Jak logika algorytmów uwodzi współczesny biznes

Co jest technologicznym fundamentem, na którym rodzą się dzisiaj takie zjawiska, jak narodziny pojazdów autonomicznych, rekomendacje w trakcie zakupów internetowych, czy głosowe odpowiedzi asystentów urządzeń mobilnych?

Podziel się

facebook twitter google+ linkedin email
AI biznes blog Norbert Biedrzycki Forbes

Mój artykuł w FORBES z dnia 11 marca 2019 roku.

Dla wielu osób kierujących biznesem, pojęcie sztucznej inteligencji ciągle jest niejasne i rodzi poczucie, że wkraczają oni na obcy teren. Myślę, że znajomość podstawowych praw, które leżą u podłoża nowych technologii może dodać pewności każdemu, kto przymierza się do zwiększenia innowacyjności firmy. Dlatego przedstawię (w maksymalnie skondensowanej formie) co jest technologicznym fundamentem, na którym rodzą się dzisiaj takie zjawiska, jak narodziny pojazdów autonomicznych, rekomendacje w trakcie zakupów internetowych, czy głosowe odpowiedzi asystentów urządzeń mobilnych

Maszyna uczy się bez końca

Dwie podstawowe siły, które decydują o kluczowych procesach inteligentnych technologii, to: Machine Learning i Deep Learning. Machine Learning często definiowane jest jako silne wsparcie analityki predyktywnej i jest techniką z obszaru informatyki i modelowania statystycznego, która pozwala maszynie (aplikacji) na podstawie samodzielnej analizy i bez konieczności jej uprzedniego zaprogramowania na przewidzenie rezultatu działania i często wypracowanie i podjęcie samodzielnej decyzji. Natomiast Deep Learning to jedna z odmian sztucznej inteligencji polegająca działaniach w oparciu o sieci neuronowe, których głównym zadaniem jest doskonalenie technik rozpoznawania głosu i przetwarzania naturalnego języka, czyli mocno upraszczając można potraktować jako sposób na automatyzację analiz predykcyjnych.

W wielkim skrócie są to techniki, które umożliwiają przetwarzanie olbrzymich zbiorów danych w oparciu o samouczenie się maszyn. Różnią się, jeśli chodzi o możliwości i zadania. Odsyłam do moich poprzednich artykułów na tematach tych technik do moich poprzednich artykułów.

Algorytmy stanowiące podstawę Machine Learning działają w oparciu o schemat, w którym komputer wykorzystuje sygnały wejściowe (dane) i podejmuje decyzje, co z nimi dalej robić – jak je grupować, klasyfikować, itd. W Machine Learning zawarte jest ważne ograniczenie – komputer, wykonując zadania, działa w ramach doświadczenia nadzorowanego. Oznacza to, że kluczową rolę odgrywa tu ciągle człowiek, który „karmi” urządzenie porcjami informacji. Najpotężniejszy komputer świata IBM Watson nie mógłby osiągać mistrzowskich rezultatów, gdyby wcześniej nie został „nakarmiony” danymi przez ludzi lub gdyby ludzie nie wskazali mu źródeł danych, wiedzy.

Natomiast druga technika – Deep Learning, która odpowiada za rozpoznawanie głosu, przetwarzanie języka naturalnego, rozpoznawanie obrazów, to już jakościowo inny poziom. Przypomina ona operacje zachodzące w ludzkim mózgu. Komputer wykorzystuje do swoich działań sieci neuronowe, na które składają się grupy równolegle działających procesorów, zasilanych dużą ilością danych. Po każdym nowym doświadczeniu komputera, który podejmuje się działania, połączenia między owymi procesorami i strumieniami informacji, którymi operują, czyli węzłami w wielkim uproszczeniu podlegają samo reorganizacji. Poziom celowości tych organizacji jest coraz doskonalszy, a tym samym, maszyna sprawniej reaguje na wyznaczone jej zadania.

Przyznam, że nie jest mi obce poczucie pewnej niesamowitości tych – wydawałoby się – czysto technicznych procesów. Korzystanie z historii własnych dokonań, doświadczenia zdobywane poprzez kontakt z ludźmi są zachowaniami maszyn, które nie przestają mnie zadziwiać.

Jak rozpoznać psa na zdjęciu?

Fakt, że komputery mogą coraz sprawniej rozwiązywać złożone problemy, dzięki pracy, którą dokonały wcześniej i kontaktom z ludźmi, skutkuje przełomem w rozwoju inteligentnych technologii. No dobrze, ale w jaki sposób przekłada się to wszystko na rynkową popularność takich, a nie innych trendów technologicznych? Kolejny raz można tu zauważyć pewną prostotę. Machine Learning i Deep Learning dokonują analizy danych na kilka podstawowych sposobów, formułując samodzielnie lub przy pomocy człowieka zestaw reguł decyzyjnych. Najważniejsze z nich, to: analiza baz danych (podstawa BIG DATA), klasyfikacja obiektów (porządkowanie zdjęć na podstawie cech wspólnych), wykrywanie błędów (porównywanie obiektów i stanów, by wykryć prawdopodobieństwo wystąpienia zaburzeń), rekomendacje (na jej podstawie tworzone są sugestie zakupowe), optymalizacje (poszukiwanie najlepszej trasy dla samochodu). Wszystko to, co dzisiaj dla konsumentów jest takie istotne, i co napędza innowacje biznesu, bazuje na tych kilku operacjach, które przybierają dobrze opakowaną formę.

blog Are you still human Norbert Biedrzycki

Prawdziwie boska celowość

Opisane procesy – pod wpływem decyzji biznesowych, marketingowych, społecznych – z informatycznych abstrakcji, zmieniają się w konkretne innowacje. Jeśli więc algorytmy przetwarzające dane potrafią „przewidywać”, to logiczną konsekwencją tej zdolności stają się wdrożenia w e-commerce polegające na tym, że sklep podsuwa klientowi towar podobny do rzeczy kupowanych wcześniej. Kolejny przykład: jeśli algorytmy potrafią klasyfikować dane ze względu na cechy wspólne, to będzie potrafił bezbłędnie rozpoznawać, czy na zdjęciu widać psa, czy samolot. A to z kolei nie może ujść uwadze właściciela portalu społecznościowego, który gromadzi miliardy fotografii użytkowników. W obrębie sztucznej inteligencji mamy więc do czynienia z pewną logiką i celowością.

