Zašto se umjetna inteligencija razlikuje od prethodnih valnih tehnologija

Ako vam se sviđa ovaj članak, pogledajte još jedan Robbie:
Što će zaustaviti AI trenutak?

Spakirana kuća prije mog razgovora na prvoj O'Reilly konferenciji o umjetnoj inteligenciji u rujnu 2016. Mislila sam da smo tada postigli vrhunac AI Hype-a, ali on samo nastavlja rasti.

Bavio sam se računanjem otkako je moj stariji brat dobio Commodore 64 za Božić 1983. U srednjoj školi sam pohađao svoj prvi razred „poslovnog stroja“, pohađao moj prvi čas iz informatike 1994. (učenje Pascala) i prešao na Silicijska dolina 1997. godine nakon što je Cisco moj staž pretvorio u stalno radno mjesto. Radio sam u Ciscovom IT odjelu nekoliko godina prije nego što sam prešao u njihovu inženjersku skupinu gdje sam dizajnirao mrežne protokole. Pohađao sam srednju školu na MIT-u 2004. godine gdje sam upoznao osnivače nekoliko kompanija iz prvih par serija Y Combinator i radio na Hubspot-u prije nego što je to bio Hubspot. Nakon što sam napisao nekoliko knjiga za O'Reilly i prisustvovao prvim O'Reilly Web 2.0 i MIT Sloan Sports Analytics konferencijama, 2007. pokrenuo sam tvrtku "Web 2.0 za sport" pod nazivom StatSheet.com koja je 2010. prešla na prvi prirodni jezik Tvrtka Generation (NLG) nazvana Automated Insights. Nedavno sam odstupio na Ai da bih postao doktorat. student na UNC-u koji studira umjetnu inteligenciju.

Sve u svemu tome rekao sam da sam imao ptičje perspektive da gledam nevjerojatnu inovaciju koja se dogodila u posljednjih 30 godina u tehnologiji. Imao sam sreću da sam na pravom mjestu u pravo vrijeme.

Vidio sam i svoj dio tehnoloških nazora - želim svoj WebTV. Budući da je tehnološki štreber, imam predispoziciju za sjajne predmete, a nakon što sam upravljao preko stotinu programera u svojoj karijeri, čini se da je to osobina koju mnogi programeri dijele. Budući da smo stariji i vidjeli smo razne tehnološke valove koji dolaze i odlaze (uključujući i onaj nazvan Wave), malo je lakše primijeniti podudaranje uzoraka na najnoviju novu stvar koja će navodno revolucionarati naše živote. Postao sam sumnjičaviji prema većini novih tehnologija kada vidim kako se ljudi zaljubljuju u razmišljanje o srebrnim mecima.

Iako vjerujem da je umjetna inteligencija na više načina prenaglašena, izrazito sam zaljubljen u njen potencijal čak i kad uložite u sve hipoteke. Postoji jedinstvena kombinacija faktora koji će učiniti AI najutjecajnijom tehnologijom u našem životu. Da, pio sam AI kool-pomoć, ali mislim da je to s dobrim razlogom.

Gospodin Kool-pomoćnik u Google automobilu za samovozeće automobile

Prodaja AI "prije nego što je bio cool" nije bila cool

Kako se umjetna inteligencija ponovno počela vraćati u 2011., bio sam oprezno optimističan. Tvrtku sam pokrenuo 2010. godine s inicijalima AI (za Automatizirane uvide) prije nego što je AI bio cool. Moja je intuicija bila da će to biti slog za nekoliko godina, ali ako je Ray Kurzweil čak i djelomično točan o brzini kojom će se AI dogoditi, pozicioniranje tvrtke u AI prostoru početkom 2010. završilo bi s radom - uspjelo je ,

Teško je bilo najmanje pokušati prodati AI kao sposobnost. Naša tvrtka izgradila je rješenje kojim se automatizirao postupak kvantitativne analize i izvještavanja. Odnosno, automatizirali smo ono što smo prije radili samo ručno, uz izvještaje o analizi podataka. Od tada smo automatizirali sve, od fantastičnih nogometnih preuzimanja za Yahoo! izvješćima o prodaji za jednu od najvećih osiguravajućih kuća. Automatizirali smo izvješća o zaradi za Associated Press i personalizirane rezimee vježbanja za bodybuilding.com. Pokušavajući prodati kupce na "automatiziranom pisanju" u 2011. godini, kako sam zamišljao, osjećao se to Henry Ford kad je automobile prodavao ljudima koji su vidjeli samo konje: sumnjičavi izgled i nevjerica da je takva izmišljotina čak i moguća - ili potrebna.

