Apa yang AI dapat dan tidak bisa lakukan (untuk saat ini) untuk bisnis Anda

Kecerdasan buatan adalah target yang bergerak. Dan inilah cara terbaik untuk membidiknya.

Kecerdasan Buatan (AI) tampaknya mengelilingi kita dari semua sisi. Kami bertemu dengannya di rumah dan di telepon. Kami bahkan tidak punya waktu untuk menyadarinya - menurut pengusaha dan inovator bisnis - bagaimana AI akan hadir di hampir semua produk dan layanan yang kami beli dan gunakan. Selain itu, ruang lingkup aplikasinya untuk memecahkan masalah bisnis tumbuh dengan pesat. Pada saat yang sama, keraguan tentang konsekuensi dari munculnya AI semakin meningkat; kami khawatir tentang bagaimana otomasi akan memengaruhi tempat kerja, ketersediaan pekerjaan, dan masyarakat.

Kadang-kadang kenyataan hilang antara ketakutan dan kemenangan tajuk utama yang menceritakan tentang Alexa, Siri dan AlphaGo, karena teknologi AI - pembelajaran mesin dan bagiannya, pembelajaran yang mendalam - memiliki banyak keterbatasan, mengatasinya yang membutuhkan banyak usaha. Artikel ini menjelaskan batasan-batasan ini, dan seharusnya membantu para direktur lebih memahami apa yang sebenarnya menghambat upaya mereka untuk mengimplementasikan AI. Kami juga akan menjelaskan terobosan menjanjikan yang bertujuan menghilangkan beberapa batasan dan menciptakan gelombang peluang baru.

Prospek kami bergantung pada kombinasi pekerjaan di garis depan - penelitian, analisis, evaluasi ratusan kasus penggunaan nyata - dan kolaborasi dengan beberapa pemikir, ilmuwan, dan insinyur canggih yang bekerja di area maju yang terkait dengan AI. Kami mencoba untuk mengekstrak esensi dari pengalaman mereka dan membantu para direktur perusahaan, yang, seperti yang ditunjukkan oleh pengalaman kami, seringkali hanya dipandu oleh inisiatif mereka sendiri dan tidak selalu memahami dengan baik di mana ujung tombaknya berada atau apa yang sudah tersedia untuk AI.

Sederhananya, masalah dan keterbatasan AI menciptakan masalah "target bergerak" bagi para pemimpin: sulit bagi mereka untuk mencapai ujung tombak, karena terus bergerak. Ini juga sering membuat frustrasi ketika upaya untuk menggunakan AI menemukan hambatan dunia nyata - ini dapat menurunkan motivasi untuk investasi lebih lanjut atau mengarah ke sudut pandang "tunggu dan lihat", sementara yang lain akan terus meledak. Sebuah studi baru-baru ini oleh McKinsey World Institute menunjukkan bahwa ada kesenjangan yang tumbuh antara para pemimpin dan mereka yang tertinggal dalam penggunaan AI - dan ini dapat dilihat baik dalam membandingkan industri yang berbeda dan dalam masing-masing dari mereka (pameran 1).


Bukti 1: Para pemimpin AI dalam waktu dekat akan berinvestasi lebih banyak lagi di dalamnya. Vertikal: perkirakan peningkatan pengeluaran AI dalam% dalam tiga tahun ke depan; horizontal: persentase perusahaan yang sudah menggunakan AI

Direktur yang berusaha menjembatani kesenjangan harus dapat bekerja dengan AI secara terinformasi. Dengan kata lain, mereka perlu memahami tidak hanya di bidang apa AI dapat memacu inovasi, ide dan pengambilan keputusan, mengarah pada peningkatan keuntungan dan efisiensi - tetapi juga di mana AI belum dapat membantu. Selain itu, mereka harus menerima hubungan dan perbedaan antara kendala teknis dan organisasi - hambatan budaya, kurangnya staf yang dapat menciptakan solusi turnkey AI untuk bisnis, dan masalah "jarak terakhir" menanamkan AI dalam produk dan proses. Jika Anda ingin menjadi pemimpin yang memahami beberapa masalah teknis kritis yang memperlambat kemajuan AI, dan siap untuk mengambil keuntungan dari perkembangan yang menjanjikan yang dapat mengatasi keterbatasan ini dan berpotensi mengubah jalur pengembangan AI, baca terus.

