Der er mange myter om kunstig intelligens (AI) og machine learning (ML). Som med andre nye teknologier er nogle sande og andre helt forkerte. De usande myter skaber ofte støj, der forhindre os i at tage de rigtige beslutninger om denne nye teknologi. I dette blogindlæg vil vi forsøge at myte bust nogle af de mest almindelige myter inden for AI.

Book, glasses, and a magnifying glass

Vi gennemgår fem myter, som vi møder når vi taler med kunder og kolleger. Svarene på hver af myterne er korte for at gøre det muligt at være fortrolig med disse emner uden at læse alt om dem. Lad os gå i gang - lad os fortsætte med noget mytebusning!

Myte #1: Der er behov for en stor mængde data for at komme i gang med AI

Denne myte antyder, at du har brug for hundreder, millioner eller milliarder af datapunkter eller i målt i disk størrelse gigabyte eller terabyte, før du kan bruge AI- og ML-algoritmer.

Vi har hjulpet kunder med, hvad der betragtes som et lille datasæt. De data vi havde til rådighed var right data til at løse udfordringen. Right data kan ofte let findes af f.eks. af den person der betjener eller udfører vedligeholdelse på en maskine.

Et eksempel er det datasæt som vi anvendte i Automatiserer opgaver i sundhedsvæsnet med machine learning hvor datasætte kun bestod af 569 observations. Det er dog muligt at udvikle en model med gode scoringer, der kan hjælpe med at automatisere en tidskrævende opgave. Et andet eksempel er forudsige nedbrud på en vandpumpe hvor vi bruger et lille datasæt, der kun indeholder megabyte data til at udføre prædiktiv vedligeholdelse.

Det er sandt, at modellen ofte får en bedre forudsigelse med flere data. Du kan dog få værdi med små datasæt og forbedre modellen over tid.

Denne myte er busted!
Det er muligt at bruge AI i din virksomhed uden store mængder data, så længe det er right data.

Myth #2: AI er en magisk sort boks der kan løse mit problem

Vi ser i øjeblikket mange forskellige tilgange til hvordan AI leveres til kunder. Nogle tilbud fokuserer på en “Giv os dine data, og vi løser dit problem” tilgang. Dette har to store ulemper: (1) Du har ikke et specifikt problem i tankerne, og (2) det er en black box tilgang til AI, da du ikke behøver at gøre noget helst bortset at give adgang til dine data.

Udfordringen med ikke at have et specifikt problem i tankerne er, at data ikke fortæller meget uden at give dem en kontekst. Resultaterne af denne black box tilgang er i bedste fald gennemsnitlige, fordi uden domæneviden går vigtige oplysninger om problemet ofte tabt. Mange af vores kunder har endvidere fortalt os, at de har prøvet en sådan tilgang og at den har fejlet inden for deres virksomhed.

Den alternative tilgang er at have et specifikt veldefineret problem at arbejde med, f.eks. at kunne forudsige hvornår den mest kritiske maskinen går i stykker. Efter vores erfaring øger dette succesraten med at anvende AI i en virksomhed mange gange.

Svaret på denne myte er måske men sandsynligvis ikke.
At indføre AI i din virksomhed kræver noget fra virksomheden, fordi domænekendskabet findes her og det er uundværdligt når du prøver at løse et specifikt problem.

Myth #3: AI vil overtage vores jobs

Denne myte er en af ​​de ældre inden for kunstig intelligens. Medierne har i lang tid fokuseret på, om AI vil fjerne job i forskellige brancher.

Hvad vi i øjeblikket ser er at AI kan automatisere opgaver. At fjerne en opgave vil sandsynligvis ikke fjerne en persons job, men snarere give dem tid til at gøre noget andet vigtigt i organisationen, noget der kræver et menneske, som at tage beslutning og bruge empati. AI kan bruges som et samarbejdsværktøj til at få indsigt og træffe beslutninger på en datadrevet måde. Men indsigten er et supplement til medarbejdere, som de kan bruge i deres beslutninger.

Svaret på denne myte er sandsynligvis ikke, men det vil bestemt omdefinere nogle job.
Gentagne opgaver flyttes væk fra mennesker for at frigøre deres tid til vigtigere opgaver såsom beslutningstagning.

Myth #4: Beslutninger taget af AI kan ikke forklares

Denne myte bygger på tanken om at AI er uforklarlig og at den derfor ikke kan bruges i mange processer, hvor gennemsigtighed er vigtig.
Et eksempel på dette er at banken skal kunne sige hvorfor og hvorfor du ikke blev accepteret til at tage et lån. For at undersøge denne myte er vi nødt til at gå lidt dybere ind i machine learning og de forskellige tilgange.

Hurtigt dyk ned i machine learning

I maskinlæring er der forskellige tilgange til løsning af en given opgave. Nogle metoder giver sporbarhed og gennemsigtighed fra starten, f.eks. decision trees, bayesiske klassifikatorer og random forrest. Disse kan forklares, fordi du kan se hvordan modellen producerede et givet output er en forudsigelse eller klassificering. Et eksempel på et decision tree kan ses i figuren herunder.

Skal du medbringe en paraply decision tree diagram

Skal du medbringe en paraply?

Det er sandt, at deep learning og neurale netværk er svære at analyserer, og nogle gange kan det være så svært, at det næsten kan være umuligt at vide, hvad der fører til et givent output. Med neurale netværk er det muligt at få information om, hvordan hver forbindelse i netværket vægtes, hvilket kan give nogle oplysninger om hvorfor det kom til netop den konklusionen. Der bliver øjeblikket forsket i explainable AI, der forsøger at løse overførsels- og sporbarhedsproblemerne inden for deep learning. Explainable AI (XAI) er en samling af metoder og teknikker, der kan gøre resultaterne af modellen forståelige. Imidlertid er det stadig på et forsøgsstadie, hvor det er svært at generalisere og måske forbliver det sådan i mange år eller for evigt.

Denne myte er delvis sand.

Afhængig af din udfordring og metoden, der bruges til at løse den kan det være mere eller mindre forklarende. Imidlertid er mange af de udfordringer vi hjælper kunderne med, anvender metoder der kan forklares.

Myth #5: AI er kun for store virksomheder

Myten går ud på, at AI er dyrt, svært at udfører og kun gavne store virksomheder.

Denne myte opstod på grund af den første myte du har brug for store mængder data. Det er muligt for små og mellemstore virksomheder at bruge AI til at få indsigt eller en konkurrencefordel. Løsninger der anvender AI behøver ikke at være dyre eller tage lang tid at udvikle. De kan faktisk bringe værdi hurtigt. Den vigtigste ting for en vellykket implementering er mennesker og det rette mindset i organisationen.

Denne myte er busted.
Små og mellemstore virksomheder (SMV'er) kan få de samme fordele ved at anvende AI som store virksomheder.

Dette afslutter vores første myth busting blog post. Jeg håber det giver dig mere tillid til at tage den rigtige beslutning for dit firma baseret på fakta og ikke på myter!

// Rasmus Steniche, CEO @ neurospace