Ανάλυση με πληροφορίες από την McKinsey
Οι “έξυπνες μηχανές” γίνονται όλο και πιο πολύπλοκες. Ορισμένοι υπολογιστές έχουν πλέον περάσει σε ένα νέο επίπεδο ταχύτατης , πολλαπλής και σύνθετης επεξεργασίας, που σημαίνει ότι μπορούν να εκτελέσουν τόσους υπολογισμούς σε ένα δευτερόλεπτο όσο ένα άτομο θα μπορούσε σε 31.688.765.000 χρόνια! Αλλά η εξέλιξη αυτή δεν αφορά μόνο τους υπολογισμούς. Οι υπολογιστές και άλλες “έξυπνες” συσκευές αποκτούν πλέον δεξιότητες και αντίληψη που στο παρελθόν ήταν αποκλειστικό προνόμιο του ανθρώπου.
Η τεχνητή νοημοσύνη είναι η ικανότητα μιας μηχανής να εκτελεί τις γνωστικές λειτουργίες που συνδέουμε με το ανθρώπινο μυαλό, όπως η αντίληψη, η λογική, η μάθηση, η αλληλεπίδραση με ένα περιβάλλον, η επίλυση προβλημάτων και ακόμη η άσκηση δημιουργικότητας. Πιθανότατα έχετε αλληλεπιδράσει με την τεχνητή νοημοσύνη ακόμα κι αν δεν το είχατε συνειδητοποιήσει—οι φωνητικοί βοηθοί όπως η Siri και η Alexa βασίζονται στην τεχνολογία AI, όπως και ορισμένα chatbot εξυπηρέτησης πελατών που εμφανίζονται για να σας βοηθήσουν να πλοηγηθείτε σε ιστότοπους.
Τι σημαίνει εφαρμοσμένη τεχνητή νοημοσύνη;
Η εφαρμοσμένη τεχνητή νοημοσύνη -απλά, η τεχνητή νοημοσύνη που εφαρμόζεται σε προβλήματα του πραγματικού κόσμου- έχει σοβαρές επιπτώσεις στον επιχειρηματικό κόσμο. Χρησιμοποιώντας τεχνητή νοημοσύνη, οι εταιρείες έχουν τη δυνατότητα να κάνουν τις επιχειρήσεις πιο αποτελεσματικές και κερδοφόρες. Αλλά τελικά, η αξία της τεχνητής νοημοσύνης δεν έγκειται στα ίδια τα συστήματα, αλλά στο πώς οι εταιρείες χρησιμοποιούν αυτά τα συστήματα για να βοηθήσουν τα στελέχη τους – και την ικανότητά τους να εξηγούν στους μετόχους και στο κοινό τι κάνουν αυτά τα συστήματα – με έναν τρόπο που δημιουργεί εμπιστοσύνη.
Τι είναι η μηχανική μάθηση;
Η μηχανική μάθηση είναι μια μορφή τεχνητής νοημοσύνης που βασίζεται σε αλγόριθμους που εκπαιδεύονται σε δεδομένα. Αυτοί οι αλγόριθμοι μπορούν να ανιχνεύσουν μοτίβα και να μάθουν πώς να κάνουν προβλέψεις και συστάσεις μέσα από την επεξεργασία δεδομένων και εμπειριών, αντί να λαμβάνουν ρητές οδηγίες προγραμματισμού. Οι αλγόριθμοι προσαρμόζονται επίσης διαρκώς σε νέα δεδομένα και εμπειρίες προκειμένου να βελτιώσουν την αποτελεσματικότητά τους με την πάροδο του χρόνου. Ο όγκος και η πολυπλοκότητα των δεδομένων που παράγονται τώρα, εκτείνονται σε τεράστια κλίμακα, είναι αδύνατον να τις υπολογίσουν οι άνθρωποι και έχουν αυξήσει τις δυνατότητες της μηχανικής μάθησης, καθώς και την ανάγκη προσφυγής σε αυτήν. Από τη δεκαετία του 1970, η μηχανική μάθηση είχε αντίκτυπο σε διάφορους κλάδους, συμπεριλαμβανομένων των επιτευγμάτων στην ανάλυση της ιατρικής απεικόνισης και την υψηλής ανάλυσης πρόγνωση του καιρού .