Tantangan, Keterbatasan, dan Peluang

Poin referensi yang berguna adalah untuk memahami kemajuan terbaru dalam teknologi pembelajaran yang mendalam (GO). Ini mungkin perkembangan paling menarik di bidang AI, dan mereka telah mencapai peningkatan eksplosif dalam klasifikasi dan prediksi, tanpa pengawasan tradisional. GO menggunakan jaringan saraf skala besar yang mampu mengandung jutaan "neuron" simulasi yang didistribusikan dalam lapisan. Opsi jaringan yang paling umum disebut jaringan saraf convolutional (SNA) dan jaringan saraf berulang (RNS). Jaringan saraf ini dilatih menggunakan data pelatihan dan algoritma backpropagation .

Sementara kemajuan mengesankan telah dibuat di bidang ini, masih banyak yang harus dilakukan. Saat kritis adalah untuk menyesuaikan AI ke tugas tertentu dan data yang tersedia. Karena sistem ini tidak diprogram, tetapi dilatih, berbagai proses pekerjaan mereka untuk melaksanakan tugas-tugas kompleks dengan tepat sering membutuhkan sejumlah besar data yang ditandai. Mendapatkan set data yang besar bisa sulit. Di beberapa daerah, mereka mungkin tidak ada, tetapi bahkan jika mereka ada, pelabelan dapat mengambil sejumlah besar sumber daya manusia.

Selain itu, dalam model ini mungkin sulit untuk menguraikan bagaimana model matematika, dilatih dengan bantuan GO, sampai pada prediksi, rekomendasi atau solusi tertentu. Kegunaan kotak hitam, bahkan jika memenuhi tujuannya, mungkin terbatas, terutama dalam kasus di mana prediksi atau keputusannya mempengaruhi masyarakat dan memiliki konsekuensi yang berkaitan dengan kesehatan manusia. Dalam kasus seperti itu, pengguna sering perlu tahu "mengapa" - misalnya, bagaimana tepatnya algoritma mencapai rekomendasi tersebut - jika tindakannya dapat memiliki konsekuensi hukum atau peraturan. Mengapa faktor-faktor tertentu, dan bukan beberapa faktor lain, sangat penting dalam kasus ini.

Mari kita periksa lima faktor yang saling terkait di mana keterbatasan ini dan opsi yang muncul untuk mengelaknya mulai memainkan peran.

Batas 1: markup data

Sebagian besar model AI modern melatih menggunakan "supervised learning". Ini berarti bahwa orang harus menandai dan mengkategorikan data sumber - dan pekerjaan seperti itu bisa sulit dan rawan kesalahan. Sebagai contoh, perusahaan robomobile mempekerjakan ratusan orang untuk secara manual menandai berjam-jam video untuk membantu melatih sistem ini. Pada saat yang sama, teknologi baru yang menjanjikan muncul - misalnya, kontrol streaming (diperlihatkan oleh Eric Horvitz dan rekan dari Microsoft Research), di mana data dapat ditandai selama penggunaan alami. Pendekatan yang tidak terkontrol atau dikendalikan sebagian mengurangi kebutuhan akan kumpulan data yang besar dan berlabel. Dua teknik yang menjanjikan adalah pelatihan penguatan dan jaringan kompetitif generatif .

Pelatihan yang diperkuat. Teknik pembelajaran tanpa pengawasan ini memungkinkan algoritma untuk belajar hanya dengan coba-coba. Metodologi ini menggunakan metode carrot and stick: untuk setiap upaya menyelesaikan tugas, algoritma menerima hadiah (misalnya, skor tinggi) jika perilakunya berhasil, atau hukumannya sebaliknya. Dengan peningkatan jumlah pengulangan, efisiensi juga tumbuh, dan dalam banyak kasus itu melebihi kemampuan manusia - selama lingkungan belajar sesuai dengan dunia nyata.

