सामग्री
- हाइप सायकलमधील एआय
- सो फार, नॉट सो गुड
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- हे सर्व डेटावर बिजागर आहे
स्रोत: चार्ल्स टेलर / आयस्टॉकफोटो
टेकवे:
कृत्रिम बुद्धिमत्तेबद्दल बरेच प्रचार आहेत, ते किती बुद्धिमान आहे?
कृत्रिम बुद्धिमत्तेने एंटरप्राइझ सर्कलमध्ये इतके लक्ष वेधून घेतले आहे की बर्‍याच आयटी नेत्यांकडून असे विचारण्यात माफ केले जाऊ शकते की यामुळे वाढत्या गुंतागुंतीच्या डेटा इकोसिस्टमला सर्व उत्तरे मिळतील. परंतु विद्यमान तंत्रज्ञानामध्ये अर्थपूर्ण सुधारणा करण्यामध्ये नक्कीच त्याची क्षमता असूनही, त्याच्या कार्यक्षमतेच्या आसपासच्या काही अपेक्षा ओसंडल्या आहेत हे देखील सांगणे योग्य आहे.
खरं तर, एआय म्हणजे नक्की काय आहे, खरोखर कार्य कसे करते आणि प्रत्यक्षात ते काय करू शकते याबद्दल थोडीशी माहिती नाही. आणि यामुळे एंटरप्राइझमधील त्याच्या भूमिकेविषयी आणि सध्या अस्तित्त्वात असलेल्या पायाभूत सुविधांशी आणि त्याद्वारे कार्य करणार्‍या मानवांशी संबंधित असलेल्या व्यापक गैरसमजांकडे ते वळत आहे.
हाइप सायकलमधील एआय
गार्टनरच्या सर्वात अलीकडील हाइप सायकलनुसार, डीप लर्निंग, मशीन लर्निंग आणि कॉग्निटिव्ह कम्प्यूटिंग सारख्या महत्त्वाचे एआय सबट पीक इन्फ्लिडेटेड एक्सपेस्टेशन्स वक्रच्या शीर्षस्थानी आहेत, याचा अर्थ ते भ्रमनिराशाच्या कुंडीतल्या लांब स्लाइडच्या अंगावर आहेत. गेल्या years० वर्षात हे अक्षरशः प्रत्येक विघटनकारी तंत्रज्ञानासाठी समान आहे, परंतु मुख्यत्वे नियंत्रित प्रयोगशाळेच्या चाचण्यांमधून घेतलेल्या एन्टरप्राईझमधील एआय चा अंदाज परिणाम वास्तविकतेकडे लक्ष वेधणार आहे. उत्पादन वातावरण. (अडा लव्हलेस ते डीप लर्निंगमध्ये संगणकीय नवकल्पनांचा इतिहास पहा.)
तथापि, गार्टनर संशोधक माइक वॉकरला अशी अपेक्षा आहे की पुढील दशकात एआय अ‍ॅडव्हान्सिंग कंप्यूट पॉवरच्या संयोजनाद्वारे एआय सर्वव्यापी होईल, ज्यामुळे तंत्रिका नेटवर्क सारख्या कन्स्ट्रक्शन्सचा विकास होतो आणि एंटरप्राइझ डेटा लोड इतके विशाल झाले आहे आणि इतके गुंतागुंतीचे आहे की मानवी ऑपरेटर यापुढे स्वतःचा सामना करू शकत नाहीत.
एंटरप्राइझला एआय बद्दल समजून घेण्याची सर्वात पहिली गोष्ट म्हणजे ती "बुद्धिमत्ता" या शब्दासह वेगवान आणि सैल खेळते. स्विस न्यूरोसायंटिस्ट पास्कल कॉफमन यांनी अलीकडे झेडनेटला समजावून सांगितले की, संगणक अल्गोरिदम आणि मानवी मेंदूच्या मार्गांमध्ये गहन फरक आहेत. प्रक्रिया माहिती एखाद्या निष्कर्षापर्यंत पोहोचण्यासाठी. पुरेशी प्रोसेसिंग पॉवर दिल्यास संगणक अल्गोरिदम कोट्यवधी, अब्जावधी, अगदी ट्रिलियन्स डेटा सेटची साधीशी निर्धार करण्यासाठी तुलना करू शकतो, जसे की मांजरीची प्रतिमा खरोखर मांजरीची प्रतिमा आहे की नाही. परंतु अगदी लहान डेटा, अगदी थोड्याशा डेटाने, सहजपणे निर्धारित करू शकते की ती मांजर आहे आणि मांजर काय आहे आणि काय दिसते हे कायमचे समजेल.
या मानकांनुसार, कार्यस्थानावरील एआय चेही अग्रगण्य उदाहरण - गूगल डीप माइंडची अल्फागोची रणनीती गेम गो वर निपुणता - खरोखर कृत्रिम बुद्धिमत्ता नव्हती परंतु नियमांवर आधारित दृष्टिकोनाचे तर्क करण्यास सक्षम असलेल्या मोठ्या डेटा, ticsनालिटिक्स आणि ऑटोमेशनचा क्रॉस-सेक्शन होता. जिंकण्यासाठी. विशेष म्हणजे कॉफमन पुढे म्हणाले की, अल्फागोने जिंकण्यासाठी कशी फसवणूक करावी हे ठरवले असते तर कृत्रिम बुद्धिमत्तेचे खरे उदाहरण असेल. असे करण्यासाठी, विज्ञानाला प्रथम "ब्रेन कोड" क्रॅक करावा लागेल जो आपल्या माहितीवर प्रक्रिया करण्याची, ज्ञान पुनर्प्राप्त करण्याच्या आणि आठवणी साठवण्याच्या क्षमतेस सामर्थ्य देईल. (ऑटोमेशनसह ऑटोमेशनबद्दल अधिक जाणून घ्या: डेटा सायन्स आणि मशीन लर्निंगचे भविष्य?)
