Isi
- AI dalam Hype Cycle
- Sejauh ini, tidak begitu baik
- Tanpa Bug, Tanpa Stres - Panduan Langkah Demi Langkah Anda untuk Membuat Perangkat Lunak yang Mengubah Hidup Tanpa Menghancurkan Kehidupan Anda
- Semuanya Bergantung pada Data
Sumber: charles taylor / iStockphoto
Bawa pulang:
Ada banyak hype tentang kecerdasan buatan, seberapa pintar itu?
Kecerdasan buatan telah mengumpulkan begitu banyak perhatian di kalangan perusahaan sehingga banyak pemimpin TI dapat dimaafkan karena berpikir bahwa itu akan memberikan semua jawaban untuk ekosistem data yang semakin kompleks. Tetapi sementara itu tentu memiliki potensi untuk membuat banyak perbaikan yang berarti untuk teknologi yang ada, juga adil untuk mengatakan bahwa beberapa harapan di sekitar kemanjurannya terlalu berlebihan.
Faktanya, hanya ada sedikit pemahaman tentang apa sebenarnya AI itu, bagaimana ia berfungsi dan apa yang sebenarnya dapat dilakukannya. Dan ini mengarah pada kesalahpahaman luas seputar perannya dalam perusahaan dan bagaimana ia akan berhubungan dengan infrastruktur yang ada dan manusia yang mengoperasikannya.
AI dalam Hype Cycle
Menurut Gartner Hype Cycle terbaru, himpunan bagian kunci AI seperti pembelajaran dalam, pembelajaran mesin, dan komputasi kognitif berada di puncak kurva Ekspektasi Inflated Peak, yang berarti mereka berada di puncak slide panjang ke Palung Kekecewaan. Sementara ini setara untuk kursus untuk hampir setiap teknologi yang mengganggu selama 30 tahun terakhir, itu menunjukkan fakta bahwa dampak yang diproyeksikan dari AI di perusahaan, yang sebagian besar berasal dari tes laboratorium yang terkontrol, akan segera menuju realitas. dari lingkungan produksi. (Lihat sejarah inovasi komputasi di Dari Ada Lovelace hingga Deep Learning.)
Namun demikian, peneliti Gartner Mike Walker mengharapkan AI menjadi mana-mana selama dekade berikutnya melalui kombinasi memajukan daya komputasi, yang mengarah pada pengembangan konstruksi seperti jaringan saraf, dan fakta bahwa beban data perusahaan telah menjadi sangat besar dan begitu rumitnya sehingga operator manusia tidak bisa lagi mengatasi sendiri.
Salah satu hal pertama yang perlu dipahami perusahaan tentang AI adalah bahwa ia bermain dengan cepat dan longgar dengan istilah "kecerdasan". Sebagaimana dijelaskan oleh ilmuwan saraf Swiss Pascal Kaufmann kepada ZDnet baru-baru ini, ada perbedaan besar dalam cara algoritma komputer dan otak manusia. memproses informasi untuk sampai pada suatu kesimpulan. Dengan kekuatan pemrosesan yang cukup, algoritma komputer dapat membandingkan jutaan, milyaran, bahkan mungkin triliunan set data untuk membuat penentuan sederhana, seperti apakah gambar kucing memang merupakan gambar kucing. Tetapi bahkan anak kecil, yang diberikan sangat sedikit data, secara naluriah dapat menentukan bahwa itu adalah kucing dan akan selamanya mengetahui apa itu kucing dan seperti apa bentuknya.
Dengan standar ini, bahkan contoh utama AI di tempat kerja - penguasaan AlphaGo Google DeepMind tentang permainan strategi Go - bukan benar-benar kecerdasan buatan tetapi merupakan penampang data besar, analitik, dan otomatisasi yang mampu merasionalisasi pendekatan berbasis aturan untuk menang. Yang menarik, Kaufmann menambahkan bahwa contoh nyata dari kecerdasan buatan adalah jika AlphaGo menemukan cara curang untuk menang. Namun, untuk melakukan ini, sains pertama-tama harus memecahkan "kode otak" yang memperkuat kemampuan kita untuk memproses informasi, mengambil pengetahuan, dan menyimpan ingatan. (Pelajari lebih lanjut tentang otomatisasi dengan Otomasi: Masa Depan Ilmu Data dan Pembelajaran Mesin?)