Pembelajaran bertulang terkenal karena menggunakan permainan komputer dalam mengajar komputer - baru-baru ini, dokter juga telah dibangun dalam skema ini. Pada Mei 2017, misalnya, itu membantu sistem AI AlphaGo mengalahkan juara dunia Ke Ze dalam permainan go. Sebagai contoh lain, Microsoft telah mulai menyediakan layanan yang mendapat manfaat dari pembelajaran yang diperkuat dan beradaptasi dengan preferensi pengguna. Aplikasi potensial dari pembelajaran yang diperkuat cocok untuk berbagai jenis usaha. Di antara kemungkinan-kemungkinannya adalah: perdagangan sekuritas menggunakan AI, yang mendapatkan atau kehilangan poin untuk memperoleh atau kehilangan keuangan; mesin rekomendasi produk, menerima poin untuk setiap penjualan yang dibuat berdasarkan rekomendasi; Perangkat lunak yang membangun rute untuk transportasi kargo, menerima hadiah untuk pengiriman tepat waktu atau mengurangi konsumsi bahan bakar.

Pembelajaran yang diperkuat juga dapat membantu AI mengatasi keterbatasan alam dan sosial dari peningkatan jumlah manusia dengan mengembangkan solusi yang belum pernah dipikirkan sebelumnya, dan strategi yang bahkan pemain berpengalaman sekalipun tidak pernah berpikir untuk menggunakannya. Baru-baru ini, misalnya, sistem AlphaGo Zero, menggunakan pelatihan penguatan tipe baru, mengalahkan pendahulunya AlphaGo dengan belajar bermain dari awal. Itu berarti memulai dengan permainan yang sepenuhnya acak dengan diri Anda sendiri, daripada berlatih dalam permainan yang dimainkan oleh orang-orang dan dengan orang-orang.

Jaringan generatif-permusuhan (GSS). Dalam model pelatihan ini dengan kontrol parsial, dua jaringan bersaing satu sama lain untuk meningkatkan dan memperbaiki pemahaman mereka tentang konsep tertentu. Misalnya, untuk mengenali seperti apa burung itu, satu jaringan mencoba untuk menemukan perbedaan antara gambar burung yang asli dan yang palsu, dan kompetitornya mencoba mengelabui burung itu dengan mengeluarkan gambar yang sangat mirip dengan gambar burung, tetapi bukan itu. Ketika dua jaring mulai menggambar, representasi burung di setiap model menjadi lebih akurat.

Kemampuan GSS untuk memberikan contoh data yang semakin masuk akal dapat secara signifikan mengurangi kebutuhan orang untuk menandai set data. Misalnya, untuk melatih algoritme mengenali tumor dalam gambar medis, jutaan gambar berlabel orang biasanya diperlukan untuk menunjukkan jenis dan tahapan perkembangan tumor. Menggunakan GSS, dilatih untuk menghasilkan gambar yang semakin realistis dari berbagai jenis tumor, para peneliti dapat melatih algoritma pengenalan tumor, menggabungkan database yang jauh lebih kecil dari data yang dilabel orang dengan output dari GSS.

Meskipun penggunaan GSS untuk membuat diagnosis penyakit yang akurat masih jauh dari implementasi, para peneliti sudah mulai menggunakan GSS dalam konteks yang semakin kompleks. Ini termasuk: memahami dan menghasilkan karya seni dengan gaya seniman tertentu; penggunaan gambar satelit dan pengenalan fitur geografis untuk membuat peta yang relevan dari wilayah yang berkembang pesat.