Kratke četiri godine kasnije i stvari su se dramatično promijenile. Gartnerov hipe-ciklus (objavljen od 1995.) dosljedno je mjerilo hypea oko novih tehnologija. Pogledajte izvješće za 2016. godinu:

Izvor: Gartner

Pojavljuje se nekoliko tehnologija povezanih s AI, uključujući pametne robote, autonomna vozila, razgovorna korisnička sučelja, odgovaranje na pitanja prirodnog jezika i, naravno, strojno učenje na vrhuncu napuhanih očekivanja.

Prešli smo od opće nevjerice u softver koji je u stanju automatizirati stvari koje su strogo u domeni ljudi do svakog startapa koji ima token AI slajd na svojim palicama. Prije sam morao umanjiti spominjanje "Umjetne inteligencije" kako nismo zvučali previše geek i prestrašili ljude, sada smo kupci razočarani ako vaše rješenje nije potpuno čarobno. Prije sam najbrže završio razgovor na večeri bio spomenuti AI, a sada mi agent osiguranja govori o tom novom cool "asistentu AI" koji on koristi za zakazivanje svih svojih sastanaka.

Bez obzira na to jesmo li dosegli "Peak AI" ili ne, većina ljudi, uključujući moju umirovljenu mamu, čula je za to. Ostaje veliko pitanje: može li se živjeti do prijekora? Kako se AI uspoređuje s prethodnim tehnologijama s obzirom na njegov potencijal? Odgovor je ono što me uzbuđuje zbog budućnosti.

Osam tehnoloških valova

U proteklih 30 godina prepoznao sam osam širokih tehnologija za koje smatram da su korisne za usporedbu. Analizirao sam kako se brzo razvija svaka tehnologija i čimbenici koji su ili pomogli ili spriječili brzinu inovacije. Ovih osam nikako nisu jedine tehnologije koje sam mogao izabrati, ali svaka je imala značajan utjecaj na cjelokupni tehnološki krajolik tijekom svog vrhunca. Moja namjera nije iscrpno proći kroz svaki tehnološki val koji se ikada dogodio, već pružiti okvir koji možemo upotrijebiti za usporedbu i usporedbu.

Osam koje pokrivam u ovom članku uključuju radne operacijske sustave, web preglednike, umrežavanje, društvene mreže, mobilne aplikacije, internet stvari, računalstvo u oblaku i umjetnu inteligenciju.

Dva ključna čimbenika za tehnološki potencijal

Dva su čimbenika koja su vrlo važna odrednica koliko udaljenosti i brzine tehnologije napreduju s vremenom.

Prvi je čimbenik prepreka ulasku pojedinog programera u stvaranje nečeg korisnog. Ako programeri imaju mogućnost stvaranja ili prilagođavanja vlastite implementacije, dobivate brzu disperziju tehnologije i mnoga poboljšanja, velika i mala, kroz doprinose gomile programera.

Operativni sustavi imaju veliku prepreku ulasku zbog složenosti softvera. Općenito ne vidite veliki broj programera koji vikendom provode vrijeme pokušavajući modificirati operativni sustav za neke specijalizirane svrhe. S druge strane, mobilne aplikacije je lako stvoriti i objavljivati ​​s ograničenim sposobnostima (što je i dobro i loše kako ću objasniti).

Drugi je čimbenik je li razvoj na temeljnoj platformi centraliziran ili decentraliziran. Da li jedna tvrtka ili organizacija služi kao vratar za nove verzije osnovne platforme ili može bilo tko pridonijeti? U prostoru društvenih mreža razvoj su u potpunosti centralizirani od strane vlasnika platformi (Twitter, Facebook itd.) U usporedbi s Umrežavanjem; postupak RFC doveo je do široko raspodijeljene skupine suradnika.