Sejauh ini, tidak begitu baik
Memang, meskipun ada kekhawatiran bahwa AI akan mengambil alih pekerjaan semua orang, hasilnya sejauh ini hampir lucu. Penggemar George R.R. "Game of Thrones" Martin begitu tidak sabar untuk angsuran berikutnya dari seri yang banyak berbondong-bondong ke bab buku gobbledy yang hampir murni yang ditulis oleh bentuk AI yang disebut jaringan saraf berulang. Sementara itu, IBM menerima kritik dari para peneliti onkologi yang diberitahu bahwa Watson akan melepaskan era baru dalam diagnosis dan perawatan, tetapi malah masih berjuang hanya untuk membedakan antara bentuk dasar kanker. Dengan rekam jejak ini, sangat mungkin bahwa ketika AI pertama kali diperkenalkan ke perusahaan tipikal, mungkin akan membutuhkan lebih banyak upaya pada bagian dari operator manusia hanya untuk melacak dan memantau semua kesalahan yang akan dibuatnya.
Tanpa Bug, Tanpa Stres - Panduan Langkah Demi Langkah Anda untuk Membuat Perangkat Lunak yang Mengubah Hidup Tanpa Menghancurkan Kehidupan Anda
Anda tidak dapat meningkatkan keterampilan pemrograman Anda ketika tidak ada yang peduli dengan kualitas perangkat lunak.
Tapi inilah intinya: AI akan menjadi lebih baik seiring waktu tanpa harus diprogram ulang. Seperti yang dikatakan oleh peneliti Cornell Tech, Daniel Huttenlocker kepada Tech Crunch baru-baru ini, AI lebih cenderung untuk menggantikan perangkat lunak tradisional - dan semua tambalan sial, pembaruan, dan perbaikan yang dibutuhkannya - daripada operator manusia. Ini tidak berarti AI tidak perlu diprogram, tetapi pendekatannya sangat disederhanakan. Dengan perangkat lunak saat ini, programmer perlu menentukan tidak hanya tugas yang harus diselesaikan tetapi juga langkah-langkah tepat untuk menyelesaikannya. Dengan AI, semua yang diperlukan adalah tujuan dan perangkat lunak harus dapat menangani sisanya, asalkan memiliki data yang tepat untuk bekerja dengannya.
Semuanya Bergantung pada Data
Poin terakhir itu sangat penting karena, pada akhirnya, AI hanyalah sebuah algoritma, dan algoritma hanya sebagus data yang diumpankan. Ini berarti bahwa selain membangun kerangka kerja AI yang tepat, perusahaan harus membangun lingkungan pengkondisian data yang cukup kuat sehingga hasil analisis akan didasarkan pada informasi akurat yang masuk. Seperti yang dikatakan CEO ActiveCampaign, Jason VandeBoom kepada Forbes baru-baru ini, yang lama aturan "sampah dalam sama dengan sampah keluar" masih berlaku, sehingga bisa jadi beberapa saat sebelum organisasi melihat manfaat sebenarnya dari investasi AI mereka.
Mengingat semua ini, perusahaan seharusnya tidak mengharapkan AI untuk menyediakan perbaikan cepat untuk tantangan yang muncul dari data besar dan IoT. Kurva pembelajaran untuk manusia dan mesin kemungkinan akan cukup panjang, dan hasilnya tidak pasti.
Tetapi jika semuanya berjalan sesuai rencana, baik perusahaan dan tenaga kerja pengetahuan akan melihat manfaat besar dalam jangka panjang. Pikirkan saja tugas yang paling biasa, membosankan dan memakan waktu yang memperlambat proses Anda saat ini dan bayangkan tidak perlu melakukannya lagi, selamanya.