Ο όγκος και η πολυπλοκότητα των δεδομένων που παράγονται τώρα, πολύ τεράστιες για να τις υπολογίσουν οι άνθρωποι, έχει αυξήσει τις δυνατότητες της μηχανικής μάθησης, καθώς και την ανάγκη για αυτήν.
Τι είναι η βαθιά μάθηση;
Η βαθιά μάθηση είναι ένας τύπος μηχανικής μάθησης που μπορεί να επεξεργαστεί ένα ευρύτερο φάσμα δεδομένων (εικόνες, για παράδειγμα, εκτός από κείμενο), απαιτεί ακόμη λιγότερη ανθρώπινη παρέμβαση και μπορεί συχνά να παράγει πιο ακριβή αποτελέσματα από την παραδοσιακή μηχανική μάθηση. Η βαθιά μάθηση χρησιμοποιεί νευρωνικά δίκτυα (neural networks) — που λειτουργούν αντιγράφοντας τους τρόπους που αλληλεπιδρούν οι νευρώνες στον ανθρώπινο εγκέφαλο— με σκοπό να απορροφήσει δεδομένα και να τα επεξεργαστεί μέσω πολλαπλών επαναλήψεων που απορροφούν όλο και πιο περίπλοκα χαρακτηριστικά των δεδομένων.
Το νευρωνικό δίκτυο μπορεί στη συνέχεια να κάνει προσδιορισμούς σχετικά με τα δεδομένα, να μάθει εάν ένας προσδιορισμός είναι σωστός και να χρησιμοποιήσει όσα έχει μάθει για να κάνει προσδιορισμούς σχετικά με νέα δεδομένα. Για παράδειγμα, μόλις «μάθει» πώς μοιάζει ένα αντικείμενο, μπορεί να αναγνωρίσει το αντικείμενο σε μια νέα εικόνα.
Ποιοι τομείς μπορούν να ωφεληθούν
Ποιοι τομείς μπορούν να ωφεληθούν από τη μηχανική μάθηση και τη βαθιά μάθηση;
Η McKinsey συγκέντρωσε περισσότερες από 400 περιπτώσεις χρήσης μηχανικής και βαθιάς μάθησης σε 19 κλάδους και εννέα επιχειρηματικές λειτουργίες. Σχεδόν όλες οι βιομηχανίες μπορούν να επωφεληθούν από τη μηχανική και τη βαθιά μάθηση. Ακολουθούν μερικά παραδείγματα περιπτώσεων χρήσης που αφορούν διάφορους τομείς:
- Προγνωστική συντήρηση
Η προγνωστική συντήρηση είναι ένα σημαντικό μέρος κάθε κλάδου ή επιχείρησης που βασίζεται στον εξοπλισμό. Αντί να περιμένουν μέχρι να χαλάσει ένα κομμάτι του εξοπλισμού, οι εταιρείες μπορούν να χρησιμοποιήσουν προγνωστική συντήρηση για να προβλέψουν πότε θα χρειαστεί συντήρηση, αποτρέποντας έτσι το χρόνο διακοπής λειτουργίας και μειώνοντας το λειτουργικό κόστος. Η μηχανική μάθηση και η βαθιά μάθηση έχουν την ικανότητα να αναλύουν μεγάλες ποσότητες πολύπλευρων δεδομένων, γεγονός που μπορεί να αυξήσει την ακρίβεια της προγνωστικής συντήρησης.
- Βελτιστοποίηση Logistics
Η χρήση τεχνητής νοημοσύνης για τη βελτιστοποίηση των logistics μπορεί να μειώσει το κόστος μέσω προβλέψεων σε πραγματικό χρόνο και καθοδήγησης συμπεριφοράς. Για παράδειγμα, η τεχνητή νοημοσύνη μπορεί να βελτιστοποιήσει τη δρομολόγηση της κυκλοφορίας παράδοσης, βελτιώνοντας την απόδοση καυσίμου και μειώνοντας τους χρόνους παράδοσης.