Tehnologija s malom preprekom za ulazak i decentralizirani razvoj platforme ima najveći potencijal za budući utjecaj. Nijedna od osam tehnologija ne posjeduje obje karakteristike osim umjetne inteligencije, ali o tome kasnije.

Za potrebe ovog članka mene najviše zanima potencijal za inovacije, a ne koliko inovacija ima ili će se pojaviti. Dva faktora koje sam spomenula nisu potrebna da bi tehnologija imala ogroman utjecaj. Cloud Computing je imao ogroman utjecaj iako u prostoru ima samo mali broj igrača. Ali budućnost Cloud Computinga gotovo u potpunosti ovisi o tvrtkama koje posjeduju platforme. Ako se tržište konsolidira ili vremenom postane manje privlačno za glavne igrače, inovacije će prestati ili se značajno smanjivati, što je bila priča web preglednika početkom 2000-ih.

Ispod je kako bih rangirao osam tehnologija u oba faktora. Baš kao i Gartnerova krivulja Hype, postavljanje svakog u četiri kvadranta uglavnom je bila subjektivna vježba na temelju moje analize. Uočit ću se u pojedinosti o svakoj tehnologiji, ali prvo ću objasniti što svaki kvadrant predstavlja.

Niska barijera + centralizirani razvoj = ograničena inovacija
Ovaj je scenarij prilično neobičan jer programeri mogu lako kreirati, ali razvoj platforme je centraliziran. Inovacija je ograničena na ćud vlasnika platforme. Programeri moraju raditi unutar ograničenja platforme s ograničenom mogućnošću utjecaja na cjelokupni smjer jer je to u vlasništvu jednog tijela. Model trgovine aplikacija spada u ovaj kvadrant.

Visoka barijera + centralizirani dev = vlasnička inovacija
U ovom slučaju razvoj može raditi samo vlasnik platforme. Programeri imaju veliku prepreku za stvaranje i ne mogu pridonijeti platformi. Ovo je klasični vlasnički model koji je bio dominantan u razvoju proizvoda.

Visoka barijera + decentralizirani dev = nekompatibilna inovacija
Ovaj kvadrant često predstavlja tehnologije koje se temelje na otvorenom izvoru ili imaju otvorene (a u mnogim slučajevima i neobvezujuće) standarde, ali bilo zato što se temelje na hardveru ili vrlo složenom softveru, programeri koji stvaraju barijeru nisu trivijalni. Rezultat može biti značajna inovacija, ali uz rješenja koja nisu kompatibilna jer programeri mogu slobodno uključiti "standarde" koje odaberu.

Niska barijera + decentralizirani dev = potpuno distribuirana inovacija
To je optimalno u okruženju koje potiče inovacije. Pojedini programeri ne samo da mogu stvoriti jer je prepreka ulasku mala, već mogu i izgraditi vlastite platforme. AI je jedina tehnologija koju sam stavila u ovaj kvadrant, a o razlozima za to ću govoriti u sljedećem odjeljku.

Potpuno distribuiranu inovaciju teško je skalirati s vremenom, jer bez ikakve središnje koordinacije često imate fragmentirani ekosustav s mnogim nespojivim rješenjima. To možete vidjeti u AI-u kako postaju popularni određeni okviri (npr. Tensorflow i PyTorch).

Pregled osam tehnologija

Zatim ću ukratko opisati razloge zbog kojih svaku tehnologiju stavljam u određeni kvadrant.

Operacijski sustavi za stolna računala

Operacijskim sustavima desktop računala dominirao je mali broj igrača. IBM je započeo 1981. sa svojim početnim računalom, Microsoft (i Sun u manjoj mjeri) u 1990-ima, a Apple u 2000-ima. Linux je također bio u mješavini, ali nikad nije mogao ući u mainstream radnu površinu / laptop.

Operativni sustavi su masivni dijelovi softvera, pa nema mnogo toga što će jedan programer učiniti kako bi poboljšao i ponovo distribuirao temeljnu platformu. Složenost i širina koda veliki je razlog visoke prepreke ulasku.