Batas 2: Dapatkan Kumpulan Pelatihan Massive

Telah ditunjukkan bahwa teknologi AI sederhana menggunakan model linier, dalam beberapa kasus, dapat mendekati kemampuan para ahli medis di bidang lain. Gelombang pembelajaran mesin saat ini, bagaimanapun, membutuhkan set data pelatihan - tidak hanya diberi label, tetapi juga dalam jumlah besar, serta komprehensif. Metode GO memerlukan ribuan catatan untuk menyusun model yang relatif baik yang dapat diklasifikasi, dan dalam beberapa kasus, jutaan catatan untuk lebih dekat ke tingkat seseorang.

Kesulitannya adalah bahwa kumpulan data yang sedemikian besar bisa sulit diperoleh atau dibuat dalam banyak kasus komersial. Setiap perubahan kecil dalam tugas mungkin memerlukan kumpulan data besar lainnya dan pelatihan baru. Misalnya, melatih kendaraan otonom untuk bergerak di sekitar lokasi penambangan, di mana cuaca sering berubah, mungkin memerlukan kumpulan data yang mencakup berbagai kondisi lingkungan yang mungkin dihadapi mesin.

Teknik pembelajaran satu-shot dapat mengurangi kebutuhan akan kumpulan data yang besar dan memungkinkan model AI mempelajari fitur-fitur objek dengan sejumlah kecil demonstrasi atau contoh nyata (dalam beberapa kasus, bahkan satu). Kemampuan AI akan semakin dekat dengan seseorang yang dapat secara akurat mengenali berbagai perwakilan dari kategori yang sama setelah dia berkenalan hanya dengan satu contoh - misalnya, dengan satu truk pickup. Dalam metodologi ini, yang masih dalam pengembangan, para ilmuwan pertama-tama melatih model-model dalam realitas virtual yang disimulasikan, di mana ada opsi untuk tugas tersebut, atau, dalam hal pengenalan pola, sebuah gambar dari suatu objek. Kemudian, setelah model menunjukkan beberapa opsi untuk objek di dunia nyata, yang AI tidak lihat dalam realitas virtual, bahwa seseorang akan menggunakan pengetahuan yang ada untuk mencari solusi yang tepat.

Pelatihan semacam ini dari satu waktu dapat membantu menciptakan sistem yang memindai teks untuk pelanggaran hak cipta atau mengenali logo perusahaan dalam video setelah berkenalan dengan hanya satu contoh saja. Saat ini, aplikasi semacam itu sedang dalam tahap awal. Tetapi kegunaan dan keefektifannya dapat dengan cepat memperluas kemungkinan penggunaan AI di berbagai industri.

Batasan 3: masalah kemampuan menjelaskan

Dapat dijelaskan bukan masalah baru untuk sistem AI. Tapi itu tumbuh seiring dengan keberhasilan dan adopsi pertahanan sipil, karena yang tidak hanya berbagai aplikasi meningkat, tetapi juga opacity mereka. Semakin besar dan semakin kompleks modelnya, semakin sulit untuk menjelaskan dalam istilah manusia mengapa keputusan ini atau itu dibuat (ini bahkan lebih sulit dilakukan jika semuanya terjadi secara real time). Ini adalah salah satu alasan mengapa penggunaan alat AI tertentu tidak berkembang begitu luas di daerah-daerah di mana kemampuan menjelaskan berguna atau bahkan perlu. Selain itu, dengan perluasan ruang lingkup AI, persyaratan regulator juga dapat meningkatkan kebutuhan model AI dengan tingkat keterjelasan yang tinggi.

Dua pendekatan baru yang menjanjikan untuk meningkatkan transparansi model adalah penjelasan agnostik (LIME) yang dapat diinterpretasikan-lokal-model dan teknik perhatian (gambar 2). LIME mencoba menentukan pada bagian mana dari data input model terlatih terutama mendasarkan perhitungannya untuk mengembangkan model menengah, yang dapat ditafsirkan. Teknik ini melihat beberapa segmen data sekaligus dan mengamati bagaimana prediksi berubah untuk menyempurnakan model perantara dan mengembangkan interpretasi yang lebih akurat (misalnya, mengecualikan mata daripada hidung untuk memeriksa mana yang lebih penting untuk pengenalan wajah). Teknik-teknik perhatian memvisualisasikan bagian-bagian dari data input yang diandalkan model dalam membuat keputusan tertentu (misalnya, berkonsentrasi pada mulut untuk menentukan apakah seseorang ada di dalam gambar).