सो फार, नॉट सो गुड
खरंच, एआय प्रत्येकाची नोकरी कमी करणार ही भीती असूनही, आतापर्यंतचे निकाल जवळजवळ विनोदी आहेत. जॉर्ज आर.आर. मार्टिन यांच्या “गेम ऑफ थ्रोन्स” चे चाहते मालिकेच्या पुढच्या हप्त्यासाठी इतके अधीर आहेत की बरेच जण एआयच्या स्वरूपाद्वारे लिहिलेल्या जवळजवळ शुद्ध गब्ब्लेडीगूकच्या एका अध्यायात आवर्जून आले आहेत ज्याला वारंवार न्यूरल नेटवर्क म्हणतात. दरम्यान, आयबीएम ऑन्कोलॉजी संशोधकांकडून कठोर कारवाई करीत आहे ज्यांना असे सांगितले गेले होते की वॉटसन निदान आणि उपचारांच्या नवीन युगात प्रवेश करेल, परंतु कर्करोगाच्या मूलभूत प्रकारांमध्ये फरक करण्यासाठी अद्याप संघर्ष करीत आहे. हा ट्रॅक रेकॉर्ड पाहता हे शक्य आहे की जेव्हा एआयला पहिल्यांदा ठराविक एंटरप्राइझमध्ये ओळख दिली जाते तेव्हा मानवी ऑपरेटरकडून त्याच्याकडून झालेल्या सर्व चुकांचा मागोवा घेण्यासाठी आणि त्यावर नजर ठेवण्यासाठी कदाचित अधिक प्रयत्न करावे लागतील.
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
परंतु येथे चोळणे आहे: पुनर्प्रक्रिया न करता एआय काळानुसार अधिक चांगले होईल. कॉर्नेल टेकचे संशोधक डॅनियल हट्टनलॉकर यांनी नुकतीच टेक क्रंचला सांगितले की, एआय पारंपारिक सॉफ्टवेअर - आणि आवश्यक असलेल्या सर्व त्रासदायक पॅचेस, अद्यतने आणि निराकरणे विस्थापित करण्याची शक्यता आहे - मानवी ऑपरेटरपेक्षा. याचा अर्थ असा नाही की एआयला प्रोग्राम करणे आवश्यक नाही, परंतु दृष्टिकोन अगदी सोपी आहे. आजच्या सॉफ्टवेअरसह प्रोग्रामरने फक्त निराकरण होणारी कार्येच नव्हे तर त्या सोडवण्यासंबंधी अचूक चरणांची व्याख्या करणे आवश्यक आहे. एआय सह, त्याकरिता आवश्यक असलेले ध्येय आहे आणि सॉफ्टवेअर उर्वरित हाताळण्यास सक्षम असावे, जर त्याकडे कार्य करण्यासाठी योग्य डेटा असेल तर.
हे सर्व डेटावर बिजागर आहे
तो शेवटचा मुद्दा महत्त्वपूर्ण आहे कारण, दिवसाच्या शेवटी, एआय फक्त एक अल्गोरिदम आहे आणि अल्गोरिदम त्यांना दिलेला डेटा तितकाच चांगला आहे. याचा अर्थ असा की योग्य एआय परिचालन फ्रेमवर्क तयार करण्याव्यतिरिक्त, एंटरप्राइझला ब fair्यापैकी जोरदार डेटा कंडिशनिंग वातावरण स्थापित करावे लागेल जेणेकरून विश्लेषणे निकाल योग्य माहितीवर आधारित असतील. अ‍ॅक्टिव कॅम्पेनचे सीईओ जेसन व्हेन्डबूम यांनी नुकतीच फोर्ब्सना सांगितले “कचरा बाहेर बरोबरीचा कचरा” चे नियम अजूनही लागू आहेत, जेणेकरून संस्थांना त्यांच्या एआय गुंतवणूकीचा खरा फायदा होण्यापूर्वी काही काळ असू शकेल.
हे सर्व दिल्यास, एंटरप्राइझने एआयने मोठ्या डेटा आणि आयओटीच्या उदयोन्मुख आव्हानांसाठी त्वरित निराकरण करण्याची अपेक्षा करू नये. मानवासाठी आणि यंत्रे दोघांसाठीही शिकण्याची वक्रता बर्‍याच लांब आहे आणि परिणाम निश्चितच अनिश्चित आहेत.
परंतु हे सर्व नियोजित प्रमाणे कार्य करत असल्यास, एंटरप्राइझ आणि ज्ञान कार्यबल या दोहोंना दीर्घकाळात भरीव फायदे दिसले पाहिजेत. या क्षणी आपल्या प्रक्रियेस धीमा करीत असलेल्या सर्वात सांसारिक, कंटाळवाणा आणि वेळखाऊ कार्याबद्दल विचार करा आणि पुन्हा कधीही कधीही न करण्याची कल्पना करा.