Institute en IBM zorgden voor behandelingsvoorschriften die niet geschikt waren voor de patiënten waarvoor de behandelingen waren voorgeschreven.

In één geval kreeg een 65-jarige man een medicijn voorgeschreven dat kon leiden tot "ernstige of fatale bloeding", hoewel hij al aan ernstige bloedingen leed.

Toen onderzoekers dieper graven, ontdekten ze dat IBM-ingenieurs en artsen van Sloan Kettering hypothetische patiëntgegevens hadden gegeven aan IBM's Watson, die de behandelingsanalyses verwerkte. Aanvankelijk dacht men dat het gebruik van hypothetische factoren (in plaats van echte patiëntgegevens) de AI mogelijk scheef deed en resulteerde in meerdere voorbeelden van onveilige of onjuiste behandelaanbevelingen.

Bij de eerste blos is het gemakkelijk om de AI te dichten - maar moeten we dat doen?

De belangrijkste les die geleerd kan worden van Watson of andere AI-technologie die momenteel in het bedrijfsleven wordt getest, is dat AI niet perfect is. En als AI "training" afhankelijk is van systeemingenieurs en materiedeskundigen, heeft AI veel te bieden - maar het zal ook jaren duren om te perfectioneren.

ZIE: Kunstmatige intelligentie: trends, obstakels en potentiële overwinningen (Tech Pro Research)

We zien de AI-beperkingen in andere voorbeelden naast Watson. Waaronder:

De geautomatiseerde gespreksmedewerkers en online zelfhulpfaciliteiten die u het antwoord op alles geven, behalve wat u wilt weten

De online AI-enquêtes die beweren u over uzelf te vertellen en u vervolgens vertellen dat u uit de omgeving van Boston komt, hoewel u nog nooit in New England bent geweest

Dus als u een IT-professional bent die een AI-project leidt, welke huidige best practices kunt u dan gebruiken voor het grootste succes in een evolutionair technologiegebied? Hier zijn enkele aandachtspunten.

1. AI is een iteratief proces dat voortdurend interactie tussen mens en machine vereist

Toen een AI-systeem in China werd getraind zodat gegevens die in stedelijke ziekenhuizen werden verzameld, in de AI konden worden gebruikt voor beroertebehandelingen in afgelegen plattelandsgebieden waar mogelijk geen medisch personeel was getraind, werden veel patiëntgevallen en behandelingen ingevoerd in gegevensrepository's. Analytics en algoritmen werden continu opnieuw uitgevoerd en verfijnd totdat de AI-diagnoses binnen 99, 9% nauwkeurigheid kwamen van wat een zeer bekwame arts zou diagnosticeren.

2. Het is belangrijk om analytische vooroordelen te elimineren

Hartziekten zijn nog steeds een gebied met een hoger risico voor vrouwen omdat de meeste onderzoeken naar hartziekten zijn uitgevoerd bij mannen, die verschillende symptomen vertonen en verschillende behandelingen vereisen. Hartziekte is een voorbeeld waarbij standaard medische praktijken bevooroordeeld zijn en mogelijk niet voor alle patiënten even effectief zijn. Als u deze aannames naar een AI-systeem overbrengt, zal uw systeem ook bevooroordeeld zijn.

ZIE: Speciaal rapport: Data, AI, IoT: De toekomst van de detailhandel (gratis TechRepublic PDF)

3. AI is een continue leerervaring

Het idee van elektriciteit is misschien al in 600 voor Christus ontstaan, maar het duurde eeuwen om elektriciteit een onderdeel van het dagelijks leven te maken. Naarmate we meer leren over omstandigheden en gebeurtenissen, groeit onze hoeveelheid kennis en komen we met nieuwe ideeën. AI is niet anders. Het vermogen van AI om te analyseren en te voorspellen is afhankelijk van hoeveel het kost van mensen en machines en hoe continu zijn algoritmen worden verfijnd.

4. Er is geen vervanging voor ervaren beoefenaars

Er zal nooit een vervanger zijn voor een zeer bekwame chirurg, of ingenieur of advocaat of monteur die uit de eerste hand ervaring heeft met veel soorten zaken die niet door het boek worden gehaald maar nog moeten worden opgelost. Dit is een gebied van anomalie waar AI-logica vaak tekortschiet - en een reden waarom je nog steeds mensen uit de praktijk nodig hebt die naast AI-tools werken.

5. De sweet spot voor mens-machine-werk moet worden gevonden

Wat AI voor bedrijven oplevert, is een manier om snel gegevensvolumes in seconden te verwerken en algoritmen toe te passen op de gegevens die met hypothesen en voorspellingen komen. Wat mensen naast deze machines brengen, is hun praktische knowhow en ervaring, die verder gaat dan het kraken van gegevens en toegang krijgt tot het domein van het onbekende en het onverwachte. Het vinden van de juiste balans tussen de twee voor de beste resultaten is het belangrijkste wat een IT-projectmanager kan doen wanneer AI wordt ingevoegd in bedrijfsactiviteiten.

Innovatie nieuwsbrief

Wees op de hoogte van slimme steden, AI, Internet of Things, VR, AR, robotica, drones, autonoom rijden en meer van de coolste technische innovaties. Geleverd op woensdag en vrijdag

Schrijf je vandaag in

Lees ook ...

  • Eén op de vijf bedrijven mist de infrastructuur voor kunstmatige intelligentie (ZDNet)
  • Top 5: manieren waarop AI van bedrijf verandert (TechRepublic)
  • AI op de werkplek: alles wat u moet weten (ZDNet)
  • 5 stappen om uw bedrijf te helpen profiteren van AI
  • Vraag naar AI-talent explodeert: hier zijn de 10 meest gevraagde banen

Jouw rekening

Heb je de opdracht gekregen om een ​​AI-project te runnen? Welke obstakels of verrassingen bent u tegengekomen? Deel uw ervaringen en advies met collega-leden van TechRepublic.

Afbeelding: iStock / Artem Burduk

© Copyright 2020 | mobilegn.com