Poniżej przyjrzę się trzem trendom, które – dzięki opisanym wyżej mechanizmom – będą utrwalać swoją popularność w świecie cyfrowego biznesu.

Algorytmy mogą eliminować błędy…

Wskazana wcześniej funkcja wykrywania błędów będzie coraz bardziej kluczowa, biorąc pod uwagę zarówno opinię publiczną, jak i popularność określonych trendów biznesowych. Kontrola i eliminacja anomalii mają szczególne znaczenie na takim obszarze, jakim jest Internet Rzeczy. Mam tu na myśli rosnącą popularność urządzeń działających w oparciu o sensory odpowiedzialne za pozyskiwanie danych z otoczenia. Olbrzymia ilość zbieranych informacji, które pochodzą z naszych ulic, sklepów a nawet mieszkań (smart houses) oznacza bezdyskusyjne korzyści. Niesie jednak niebezpieczeństwo.

Dla przeciętnego obywatela nieprawidłowości mogą oznaczać zarówno uciążliwości w życiu codziennym (awarie inteligentnych sprzętów), jak i budzić poczucie zagrożenia (szkodliwy monitoring wykorzystywanych w celach politycznych). Dla biznesu sprawa jest równie ważna. Wystarczy wskazać na kwestię bezpieczeństwa, kluczową w przemyśle samochodowym i lotniczym. Sensory wykorzystywane są przy budowie silników lotniczych przetwarzają strumienie informacji, które powstają na bieżąco, w trakcie lotów. Eliminowanie potencjalnych błędów w obrębie tych procesów ma kolosalne znaczenie. Systemy czujników odpowiadają także za umiejętności samochodów autonomicznych. Eliminacja nieprawidłowości w danych zbieranych przez kamery i czujniki lidarowe ma kolosalny wpływ na dalszy rozwój trendu.

… i wiedzą, jak zaspokoić konsumenta…

Wykorzystanie opisanych wcześniej funkcji predykcyjnych (rekomendacje) to priorytet w e-commerce i handlu detalicznym. O tym jak ważna jest wartość mechanizmu automatycznych poleceń wiedzą dobrze takie koncerny jak Amazon, czy Netflix. One właśnie uczyniły z systemów predykcji globalną wartość biznesową i de facto wykreowały nowy standard zachowań przeciętnego klienta.

W najbliższych latach doświadczymy na obszarze e-commerce rozwoju technologii koncentrujących się na analizie głosu i mimiki klienta. Analizy, które mam na myśli będą wykorzystywane do trenowania botów – czyli cyfrowych asystentów zdolnych do coraz lepszego komunikowania się z nami przy użyciu języka naturalnego. Dzisiaj, ciągle jeszcze niedoskonałe boty, będą konsekwentnie udoskonalać swoje umiejętności, by z czasem w pełni konkurować z kompetencjami pracowników call center. To one będą przedstawiać nam sugestie dotyczące interesujących nas produktów, zarezerwują nam wyjazd na wakacje, wskażą najkorzystniejszy kredyt i umówią z lekarzem.

Artificial intelligence is new electricity Norbert Biedrzycki

… oraz rozumieją też potrzebę efektywności w biznesie

Umiejętności predykcyjne algorytmów mogę mieć kolosalny wpływ na istotną biznesową kategorię, jaką jest efektywność. Jej zwiększanie, to – jak wiemy – priorytet dla wielu zarządów, bez względu na branżę. Każda technologia, która pokazuje nam, że można lepiej wykorzystywać istniejące zasoby, wzbudza naturalne zainteresowanie biznesu. Ta właśnie zdolność algorytmów umożliwia redukowanie kosztów i zwiększanie produktywności. Biorąc za przykład branżę transportową, algorytmy mogą tu przynieść mnóstwo korzyści. Szefowie firm transportowych nie przejdą obojętnie wobec faktu, że obserwacje kierowcy i pojazdu w czasie rzeczywistym, mogą prowadzić nawet do kilkunastoprocentowej redukcji kosztów. Urządzenia śledzące reakcje kierowcy, pracę silnika, system postojów i przeszkody na drodze mogą sugerować, kiedy kierowca powinien przyśpieszać, a kiedy zwalniać, kiedy uzupełniać paliwo, a kiedy jechać dalej. Każda podjęta przez niego decyzja, która uwzględnia tego typu informacje, przełoży się na finansowe oszczędności.

Przeczytaj więcej w pełnym artykule – link.

Powiązane artykuły

– Czy maszyny odróżniają dobro od zła?

– Trwałe połączenie technologii z człowieczeństwem

– Bańka internetowa 2.0

 – Kto zyska a kto straci na rewolucji cyfrowej?

– Kiedy przestaniemy być biologicznymi ludźmi?

– Sztuczna inteligencja to nowa elektryczność

Skomentuj

1 comment