Uz iznimku Linuxa, ostali popularni operativni sustavi za stolna računala bili su vlasnički. To uglavnom znači da su inovacije u OS-u centralizirane unutar zidova velikih tvrtki. Čak iu slučaju Linuxa, imati dobroćudnog diktatora značilo se da se svim velikim odlukama upravlja središnjim postupkom. Veliki, monolitni softver poput operativnih sustava zahtijeva centraliziranu koordinaciju na nekoj razini kako bi krajnji proizvod bio potpuno integrirano i stabilno rješenje.

Umrežavanje

IPO tvrtke Cisco 1990. godine bio je početak nevjerojatne pobjede kompanija koje se bave umrežavanjem tijekom sljedećeg desetljeća. Stvorene su razne tvrtke, a zatim su stečene ili pripojene. Cisco, Lucent i Nortel bili su veliki igrači (i na kraju Juniper) prije nego što je raspad dot-coma povukao noge iz industrije od koje se nikad nije potpuno oporavio.

Internetski protokoli imali su decentralizirani razvojni proces sa zahtjevom za komentare (RFC) od prvog objavljivanja RFC-a 1969. Postoje tijela za standardizaciju, poput IETF-a, koja mogu ratificirati RFC-ove kao službene standarde. Iako je definiranje protokola bilo decentralizirano, temeljne platforme koje su koristile te protokole (npr. Cisco usmjerivači) su i dalje bile vlasničke i zatvorene.

Budući da su glavni dobavljači mreža imali vlastiti hardver, barijera je bila visoka da bi pojedinačni programer mogao dati svoj doprinos. Iako je izvanjski čovjek mogao doprinijeti specifikaciji protokola, samo programeri tvrtki koje su umrežile mrežu mogu dodati te protokole na svoje platforme.

Uključujući umrežavanje u ovaj popis ne toliko zbog velikog tehnološkog vala, nego zbog njihovog jedinstvenog procesa standardizacije.

Web-preglednik

Dok su trajali ratovi s operativnim sustavom, najvažnija aplikacija na radnoj površini također je prošla sličnu bitku. Bez obzira na to jesu li to bili Netscape i IE u 1990-ima ili Chrome, IE i Firefox danas, preglednik je uvijek bila željena aplikacija zbog toga što je prednja strana na webu.

Iako je IE jedini glavni preglednik koji nije otvorenog koda ili se temelji na otvorenom izvoru, prepreka za ulazak i dalje je velika. Poput operativnih sustava, moderni web preglednici postali su vrlo složeni softverski dijelovi. Nije uobičajeno da prosječni programer forsira preglednik da ga prilagodi za upotrebu svoje tvrtke. Svaki preglednik pruža različitu podršku za proširenja ili dodatke, ali oni su prilično ograničeni u pogledu mogućnosti i često su krhki.

S obzirom na prirodu otvorenog koda nekih preglednika, razvoj na temeljnoj platformi je decentraliziran, ali u praksi se promjene pomno prate. S obzirom na široku korisničku bazu za preglednike, vlasnici preglednika moraju pažljivo ispitati svaku promjenu ili riskirati slanje pogrešnog proizvoda milionima korisnika.

Mobilne aplikacije

Ovdje bih mogao navesti "Mobile" ili "Smartphone" umjesto Mobile Apps, ali primijenit će se mnogi isti problemi koje sam opisao u Desktop Operacijskim sustavima. Mobilne aplikacije su malo zanimljivije za naše potrebe zbog njihove male prepreke za ulazak. Kad je Apple izašao s App Storeom, zauvijek je promijenio stvari u Mobile računarstvu. Slično web stranicama, ali više bogatih značajkama, Mobile Apps uveo je u novu eru potrošačkih mogućnosti.

Što se tiče programera koji stvara nešto korisno, ne postaje puno lakše od aplikacije za mobilne uređaje. Neki mogu tvrditi da je prepreka za ulazak preniska, tako da su sada trgovine aplikacija ispunjene smećem. Da je malo teže stvoriti, možda svjetski klinci i primjerci svijeta ne bi doprinijeli, ali to je kompromis kada bi bili otvoreni za sve koji žele. Mali postotak stvorit će sjajne aplikacije, a velika većina neće.

