- 13,579
- 20
- 8 Ноя 2022
Как использовать искусственный интеллект эффективно и избегать распространенных ошибок
Многие развитые страны сталкиваются с самым низким ростом производительности за последние 60 лет. Поэтому неудивительно, что некоторые видят в искусственном интеллекте (ИИ) спасение для производительности. СМИ анонсируют новую эру высокой производительности, обеспеченной ИИ, особенно генеративными ИИ-инструментами, такими как ChatGPT и DALL-E. Ведущие научные журналы полны примеров того, как ИИ позволил совершить прорывные открытия в исследованиях. Машинное обучение использовалось, например, для предсказания формы белков по информации о ДНК или для управления формой перегретой плазмы в ядерной фузионной реакции. Одна команда из CSIRO разработала автономную систему на основе ИИ, которая может изготавливать и тестировать 12 000 дизайнов солнечных элементов в течение 24 часов.
Значит ли это, что мы можем переключить выключатель, оставить его на автомате и отправиться на пляж? Не совсем.
<h2> Не панацея для производительности </h2> Вышеупомянутые примеры внушают надежду, но также отвлекают от многих приложений ИИ, которые не сработали. Это те случаи, где использование ИИ было дорогостоящим и затратным по времени и не привело к желаемому результату. Они часто не фиксируются в журналах и СМИ.
В 2021 году сообщество ИИ пришлось сделать паузу, когда 62 опубликованных исследования, которые использовали машинное обучение для диагностики COVID-19 по рентгеновским снимкам грудной клетки, оказались ненадежными и непригодными для клинического применения, в основном из-за проблем с входными данными. Это было острым напоминанием о том, что ИИ ошибается.
Это не значит, что ИИ нельзя использовать для повышения производительности - просто это не готовое решение для наших проблем с производительностью. ИИ не может волшебным образом исправить проблемы, связанные с неэффективными процессами, плохим управлением и негативной культурой. Если вы бросите передовой ИИ в глупую организацию, искусственный мозг не сделает компанию умной. ИИ просто поможет организации делать глупые вещи более эффективно (то есть быстрее). Это вряд ли приведет к росту производительности.
<h2> Где работают приложения ИИ </h2> Одно недавнее исследование Национального бюро экономических исследований США показало, что производительность сотрудников службы поддержки, которые использовали ИИ-инструмент для помощи в ведении разговоров, увеличилась на 14%. В Австралии Westpac заявляет, что ИИ обеспечил рост производительности программистов на 46% без потери качества работы.
Во многих отношениях эти примеры не удивительны. Очевидно, что ИИ может повысить производительность, если использовать его эффективно; Google Maps явно лучше, чем старый атлас дорог, когда нужно добраться из точки А в точку Б. Так что же общего у ситуаций, в которых ИИ работает хорошо?
Успешные приложения ИИ, как правило, характеризуются четкой потребностью и функцией для ИИ-системы. Они хорошо интегрированы в более широкие процессы бизнеса или организации и не мешают выполнению других задач сотрудниками.
<h2>Неудачи ИИ-приложений: причины и пути преодоления
</h2> Добиться выгод от повышения производительности с помощью ИИ во всей организации, не говоря уже об всей экономике, трудно. Многие организации все еще борются с более простым цифровым преобразованием.
Консалтинговая фирма Deloitte оценивает, что 70% усилий по цифровому преобразованию организаций терпят неудачу. Возможно, настоящее решение дилеммы производительности заключается не в использовании ИИ, а в устранении организационных неэффективностей, возникающих при внедрении новых технологий.
Современные офисы часто перегружены бесполезными электронными письмами, излишними встречами и бюрократией, истощающими энергию и мотивацию сотрудников. Рутинная работа и отвлечения снижают их продуктивность.
Навряд ли ИИ сможет решить эту проблему. В наше время внимание — это ценный ресурс; ИИ, призванный защитить нас от ненужной рутины, может стать навязчивым. Мы даже можем оказаться в ситуации, когда ИИ-инструменты конкурируют между собой за наше внимание.
Экономист Стюарт Миллс из Университета Лидса предполагает, что инструменты типа ChatGPT, автоматизирующие бюрократические процессы, не влияют на производительность.
Мы спросили у старшего менеджера в международной инженерной компании, — о том, использует ли он ChatGPT. "О да", — воскликнул он, "я использую его для создания всех этих отчетов, которые менеджмент постоянно требует. Я уверен, что никто их не читает, поэтому они не обязаны быть высокого качества".
<h2>Путь к долгосрочному росту производительности
</h2> Вероятно, на долгосрочной перспективе ИИ улучшит производительность на общественном уровне, привнеся трансформативные изменения.
По состоянию на сентябрь 2022 года 5,7% всех научных статей были посвящены ИИ — это больше, чем 3,1% в 2017 году и 1,2% в 2000 году.
Инноваторы во всем мире исследуют возможности ИИ для ускорения своей работы и открытий. Мы можем ожидать, что наиболее эффективные решения, решающие реальные проблемы, выделятся и займут свое место.
Успех внедрения ИИ требует понимания контекста применения технологии, выбора подходящего инструмента для конкретной задачи и его правильного использования. Кроме того, необходимо урегулировать вопросы процесса, управления, культуры и этики.