Pameran 2

Teknologi lain yang telah digunakan selama beberapa waktu adalah generalised additive models (OAM). Menggunakan model dengan satu fitur, OAM membatasi interaksi fitur, sehingga masing-masing fitur menjadi lebih mudah dipahami oleh pengguna. Diharapkan bahwa adopsi teknologi ini dan lainnya yang berusaha untuk menghilangkan tirai misteri dari AI akan sangat membantu meningkatkan penggunaan AI.

Batas 4: generalisasi pembelajaran

Tidak seperti manusia, model AI sulit mentransfer pengalaman mereka dari satu keadaan ke keadaan lain. Bahkan, segala sesuatu yang telah dicapai model dalam aplikasi spesifik tetap berlaku hanya untuk kasus ini. Akibatnya, perusahaan harus terus-menerus menghabiskan sumber daya untuk melatih model berikutnya, meskipun tugas untuk aplikasi mereka sangat mirip.

Satu jawaban yang menjanjikan untuk tantangan ini adalah pembelajaran portabel. Dalam pendekatan ini, model AI dilatih untuk memecahkan masalah tertentu, dan kemudian dengan cepat menerapkan pelatihan ini untuk pekerjaan yang serupa tetapi berbeda. Para peneliti dari DeepMind telah menunjukkan hasil yang menjanjikan dengan transfer pembelajaran dalam percobaan di mana pelatihan menggunakan realitas virtual ditransfer untuk mengendalikan anggota badan robot nyata.

Pembelajaran portabel dan pendekatan generik lainnya berkembang, dan mereka dapat membantu organisasi dengan cepat menciptakan cara baru untuk menerapkan dan menambahkan fungsionalitas baru ke metode yang ada dan bekerja. Misalnya, saat membuat asisten virtual, pelatihan portabel dapat menggeneralisasi preferensi pengguna dari satu area (katakanlah, musik) ke yang lain (katakanlah, ke buku). Kasing tidak terbatas pada produk digital. Pelatihan portabel dapat membantu, misalnya, perusahaan minyak dan gas memperluas penggunaan algoritme AI yang dilatih tentang pemeliharaan sumur prediktif ke peralatan lain, seperti saluran pipa dan anjungan pengeboran. Pelatihan portabel, bahkan pada prinsipnya, dapat merevolusi analitik bisnis: bayangkan alat AI yang menganalisis data dan memahami cara mengoptimalkan laba maskapai, mampu menyesuaikan modelnya dengan perubahan cuaca atau ekonomi lokal.

Pendekatan lain adalah menggunakan sesuatu yang secara kasar menggambarkan struktur umum sebagaimana diterapkan pada berbagai masalah. Sebagai contoh, AlphaZero dari DeepMind menggunakan struktur yang sama untuk tiga game yang berbeda: mungkin dengan struktur umum ini untuk melatih model permainan catur dalam satu hari, sehingga nantinya ia menang melawan program juara dunia.

Akhirnya, bayangkan kemungkinan teknik meta-learning yang baru lahir mencoba mengotomatisasi pengembangan model pembelajaran mesin. Sebagai contoh, tim Google Brain menggunakan AutoML untuk mengotomatisasi pengembangan jaringan saraf untuk mengklasifikasikan gambar pada dataset skala besar. Saat ini, teknik-teknik ini bekerja sama baiknya dengan yang dikembangkan oleh manusia.Perkembangan ini terlihat menjanjikan, terutama karena kenyataan bahwa banyak organisasi mengalami kekurangan karyawan yang berbakat. Mungkin juga bahwa meta-learning akan melebihi kemampuan manusia dan meningkatkan hasil. Penting untuk dipahami bahwa teknologi ini masih dalam tahap awal pengembangan.