Društvene mreže

Bilo da se radi o Facebooku i Twitteru ili Foursquare i LinkedIn, sve su društvene mreže s ograničenom standardizacijom. Bilo je pokušaja otvorenog koda na društvenim mrežama, ali nijedan nije dobio kritičnu masu. To znači da je praktički sav razvoj na društvenim mrežama proizašao iz malog broja tvrtki.

Što se tiče mogućnosti programera da stvori nešto korisno, društvene mreže možete pogledati na jedan od dva načina, zbog čega sam mu dao sredinu ocjene zabrane ulaska. Istina je da, osim ako niste zaposlenik neke od društvenih mreža, nećete moći pridonijeti njihovoj platformi. Sa druge strane, društvene mreže nisu ni približno toliko složene kao operativni sustav ili web preglednik. Složenost je u pokušaju razmještanja društvenih mreža na milijune (ili milijarde) korisnika. Programeri bi mogli vikendom spojiti web aplikaciju koja nalikuje Facebooku ili Twitteru. Natjerati ih da rade za milijune korisnika drugačija je priča.

Drugo pitanje zbog kojeg društvene mreže imaju veliku prepreku ulasku jesu potrebni mrežni efekti prije nego što postanu korisni. Ako nemate kritičnu masu korisnika, mreža ima ograničenu vrijednost. Više od pukog stvaranja mobilne aplikacije, dobivanje mrežnih efekata izuzetno je teško i nije nešto što programer može lako sam izraditi.

Računalni oblak

Amazon, uz Google i Microsoft koji slijede brzo, obavio je nevjerojatan posao uvodeći u novo doba karakteristika Cloud Computinga i cijene s AWS-om. Međutim, zbog značajnih hardverskih zahtjeva, Cloud Computing je jako kapitalno intenzivno poslovanje koje može biti uspješno u opsegu. To općenito dovodi do centraliziranog razvoja osnovne platforme gdje pojedine tvrtke drže ključeve kraljevstva, što je slučaj ovdje (Amazon, Google, Microsoft, itd.)

Cloud Computing optimiziran je kako bi omogućio programerima da stvaraju zanimljive stvari, tako da je prepreka za stvaranje mala. Cloud Computing je omogućio puno inovacija, ali to će se nastaviti sve dok Amazon, Google i Microsoft smatraju da je prostor u koji treba uložiti.

Internet stvari

Bilo je zanimljivo gledati kako se Internet stvari (IoT) razvija tijekom posljednjih deset godina kako je nekoliko puta dobijao i gubio snagu. Što se tiče moja dva faktora, IoT je miješana vreća. Što se tiče prepreka ulasku, većina softverskog (pa čak i hardverskog) građevnog bloka za izgradnju IoT uređaja uobičajeno je dostupna, ali stavljanje komercijalnog IoT uređaja na tržište značajan je pothvat - samo me pitajte o bilo kojem od neuspjelih projekata Kickstartera u koji sam uložio.

IoT je imao koristi od neke standardizacije, ali također je vrlo fragmentiran prostor. Podsjeća na mrežnu okolinu koju sam ranije opisao. Samo što postoje „standardi“ ne znači da ih tvrtke moraju koristiti. Zbog toga vjerojatno u svom domu ili uredu imate različite IoT uređaje koji koriste različite standarde ili ne rade zajedno.

Umjetna inteligencija

Prvo sam shvatio da je nešto drugačije s AI ekosustavom kada sam počeo istraživati ​​najnovije istraživanje o raznim temama: LSTM, GANs, CNNs, Seq-to-seq. Izlazi toliko novih istraživanja; teško je držati korak. U najmanju ruku, izazov je biti napredan s trenutnim stanjem i biti u toku s najnovijim istraživanjima.

Gledajući dva čimbenika, prvo, prepreka za ulazak programera da učini nešto zanimljivo s AI je mala. Svi alati koji su vam potrebni su besplatno dostupni. Barijere su čisto vođene samo sobom. Da biste napravili nešto zanimljivo, potreban vam je značajan skup podataka (premda postoji rasprava o tome koliko vam treba), a drugi je potrebna mentalna širina pojasa da biste razumjeli kako izgraditi koristan model. Upravo me posljednja točka pomalo skeptično gleda prema velikom broju tvrtki koje tvrde da rade zanimljive stvari s AI-om, konkretno Machine Learningom. Izgradnja programa ML-a nije poput stvaranja mobilne aplikacije. To je složenije, posebno ako radite bilo što zanimljivo (iako je Amazon znatno pojednostavio postupak).