- Εξυπηρέτηση πελατών
Οι τεχνικές τεχνητής νοημοσύνης στα τηλεφωνικά κέντρα μπορούν να επιτρέψουν μια πιο απρόσκοπτη εμπειρία για τους πελάτες και πιο αποτελεσματική επεξεργασία. Η τεχνολογία υπερβαίνει την κατανόηση των λόγων του καλούντος: η ανάλυση ήχου σε βάθος μπορεί να αξιολογήσει τον τόνο του πελάτη. Εάν ένας καλών αναστατώνεται, το σύστημα μπορεί να επαναδρομολογηθεί σε έναν ανθρώπινο χειριστή ή διαχειριστή.
Τι είναι η γενετική τεχνητή νοημοσύνη;
Το Generative AI είναι ένα μοντέλο τεχνητής νοημοσύνης που δημιουργεί περιεχόμενο ως απάντηση σε μια προτροπή. Είναι σαφές ότι τα εργαλεία παραγωγής τεχνητής νοημοσύνης όπως το ChatGPT και το DALL-E (ένα εργαλείο για τη δημιουργία τέχνης που δημιουργείται από AI) έχουν τη δυνατότητα να αλλάξουν τον τρόπο εκτέλεσης μιας σειράς εργασιών. Το πλήρες εύρος αυτού του αντίκτυπου, ωστόσο, είναι ακόμα άγνωστο – όπως και οι κίνδυνοι. Υπάρχουν όμως ορισμένες ερωτήσεις στις οποίες μπορούμε να απαντήσουμε—όπως το πώς κατασκευάζονται τα μοντέλα παραγωγής τεχνητής νοημοσύνης, ποια είδη προβλημάτων είναι τα καταλληλότερα για να επιλυθούν.
Πώς μπορεί να χρησιμοποιηθεί η γενετική τεχνητή νοημοσύνη;
Πιθανότατα έχετε δει ότι τα εργαλεία παραγωγής AI όπως το ChatGPT μπορούν να δημιουργήσουν ατελείωτες ώρες ψυχαγωγίας. Η ευκαιρία είναι ξεκάθαρη και για τις επιχειρήσεις. Τα εργαλεία Generative-AI μπορούν να παράγουν μια μεγάλη ποικιλία αξιόπιστων κειμένων σε δευτερόλεπτα και, στη συνέχεια, να ανταποκριθούν στις παρατηρήσεις ενός χρήστη για να κάνουν το κείμενο αυτό πιο συγκεκριμένο και πιό κατάλληλο για τις ανάγκες του.
Αυτό έχει επιπτώσεις σε ένα ευρύ φάσμα βιομηχανιών, από οργανισμούς πληροφορικής και λογισμικού που μπορούν να επωφεληθούν από τον στιγμιαίο κώδικα που δημιουργείται από μοντέλα τεχνητής νοημοσύνης έως οργανισμούς που χρειάζονται υποδείγματα μάρκετινγκ. Εν ολίγοις, κάθε οργανισμός που χρειάζεται να παράγει προσχέδια κειμένων μπορεί να επωφεληθεί. Οι οργανισμοί μπορούν επίσης να χρησιμοποιήσουν γενετική τεχνητή νοημοσύνη για να δημιουργήσουν περισσότερο τεχνικό υλικό, όπως εκδόσεις υψηλότερης ανάλυσης ιατρικών εικόνων. Και με τον χρόνο και τους πόρους που εξοικονομούνται, οι οργανισμοί μπορούν να επιδιώξουν νέες επιχειρηματικές ευκαιρίες και τη δυνατότητα να δημιουργήσουν περισσότερη αξία.
Το Generative AI δεν είναι χωρίς κινδύνους. Τα μοντέλα Generative-AI μπορούν να παράγουν ανακριβή, “κλεμμένα” από επώνυμες πηγές ή μεροληπτικά αποτελέσματα, χωρίς να δίνουν την παραμικρή ένδειξη ότι τα αποτελέσματά τους μπορεί να είναι προβληματικά. Αυτό οφείλεται στο γεγονός ότι τα μοντέλα έχουν εκπαιδευτεί στο Διαδίκτυο, το οποίο δεν είναι μια παγκόσμια αξιόπιστη πηγή. Οι επιχειρηματίες θα πρέπει να γνωρίζουν αυτούς τους κινδύνους προτού στραφούν στη γενετική τεχνητή νοημοσύνη ως επιχειρηματική λύση.