Batas 5: data bias dan algoritma

Sejauh ini, kami telah fokus pada keterbatasan yang dapat diatasi dengan metode teknis yang sudah dalam pengembangan, beberapa di antaranya telah kami jelaskan. Bias adalah masalah yang berbeda. Konsekuensi sosial yang berpotensi merusak dapat menunggu kita ketika kecanduan manusia (sadar atau tidak sadar) akan menentukan data yang akan digunakan dan yang harus diabaikan. Selain itu, ketika proses dan frekuensi pengumpulan data bervariasi tergantung pada kelompok dan perilaku yang berbeda, orang dapat mengharapkan masalah dengan bagaimana algoritma akan menganalisis data ini, belajar darinya dan membuat prediksi. Di antara konsekuensi yang merugikan: keputusan mempekerjakan karyawan berdasarkan informasi yang salah, perkiraan ilmiah atau medis yang menyimpang, model keuangan yang salah dan keputusan tentang kasus pidana,dan keputusan hukum yang salah. Dalam banyak kasus, bias ini tetap tidak terdeteksi atau diabaikan dengan kedok "sains data tingkat lanjut," "data dan algoritma kepemilikan," atau "analisis obyektif."

Dengan menggunakan pembelajaran mesin dan algoritma AI di area baru, kami dapat menemukan manifestasi baru dari masalah bias ini yang muncul dalam dataset dan algoritma. Dan mereka biasanya tetap di sana, karena untuk mengenalinya dan mengambil langkah-langkah untuk menghilangkannya, Anda perlu memahami secara mendalam teknologi bekerja dengan data dan interaksi sosial yang ada, termasuk proses pengumpulan data. Secara umum, bias adalah salah satu kendala yang paling sulit, dan tentu saja yang paling memberatkan secara sosial.

Sekarang ada banyak penelitian, baik teoretis dan pengumpulan data tentang metode terbaik menggunakan AI, mencoba memecahkan masalah yang dijelaskan dalam bidang akademik, non-komersial dan swasta. Dan sudah saatnya - masalah ini cenderung menjadi semakin kritis, dan menimbulkan lebih banyak pertanyaan. Sebagai contoh, perhatikan fakta bahwa banyak dari pendekatan prediksi ini berdasarkan pembelajaran dan statistik secara diam-diam mengasumsikan bahwa masa depan adalah seperti masa lalu. Dan apa yang akan kita lakukan dalam lingkungan sosial budaya ketika tindakan yang kita ambil akan mengubahnya - dan di mana pengambilan keputusan berdasarkan perilaku masa lalu memperlambat kemajuan (atau, lebih buruk lagi, mengembangkan resistensi terhadap perubahan)? Banyak pemimpin, termasuk pemimpin bisnis,mungkin segera dihadapkan dengan kebutuhan untuk menemukan jawaban atas pertanyaan-pertanyaan seperti itu.

Bagaimana cara mencapai target bergerak

Mungkin perlu bertahun-tahun untuk menghasilkan solusi untuk batasan yang dijelaskan dan untuk menyebarkan implementasi komersial dari perkembangan maju yang ditunjukkan di sini. Tetapi serangkaian menarik terkait kemampuan AI menunjukkan bahwa imajinasi dapat menjadi batasan terbesar AI. Berikut adalah beberapa kiat untuk para pemimpin yang berusaha menjadi yang terdepan, atau setidaknya mengikuti tren yang mutakhir.

Pelajari informasi baru, beradaptasi, teruskan.

Meskipun sebagian besar direktur suatu perusahaan tidak perlu mengetahui perbedaan antara jaringan saraf convolutional dan berulang, Anda harus secara umum mengetahui kemampuan alat modern, memiliki pemahaman umum tentang kapan terobosan dapat terjadi dalam jangka pendek, dan melihat prospek untuk apa yang ada di luar cakrawala. Wawancarai ahli data dan pembelajaran mesin Anda, bicaralah dengan perintis AI untuk beradaptasi dengan pengetahuan saat ini, hadiri beberapa konferensi AI untuk mendapatkan informasi tentang fakta nyata; Artikel berita bisa membantu, tetapi mereka juga bisa menjadi bagian dari hype. Cara lain yang baik untuk mengikuti perkembangan baru adalah penelitian yang dilakukan oleh para ahli yang berpengetahuan, seperti Indeks AI (proyek kelompok Centennial AI Research) "dari Stanford).

