in

რატომ არის მნიშვნელოვანი AI, რომელსაც თვითგანათლება შეუძლია?

ლი სედოლი გოუს მსოფლიო ჩემპიონია, თუმცა, ხელოვნურმა ინტელექტმა, 2016 წელს, მასაც კი გაუჩინა თავსატეხი. სედოლს 15 წუთი დასჭირდა საპასუხო რეაქციის მოსაფიქრებლად. AI-ის ქმედება მოთამაშისთვის არასტანდარტული იყო, რამაც გამოცდილი მოთამაშეც კი დააბნია. ეს იყო AI-ს თვითდასწავლადი ალგორითმის მაგალითი, რაც არსებული სტრატეგიების გარდა, ახლების შემუშავებასაც მოიცავდა. AI-ს, სახელად AlphaGo, ასწავლეს საკუთარ თავთან თამაში. ეს იყო მილიონობით კომბინაცია, რომლითაც AI-მ ახალი სვლები და სტრატეგიები შეიმუშავა და საბოლოოდ, მსოფლიოს უძლიერესი მოთამაშეებიც გააკვირვა.

pasha-statiebi
pasha-statiebi

ასეთი ხელოვნური ინტელექტი განსხვავდება ჩატბოტებისა და პროგნოზირებადი მოდელებისგან, რასაც მანქანურ მოდელირებაში ხშირად ვხვდებით. მანქანური სწავლების ნაცვლად, ის იყენებს ისტორიულ მონაცემებს, სისტემებს და სწავლობს, საკუთარ თავს თავადვე ავითარებს, ოპტიმალური გამოსავლის საპოვნელად.

თუმცა, უკვე ხილული ნაწილის გარდა, ეს დასწავლა გამოიყენება ისეთ ნიშურ მიმართულებებში, როგორებიცაა ვიდეოთამაშები და რობოტოტექნიკა. ისეთი კომპანიები, როგორებიცაა Netflix, Spotify და Google უკვე იყენებენ მათ, თუმცა, ორგანიზაციათა უმეტესობა ამ ყველაფერს ჩამორჩება.

AI პასუხობს ისეთ უმნიშვნელოვანეს კითხვებს, რომლებზე ზუსტი პასუხების მოპოვებაც ადამიანისთვის სირთულეს წარმოადგენს:

როგორ მივმართოთ მონაცემთა ნაკადი სხვადასხვა სერვერზე, რომელი სერვერები გავთიშოთ მონაცემთა დამუშავების ცენტრში?
რევოლუციური მედიკამენტის მოლეკულის სიმულაციური აგებისას, როგორ განვსაზღვროთ მომდევნო ინგრედიენტი?
თუკი აქციების მცირე რაოდენობის გაყიდვა გსურთ, როგორ უნდა უპასუხოთ პატარა შეკვეთებს, დღის განმავლობაში, რათა ფასების ვარდნა მინიმუმამდე დაიყვანოთ?

თუკი კომპანიის ლიდერი ხართ, ბევრი პროცესის ავტომატიზებისა და ოპტიმიზების საჭიროება გაქვთ, მაგრამ ამავდროულად, არსებობს დინამიკა, გამონაკლისები, რაც უნდა გაითვალისწინოთ. ცდისა და შესწავლის შედეგად, ალგორითმს ყველაზე დინამიკური ოპტიმიზებული პრობლემების ამოხსნაც კი შეუძლია.

რამ შეიძლება გაამყაროს თვითდასწავლა?

ბევრი ბიზნესი თვლის, რომ მანქანური სწავლების სისტემა პროგნოზირებას მოიცავს და პროგნოზირების ისეთ ალგორითმებს მიმართავენ, როგორიცაა ფულადი ნაკადის მართვა, მომხმარებელთა რაოდენობის ცვლილება, ტრანზაქციები, ვებგვერდის ანალიტიკა… ეს სისტემები, როგორც წესი, იყენებენ მანქანური სწავლების მასწავლებელს. ამრიგად, გებულობენ, მაგალითად, რა ბედი ელის აქციების ფასს, მომდევნო 6 საათის მანძილზე. თუმცა, დამატებითი მხარდაჭერა AI-ს მეტი განვითარების საშუალებას აძლევს. სწავლების სისტემები განსაზღვრავენ მოქმედებებს და არა პროგნოზებს – ისინი გთავაზობენ კონკრეტულ ბიჯს, რაც სასურველ შედეგამდე მიგაახლოებთ.

მაგალითად, შესაძლოა ეს იყოს რობოტის ხელით, ნივთის კონტეინერში მოთავსება, ან გადაწყვეტა, რომელი საკომუნიკაციო არხით ესაუბროს კლიენტს…
Google ამ მიდგომას სერვერების გასაგრილებლად იყენებს. მონაცემთა დამუშავების ცენტრებში დიდი სითბო გამოიყოფა, განსაკუთრებით, თუკი სერვერებს მცირე მანძილი აშორებთ. გადაწვას IT პრობლემების გამოწვევა შეუძლია. ამიტომ, შემავალ მონაცემებს შორის არის გარემოს შესწავლა და ჰაერის ტემპერატურა. ამრიგად, AI განსაზღვრავს გაგრილების სისტემის ინტენსივობას.

როგორ განვსაზღვროთ, გვჭირდება თუ არა ეს მიდგომა და არ გავუშვათ საყურადღებო პრობლემა?

ჩამოწერეთ, რა პროცესებს შეიცავს ბიზნესი, რომელი ბიჯების გაზრდა ან შემცირება გსურთ. კონცენტრირდით კონკრეტულ მოქმედებებზე, რისი ავტომატიზებაც გჭირდებათ. რა იტერაციაა საჭირო? გადახედეთ ყველა ვარიანტს. ნუ დაიწყებთ, თუკი სხვა მეთოდებით შეგიძლიათ ამოცანის გადაწყვეტა.

ფრთხილად, სურვილებთან. თუკი წინსვლას აპირებთ, ითანამშრომლეთ ექსპერტებთან და ტექნიკურ ჯგუფებთან, რათა მონაცემების, ქმედებებისა და გადაწყვეტილების კარგ ალტერნატივამდე მიხვიდეთ. დაფიქრდით, რამდენად გიღირთ ხარჯი ამ შედეგად? ბევრი კომპანია საჭიროებს ციფრულ ტრანსფორმაციას, თუმცა არამიზნობრივად მიმართავს მსგავს მეთოდებს. ამიტომ, კარგად შეისწავლეთ ალტერნატივები.

მოთმინებით მიუდექით. სანამ სასურველ და სათანადო გამოსავალს მიაგნებთ, შესაძლოა, ბევრი ალტერნატივა გადასინჯოთ.

 

წყარო: HBR



Google თანამშრომლებს დისტანციურად მუშაობის საშუალებას მისცემს

[ქეის სთადი] ბრენდის პროდუქტი და კომუნიკაცია უნდა შეესაბამებოდეს დროს, მოცემულობას და პასუხობდეს იმ მომენტისთვის აქტუალურ მოთხოვნებს