Многие развитые страны сталкиваются с самым низким ростом производительности за последние 60 лет. Поэтому неудивительно, что некоторые видят в искусственном интеллекте (ИИ) спасение для производительности. СМИ анонсируют новую эру высокой производительности, обеспеченной ИИ, особенно генеративными ИИ-инструментами, такими как ChatGPT и DALL-E. Ведущие научные журналы полны примеров того, как ИИ позволил совершить прорывные открытия в исследованиях. Машинное обучение использовалось, например, для предсказания формы белков по информации о ДНК или для управления формой перегретой плазмы в ядерной фузионной реакции. Одна команда из CSIRO разработала автономную систему на основе ИИ, которая может изготавливать и тестировать 12 000 дизайнов солнечных элементов в течение 24 часов.
Значит ли это, что мы можем переключить выключатель, оставить его на автомате и отправиться на пляж? Не совсем.
<h2> Не панацея для производительности </h2> Вышеупомянутые примеры внушают надежду, но также отвлекают от многих приложений ИИ, которые не сработали. Это те случаи, где использование ИИ было дорогостоящим и затратным по времени и не привело к желаемому результату. Они часто не фиксируются в журналах и СМИ.
В 2021 году сообщество ИИ пришлось сделать паузу, когда 62 опубликованных исследования, которые использовали машинное обучение для диагностики COVID-19 по рентгеновским снимкам грудной клетки, оказались ненадежными и непригодными для клинического применения, в основном из-за проблем с входными данными. Это было острым напоминанием о том, что ИИ ошибается.
Это не значит, что ИИ нельзя использовать для повышения производительности - просто это не готовое решение для наших проблем с производительностью. ИИ не может волшебным образом исправить проблемы, связанные с неэффективными процессами, плохим управлением и негативной культурой. Если вы бросите передовой ИИ в глупую организацию, искусственный мозг не сделает компанию умной. ИИ просто поможет организации делать глупые вещи более эффективно (то есть быстрее). Это вряд ли приведет к росту производительности.
<h2> Где работают приложения ИИ </h2> Одно недавнее исследование Национального бюро экономических исследований США показало, что производительность сотрудников службы поддержки, которые использовали ИИ-инструмент для помощи в ведении разговоров, увеличилась на 14%. В Австралии Westpac заявляет, что ИИ обеспечил рост производительности программистов на 46% без потери качества работы.
Во многих отношениях эти примеры не удивительны. Очевидно, что ИИ может повысить производительность, если использовать его эффективно; Google Maps явно лучше, чем старый атлас дорог, когда нужно добраться из точки А в точку Б. Так что же общего у ситуаций, в которых ИИ работает хорошо?
Успешные приложения ИИ, как правило, характеризуются четкой потребностью и функцией для ИИ-системы. Они хорошо интегрированы в более широкие процессы бизнеса или организации и не мешают выполнению других задач сотрудниками.
<h2>Неудачи ИИ-приложений: причины и пути преодоления
</h2> Добиться выгод от повышения производительности с помощью ИИ во всей организации, не говоря уже об всей экономике, трудно. Многие организации все еще борются с более простым цифровым преобразованием.
Консалтинговая фирма Deloitte оценивает, что 70% усилий по цифровому преобразованию организаций терпят неудачу. Возможно, настоящее решение дилеммы производительности заключается не в использовании ИИ, а в устранении организационных неэффективностей, возникающих при внедрении новых технологий.
Современные офисы часто перегружены бесполезными электронными письмами, излишними встречами и бюрократией, истощающими энергию и мотивацию сотрудников. Рутинная работа и отвлечения снижают их продуктивность.
Навряд ли ИИ сможет решить эту проблему. В наше время внимание — это ценный ресурс; ИИ, призванный защитить нас от ненужной рутины, может стать навязчивым. Мы даже можем оказаться в ситуации, когда ИИ-инструменты конкурируют между собой за наше внимание.
Экономист Стюарт Миллс из Университета Лидса предполагает, что инструменты типа ChatGPT, автоматизирующие бюрократические процессы, не влияют на производительность.
Мы спросили у старшего менеджера в международной инженерной компании, — о том, использует ли он ChatGPT. "О да", — воскликнул он, "я использую его для создания всех этих отчетов, которые менеджмент постоянно требует. Я уверен, что никто их не читает, поэтому они не обязаны быть высокого качества".
<h2>Путь к долгосрочному росту производительности
</h2> Вероятно, на долгосрочной перспективе ИИ улучшит производительность на общественном уровне, привнеся трансформативные изменения.
По состоянию на сентябрь 2022 года 5,7% всех научных статей были посвящены ИИ — это больше, чем 3,1% в 2017 году и 1,2% в 2000 году.
Инноваторы во всем мире исследуют возможности ИИ для ускорения своей работы и открытий. Мы можем ожидать, что наиболее эффективные решения, решающие реальные проблемы, выделятся и займут свое место.
Успех внедрения ИИ требует понимания контекста применения технологии, выбора подходящего инструмента для конкретной задачи и его правильного использования. Кроме того, необходимо урегулировать вопросы процесса, управления, культуры и этики.
- Источник новости
- www.securitylab.ru
