Популярность искусственного интеллекта и машинного обучения неуклонно растет, но как организациям и предприятиям избежать ошибок при внедрении ИИ? Поначалу с новыми технологиями может быть сложно ориентироваться, особенно для организаций, которые изначально не разбираются в цифровых технологиях.
Искусственный интеллект (ИИ) и его партнерская технология машинного обучения (МО) открывают беспрецедентные возможности практически для любой отрасли. Воспользоваться этой возможностью может быть легко, если пользователи знают, на какие подводные камни следует обращать внимание.
Это наиболее распространенные проблемы и ошибки при внедрении ИИ, с которыми сталкиваются предприятия и организации при попытке внедрить технологии ИИ и машинного обучения.
Пользовательские ошибки AI и ML
Ошибки реализации AI и ML обычно попадают в одну из двух категорий: ошибки, связанные с пользователем, или ошибки, связанные с дизайном. Первая категория, ошибки, связанные с пользователями, включает проблемы, возникающие из-за неправильного или неосведомленного использования технологий ИИ и МО.
1. Неясные цели
Одна из самых распространенных ошибок при внедрении ИИ и машинного обучения — погружение без какого-либо определенного плана атаки. Это может принимать различные формы. Некоторые организации пытаются использовать ИИ сам по себе, возможно, чтобы быть более технологически подкованными. Другие знают, для чего они хотят использовать ИИ, но не уверены, чего они надеются достичь с его помощью. Может показаться, что у вас есть цель — например, использовать ИИ для повышения производительности. Хотя технически это и есть «цель», она настолько расплывчата, что будет трудно определить, делаете ли вы успехи или нет.
Хорошим методом определения целей для внедрения ИИ является использование системы целей SMART, которая стала популярной для всевозможных устремлений. Эта стратегия постановки целей поможет вашей организации разработать действенные цели для стратегии внедрения ИИ.
2. Недостаточный бюджет, команда или инфраструктура
Многие организации имеют хорошее представление о том, что они надеются сделать со своей моделью ИИ и как это сделать. Однако когда они начинают применять его, он просто не работает на том уровне, на котором должен был. Часто это происходит из-за нехватки ресурсов того или иного рода. В организации может быть талантливый, знающий специалист по ИИ, но ему может не хватать вычислительной мощности, необходимой ИИ для работы на полную мощность.
К счастью, есть решения недостатков вычислительной мощности, такие как оптимизация управления инфраструктурой или облачные вычисления. Однако решить проблемы с бюджетом или кадровым дефицитом может быть труднее. Организации в этом положении могут захотеть рассмотреть возможность использования уже существующего механизма искусственного интеллекта, а не разрабатывать свои собственные или, возможно, привлекать знающих экспертов или инфраструктуру обработки.
3. Неправильная стратегия реализации
Иногда причина того, что реализация ИИ терпит неудачу, заключается просто в том, что она использовалась неправильным образом. Это может показаться очевидным, например, попытка использовать неправильный пульт от телевизора, но это не так однозначно. Неправильное использование ИИ и машинного обучения может принимать различные формы, от плохо структурированных наборов данных до неправильного определения решения, которое пытается найти ИИ. Проблемы этой категории, как правило, связаны с отсутствием полного понимания того, как работают ИИ и МО, или с неясными целями внедрения. Дополнительные исследования как технологии, так и целей вашей организации могут помочь устранить эти ошибки.
Ошибки искусственного интеллекта и машинного обучения, связанные с дизайном
Ошибки, связанные с дизайном в ИИ и МО, может быть сложнее выявить, поскольку они коренятся в том, как ИИ в основе своей построен. Как правило, эти проблемы связаны с данными обучения, которые были предоставлены ИИ. Фактически, данные обучения ИИ находятся в центре самых критических дебатов в отрасли. И это неудивительно, поскольку проблемы с обучающими данными могут иметь далеко идущие последствия.
Хотя ошибки, связанные с дизайном, может быть сложнее обнаружить, знание того, что искать, может дать вам отправную точку.
1. Предвзятые данные
Возможно, самая горячо обсуждаемая проблема ИИ — это предвзятые данные. Исследователи и инженеры «обучают» ИИ, показывая им большие объемы данных и наблюдая за реакцией ИИ. Постепенно ИИ учится правильно распознавать данные и реагировать на них. Однако некоторые критики начинают указывать на то, что конкретные данные, с которыми обучается ИИ, могут на самом деле создавать в нем неотъемлемую предвзятость.
Например, глубокое погружение в проблему от WIRED описывает ИИ, который с большей вероятностью идентифицирует женщин в медицине как медсестер, а мужчин как врачей. Хотя на первый взгляд это может показаться не таким уж большим делом, предвзятые данные могут иметь волновой эффект, который изначально преобразует то, как работает ИИ, его результаты и, в конечном итоге, человеческий опыт с другой стороны.
2. Испорченные данные
Кибербезопасность должна быть главным приоритетом для организаций, которые хотят использовать AI и ML. Это связано со скрытой угрозой испорченных данных. Когда ИИ обучается, черный ход для хакеров может быть интуитивно запрограммирован. Это делается путем обучения ИИ неправильно реагировать на определенный пусковой ввод, который затем каким-то образом заставляет его сломаться, позволяя взломать.
Что делает эту киберугрозу особенно опасной, так это то, насколько она скрытна. Заметить, когда хакер проник через испорченные данные, бывает чрезвычайно сложно.
3. Недостаточные или неверные данные
Не все ошибки, связанные с проектированием, связаны с угрозами кибербезопасности или искаженными данными. Иногда ИИ работает неэффективно или ведет себя неправильно, потому что ему не предоставили достаточно обучающих данных или предоставленные данные были неточными. Эту проблему может быть немного легче решить. Например, будет заметно, если ИИ не понимает ввод или возвращает странные результаты.
Ошибки, связанные с дизайном, могут показаться пугающими, но избегать их необязательно. Часто это вопрос поиска качественной и надежной команды разработчиков ИИ. Проведение проверки биографических данных инженеров ИИ или аутсорсинговых разработчиков ИИ может быть неплохой идеей для тех, кто обеспокоен взломом и испорченными данными. Наем только очень опытных разработчиков ИИ поможет убедиться, что ваш ИИ также обучен должным образом.
Инновации, правильный путь
Внедрение стратегий искусственного интеллекта и машинного обучения в вашем бизнесе или организации может дать множество преимуществ, от повышения производительности до улучшения обслуживания клиентов. Однако путь к этим результатам не обходится без изгибов и поворотов. Успешное внедрение ИИ может потребовать больше исследований, ресурсов или проб и ошибок, чем предполагалось изначально. Вложение времени, ресурсов и усилий окупится в долгосрочной перспективе, особенно если вы знаете, на какие ошибки при внедрении ИИ и подводные камни следует обращать внимание.
Читайте другие статьи по науке о данных на OpenDataScience.com, включая учебные пособия и руководства от начального до продвинутого уровня! Подпишитесь на нашу еженедельную рассылку здесь и получайте последние новости каждый четверг. Вы также можете пройти обучение по науке о данных по запросу, где бы вы ни находились, с помощью нашей платформы Ai+ Training.