Ποιοί τομείς μπορούν να χρησιμοποιήσουν γενετική τεχνητή νοημοσύνη;
Τα μοντέλα Generative-AI βρίσκονται στην πρώτη φάση της ανάπτυξής τους, αλλά έχουμε αρχίσει να βλέπουμε τις πρώτες εφαρμογές στην αγορά:
- Προώθηση και πωλήσεις. Το Generative AI μπορεί να δημιουργήσει εξατομικευμένο περιεχόμενο μάρκετινγκ, κοινωνικών μέσων και τεχνικών πωλήσεων, συμπεριλαμβανομένων κειμένου, εικόνων και βίντεο.
- Λειτουργίες. Τα μοντέλα AI μπορούν να δημιουργήσουν λίστες εργασιών για αποτελεσματική εκτέλεση μιας συγκεκριμένης δραστηριότητας.
- IT/μηχανική. Το Generative AI μπορεί να γράψει, να τεκμηριώσει και να ελέγξει κώδικα.
- Νομικά θέματα. Τα μοντέλα τεχνητής νοημοσύνης μπορούν να απαντήσουν σε σύνθετα ερωτήματα, βασισμένα σε τεράστιες ποσότητες νομικής τεκμηρίωσης, καθώς και να συντάξουν και να αναθεωρήσουν ετήσιες εκθέσεις.
- Ε&Α. Η γενετική τεχνητή νοημοσύνη μπορεί να βοηθήσει στην επιτάχυνση της ανακάλυψης φαρμάκων μέσω της καλύτερης κατανόησης των ασθενειών και της ανακάλυψης χημικών δομών.
Ενώ η γενετική τεχνητή νοημοσύνη από μόνη της έχει πολλές δυνατότητες, είναι πιθανό να είναι ακόμα πιο ισχυρή σε συνδυασμό με εξειδικευμένο προσωπικό που μπορεί να την αξιοποιήσει με ταχύτερα και καλύτερα αποτελέσματα.
Πώς επεκτείνεται η χρήση της τεχνητής νοημοσύνης;
Η έρευνα για την κατάσταση της τεχνητής νοημοσύνης της McKinsey το 2022 έδειξε ότι η υιοθέτηση μοντέλων τεχνητής νοημοσύνης έχει υπερδιπλασιαστεί από το 2017 και οι επενδύσεις έχουν αυξηθεί με ταχύτητα.
Ένας κύκλος εταιρειών συνεχίζει να προηγείται των ανταγωνιστών της, κάνοντας μεγαλύτερες επενδύσεις στην τεχνητή νοημοσύνη, αναβαθμίζοντας τις πρακτικές της ώστε να κλιμακώνεται ταχύτερα και προσλαμβάνοντας και αναβαθμίζοντας τα καλύτερα ταλέντα στον χώρο της τεχνητής νοημοσύνης.
Ποια είναι τα προβλήματα των μοντέλων τεχνητής νοημοσύνης;
Δεδομένου ότι είναι τόσο καινούργια, δεν έχουμε δει ακόμη τις επιπτώσεις και τις παρενέργειες των μοντέλων AI. Αυτό σημαίνει ότι υπάρχουν ορισμένοι εγγενείς κίνδυνοι που εμπλέκονται στη χρήση τους—μερικοί γνωστοί και άλλοι άγνωστοι.
Τα αποτελέσματα που παράγουν τα μοντέλα AI μπορεί συχνά να ακούγονται εξαιρετικά πειστικά. Αυτό προκύπτει από τον αρχικό προγραμματισμό τους. Αλλά μερικές φορές οι πληροφορίες που παράγουν είναι απλά λανθασμένες. Ακόμη χειρότερα, μερικές φορές είναι προκατειλημμένες (επειδή βασίζονται στις προκαταλήψεις του Διαδικτύου και της κοινωνίας γενικότερα) και μπορεί ακόμη να οδηγήσουν σε ανήθικη ή εγκληματική δραστηριότητα.
Οι οργανισμοί που βασίζονται σε μοντέλα παραγωγής τεχνητής νοημοσύνης θα πρέπει να υπολογίζουν τους νομικούς κινδύνους που ενέχει η ακούσια δημοσίευση μεροληπτικού, προσβλητικού περιεχομένου ή περιεχομένου που προστατεύεται από πνευματικά δικαιώματα.