Mulai gunakan strategi data yang canggih.

Algoritma AI perlu bantuan mengungkap ide-ide baru yang bersembunyi di dalam data yang dihasilkan oleh sistem Anda. Mereka dapat dibantu dengan mengembangkan strategi komprehensif untuk bekerja dengan data, dengan fokus tidak hanya pada teknologi yang dibutuhkan untuk mengumpulkan data dari sistem individual, tetapi juga pada ketersediaan data, sistem untuk penerimaan, markup dan manajemen mereka. Dan meskipun teknologi baru berjanji untuk mengurangi jumlah data yang dibutuhkan untuk melatih algoritma AI, pelatihan terkontrol, yang membutuhkan sejumlah besar data, masih tetap merupakan teknologi yang dominan. Dan bahkan teknologi yang ditujukan untuk meminimalkan jumlah data yang dibutuhkan masih memerlukan beberapa jenis data. Oleh karena itu, poin utama dari semua ini adalah pengetahuan yang akurat tentang data Anda sendiri dan cara terbaik untuk menggunakannya.

Pikirkan di luar kotak.

Teknik transfer masih dalam masa pertumbuhan, tetapi selalu ada peluang untuk mencapai solusi menggunakan AI di beberapa bidang, dan tidak hanya dalam satu. Jika Anda telah memecahkan masalah seperti pemeliharaan prediktif peralatan di gudang besar, dapatkah solusi ini diterapkan pada produk konsumen? Dapatkah saya menggunakan tip "apa lagi yang harus dibeli" yang efektif di berbagai saluran distribusi produk? Dorong departemen perusahaan untuk berbagi pengetahuan satu sama lain yang dapat mengungkap cara menggunakan solusi dan ide AI terbaik di beberapa area perusahaan Anda.

Menjadi inovator.

Hanya mengikuti teknologi AI modern dan kasus penggunaan saja tidak cukup untuk tetap kompetitif dalam jangka panjang. Yakinkan spesialis pemrosesan data Anda atau atur dengan pakar luar untuk menyelesaikan masalah yang bermanfaat dengan bantuan teknologi yang muncul - seperti yang disebutkan dalam artikel ini. Selalu mencari tahu apa yang bisa dilakukan dan apa yang telah tersedia. Banyak alat pembelajaran mesin, dataset, dan model yang dilatih untuk aplikasi standar (termasuk ucapan, penglihatan, dan pengenalan emosi) sekarang tersedia untuk pengguna umum. Terkadang mereka tersedia dalam bentuk proyek dengan kode sumber, dalam kasus lain melalui antarmuka perangkat lunak (API) yang dibuat oleh para peneliti dan perusahaan terkemuka. Perhatikan fitur-fitur ini,mereka dapat membantu Anda memperhatikan manfaat bagi perintis.

Prospek AI sangat besar, dan teknologi, alat, dan proses yang diperlukan untuk menerjemahkan janji-janji ini menjadi tindakan belum sepenuhnya siap. Jika Anda pikir Anda bisa menunggu, biarkan teknologinya terbentuk, dan kemudian berhasil gunakan salah satu yang pertama - pikirkan lagi. Sangat sulit untuk melakukan lompatan dari posisi berdiri, terutama jika target bergerak sangat cepat, dan Anda tidak mengerti apa yang bisa dan tidak bisa dilakukan oleh teknologi AI modern. Dan sementara para peneliti dan perintis di bidang AI telah bersiap untuk menyelesaikan masalah paling akut saat ini, sekarang saatnya untuk mulai memahami apa yang terjadi di garis depan AI, sehingga Anda dapat mengatur organisasi Anda dengan benar, dan membantunya mempelajari peluang baru, menggunakannya dan bahkan dapat mempromosikannya selanjutnya.