Što se tiče osnovnih platformi, još je rano, a ne postoje platforme velike težine koje bi definirale iskustvo s AI-om poput ostalih tehnologija koje sam pokrivao. Sve platforme za strojno učenje i duboko učenje poput Tensorflow, PyTorch, Theano i Keras otvoreni su izvori i žive zajednice.

Ključno što AI razlikuje od većine drugih tehnologija je snažna istraživačka pozadina. Područje informatike prema zadanim postavkama predstavljalo je otvorenu zajednicu koju su obilježile akademske konferencije na kojoj istraživači predstavljaju svoja najnovija otkrića. Mnogo svjetiljki u AI svijetu dolazi iz akademskih krugova u kojima je objavljivanje njihovih istraživanja bilo pravilo. Umjesto da inovacija ostane zatvorena ili da se čeka do posljednjeg trenutka kada se ideja potpuno ispeče i napisano puno koda, većina se istraživanja temelji na višemjesečnom radu i ograničenom kodu. Poanta je da se ideje što prije prenesu u zajednicu što je brže moguće kako bi se drugi mogli poboljšati na njima (a vi za tu ideju dobijate zasluge prije nego što to učini netko drugi).

Najbliže što smo vidjeli ovakvom ekosustavu su tijela za internetske standarde ili pokreti otvorenog koda koje sam ranije spomenuo, ali AI je još uvijek različit na važne načine. Kada je u pitanju istraživanje AI, ne postoji upravljačko tijelo koje bi odobravalo nove napretke. IETF i druge organizacije postale su zloglasne po igranju favorita polaznicima, kao i po tome što su bile snažne političke politike s velikim silama u industriji koje su nametnule svoje predstavništvo kako bi mogle na određeni način upravljati skupinama standarda. Ono što je najbliže onome u istraživačkoj zajednici je postupak prijavljivanja na velikim akademskim konferencijama i nagrade za najbolji rad. Iako su ta priznanja lijepa, oni nisu nužni uvjet da bi vašu novu ideju pokupila istraživačka masa.

Čak i uz Google, Facebook, Amazon i Baidu koji su pokupili doktorate. studenti što brže mogu, prekvalificirajući svoju radnu snagu u strojnom učenju i ulažući milijarde dolara u svemir, ovo je jedan od rijetkih slučajeva u posljednjih 30 godina gdje puno tih ulaganja pomaže gurati cijelu industriju naprijed umjesto samo određeni dnevni red tvrtke.

Sticaj okolnosti

Često kažem poduzetnicima da većina startupa ne uspije prerano. Moraju se zadržati dovoljno dugo da se splet okolnosti može poravnati u njihovu korist. To se dogodilo u mom slučaju Postojao je domino efekt tvrtki koje su se sticale što je dovelo do toga da se moje steknu za veliki povrat. Međutim, za mene je ovo najviše uznemirujući aspekt pokretanja života - ne možete kontrolirati sve što će vas učiniti uspješnima. Tržišne snage, tehnološki pomaci, ekonomski uvjeti itd. Imaju značajan utjecaj na vašu tvrtku.

Ista stvar odnosi se na tehnologije. Unatoč neuspjelim pokušajima u prošlosti, trenutni AI procvat dogodio se u pravom trenutku. Različite su okolnosti koje su pridonijele njegovom uspjehu, uključujući:

  • Potpuno distribuirano inovacijsko okruženje o kojem sam razgovarao rezultiralo je vrlo brzom brzinom novih mogućnosti u AI polju.
  • Nakon godina prepucavanja oko Big Data-a počevši od sredine 2000-ih, do 2010. I 2011. Mnoge su tvrtke konačno počele razvijati Big Data infrastrukturu.
  • Nakon što su se godinama usredotočile na "što", a ne na "zašto", tvrtke su htjele ostvariti vrijednost u svojim velikim podacima. Problem s velikim podacima je što nije kraj, već sredstvo za postizanje cilja. Oduševljena potražnja da se iz Big Dataa izvuče nešto smisleno značila je da su tvrtke otvorene za nove načine korištenja svojih podataka (uđite u AI fazu lijevo).
  • Zahvaljujući velikom dijelu svijetu igara, optimizirani računi za AI (u obliku GPU-a) postali su lako dostupni. GPU-ovi obavljaju množenje matrice moraju brže od tradicionalnih CPU-a, što znači da strojno učenje i modeli dubokog učenja mogu raditi brže. Nvidia je sretna.
  • Za razvoj AI rješenja postoji niska prepreka ulasku, ali zahtijeva visoku razinu tehničkog znanja. Ovo je važna razlika od mobilnih aplikacija koje također imaju malu prepreku za razvoj. Tamo gdje App Store markiraju brojne jezive aplikacije, ako niste ozbiljan programer s pristupom značajnim podacima, nećete moći mnogo učiniti s Machine Learningom. Kao rezultat toga, prosječna AI aplikacija bit će kvalitetnija.

Hoće li AI biti Lebron James ili Greg Oden?

U ovom sam članku opisao zašto je potencijal za buduće inovacije s umjetnom inteligencijom za razliku od svega što smo vidjeli među prethodnim velikim valovima tehnologije. Međutim, možete imati sav potencijal u svijetu i ne iskoristiti ga u potpunosti. Samo pitajte Tiger Woodsa.

AI ekosustav će biti elastičan zbog potpuno distribuiranog inovacijskog modela koji sam opisao, ali postoji nekoliko vanjskih čimbenika koji bi mogli spriječiti napredak.

  • Previše fokusiran na duboko učenje. Istraživač s Allen instituta za AI održao je predavanje na O'Reilly AI konferenciji prošle godine i podijelio zabrinutost da ćemo uz svu pažnju koju je Deep Learning privukli, razviti lokalni maksimum na DL-u i ne istražiti druge metode koje bi mogle biti bolje prilagođen za postizanje općeg AI.
  • Nedovoljno dobrih velikih podataka. Unatoč napretku koji su mnoge tvrtke postigle u organiziranju svojih podataka, većina ih još mora prijeći dug put. U Automatskim uvidima, vidjeli smo da prepreka # 1 uspješnim projektima nema dovoljno kvalitetnih podataka. Većina tvrtki misli da ima bolje podatke nego oni.
  • Ljudi! Lako ćemo najveću prepreku usvajanju automatizacije i AI tehnologije nove generacije dobiti sami. Kao društvo, nećemo u potpunosti prihvatiti tehnologije koje mogu spasiti milione života poput autonomnih automobila. Tehnologija autonomnih automobila razine 5 je nadomak, ali društveni i politički pritisci trebat će znatno duže da se ona u potpunosti provede.
  • Preživjeti korito razočaranja. Bilo bi zanimljivo pitati ljude iz Gartnera, ali bio bih znatiželjan da su vidjeli da u posljednjih 20 godina tehnologija postaje ubrzana kao AI. Koriste istu krivulju hipeta za sve tehnologije u nastajanju, ali u stvarnosti svaka ima drugačiji nagib do svoje krivulje. S obzirom koliko je hype okružio AI, to može značiti da bi Korito razočaranja moglo biti i dublje i potencijalno teže izaći iz njega. Hoće li ljudi zasmetati AI kad se rani rezultati ne vrate tako nevjerojatno koliko smo se nadali?
  • Pojavljuju se AI platforme koje razvoj čine centraliziranijim. Tensorflow je stekao veliku privlačnost u zajednici ML. Može li to postati teže platforma koja postaje zadani okvir koji svaki inženjer ML mora koristiti? Tada riskiramo slijediti više centralizirani obrazac inovacija.

Konačno, vjerujem da će Amarov zakon vrijediti za AI:

Skloni smo precjenjivanju učinka tehnologije u kratkom roku i podcjenjuju učinak na duži rok.

Mnogi ručni zadaci za koje sam mislio da su nedodirljivi prije samo godinu ili dvije, vidim put da ih učinim automatiziranijima. Bit će zanimljivo gledati postoji li prekretnica u kojoj stopa inovacija ide još brže dok napravimo dodatne proboje.

Ako vam se sviđa ovaj post, dodajte mu niže niže, pa će ga vidjeti i drugi. Hvala vam!