విషయము
- హైప్ సైకిల్‌లో AI
- సో ఫార్, నాట్ సో గుడ్
- బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
- ఇది డేటాపై అన్ని అతుకులు
మూలం: చార్లెస్ టేలర్ / ఐస్టాక్‌ఫోటో
Takeaway:
కృత్రిమ మేధస్సు గురించి చాలా హైప్ ఉంది, ఇది ఎంత తెలివైనది?
ఎంటర్ప్రైజ్ సర్కిల్స్‌లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ చాలా శ్రద్ధ కనబరిచింది, ఇది చాలా క్లిష్టమైన డేటా ఎకోసిస్టమ్‌కు అన్ని సమాధానాలను అందిస్తుందని భావించినందుకు చాలా మంది ఐటి నాయకులను క్షమించవచ్చు. ఇది ఇప్పటికే ఉన్న సాంకేతిక పరిజ్ఞానానికి చాలా అర్ధవంతమైన మెరుగుదలలు చేయగల సామర్థ్యాన్ని కలిగి ఉన్నప్పటికీ, దాని సామర్థ్యాన్ని చుట్టుముట్టే కొన్ని అంచనాలు మితిమీరినవి అని చెప్పడం కూడా న్యాయమే.
వాస్తవానికి, AI అంటే ఏమిటి, ఇది నిజంగా ఎలా పనిచేస్తుంది మరియు వాస్తవానికి ఏమి చేయగలదో అనే దానిపై చాలా తక్కువ అవగాహన ఉంది. ఇది సంస్థలో దాని పాత్ర మరియు ప్రస్తుత మౌలిక సదుపాయాలకు మరియు దానిని నిర్వహించే మానవులకు సంబంధించిన మార్గం చుట్టూ ఉన్న విస్తృత అపోహలకు దారితీస్తుంది.
హైప్ సైకిల్‌లో AI
గార్ట్నర్ యొక్క ఇటీవలి హైప్ సైకిల్ ప్రకారం, డీప్ లెర్నింగ్, మెషీన్ లెర్నింగ్ మరియు కాగ్నిటివ్ కంప్యూటింగ్ వంటి కీలకమైన AI ఉపసమితులు పీక్ ఇన్‌ఫ్లేటెడ్ ఎక్స్‌పెక్టేషన్స్ వక్రరేఖలో అగ్రస్థానంలో ఉన్నాయి, అనగా అవి లాంగ్ స్లైడ్ యొక్క భ్రమలో పడ్డాయి. గత 30 ఏళ్లుగా వాస్తవంగా ప్రతి విఘాతకర సాంకేతిక పరిజ్ఞానానికి ఇది సమానంగా ఉన్నప్పటికీ, ప్రధానంగా నియంత్రిత ప్రయోగశాల పరీక్షల నుండి ఉద్భవించిన సంస్థలో AI యొక్క అంచనా ప్రభావం వాస్తవికతలలోకి ప్రవేశించబోతోందనే వాస్తవాన్ని ఇది ఎత్తి చూపింది. ఉత్పత్తి వాతావరణం. (ఫ్రమ్ అడా లవ్లేస్ నుండి డీప్ లెర్నింగ్ వరకు కంప్యూటింగ్ ఆవిష్కరణల చరిత్రను చూడండి.)
ఏదేమైనా, గార్ట్నర్ పరిశోధకుడు మైక్ వాకర్ AI వచ్చే దశాబ్దంలో కంప్యూటింగ్ పవర్ యొక్క కలయిక ద్వారా సర్వవ్యాప్తి చెందుతుందని ఆశిస్తాడు, ఇది న్యూరల్ నెట్‌వర్క్ వంటి నిర్మాణాల అభివృద్ధికి దారితీస్తుంది మరియు ఎంటర్ప్రైజ్ డేటా లోడ్ చాలా అపారంగా మారింది మరియు మానవ ఆపరేటర్లు ఇకపై సొంతంగా ఎదుర్కోలేరు.
AI గురించి ఎంటర్ప్రైజ్ అర్థం చేసుకోవలసిన మొదటి విషయం ఏమిటంటే, ఇది “ఇంటెలిజెన్స్” అనే పదంతో వేగంగా మరియు వదులుగా ఆడుతుంది. స్విస్ న్యూరో సైంటిస్ట్ పాస్కల్ కౌఫ్మన్ ఇటీవల ZDnet కి వివరించినట్లుగా, కంప్యూటర్ అల్గోరిథం మరియు మానవ మెదడు యొక్క మార్గాల్లో తీవ్ర తేడాలు ఉన్నాయి. ఒక నిర్ణయానికి రావడానికి సమాచారాన్ని ప్రాసెస్ చేయండి. తగినంత ప్రాసెసింగ్ శక్తితో, కంప్యూటర్ అల్గోరిథం లక్షలాది, బిలియన్లను పోల్చవచ్చు, బహుశా ట్రిలియన్ల డేటా సెట్లను కూడా సాధారణ నిర్ణయం తీసుకుంటుంది, పిల్లి యొక్క చిత్రం నిజానికి పిల్లి యొక్క చిత్రం కాదా. కానీ చాలా చిన్న డేటా ఇచ్చిన చిన్న పిల్లవాడు కూడా అది పిల్లి అని సహజంగా నిర్ణయించగలడు మరియు పిల్లి అంటే ఏమిటో మరియు అది ఎలా ఉంటుందో తెలుసుకున్న తర్వాత ఎప్పటికీ ఉంటుంది.
ఈ ప్రమాణం ప్రకారం, పనిలో AI యొక్క ప్రముఖ ఉదాహరణ - గూగుల్ డీప్ మైండ్ యొక్క ఆల్ఫాగో యొక్క వ్యూహాత్మక ఆట గో యొక్క నైపుణ్యం - నిజంగా కృత్రిమ మేధస్సు కాదు, కానీ పెద్ద డేటా, విశ్లేషణలు మరియు ఆటోమేషన్ యొక్క క్రాస్ సెక్షన్, ఇది నియమాల-ఆధారిత విధానాన్ని హేతుబద్ధీకరించగల సామర్థ్యం కలిగి ఉంది గెలవడానికి. ఆసక్తికరంగా, ఆల్ఫాగో గెలవడానికి ఎలా మోసం చేయాలో కనుగొన్నట్లయితే కృత్రిమ మేధస్సు యొక్క నిజమైన ఉదాహరణ అని కౌఫ్మాన్ జతచేస్తాడు. అయితే, దీన్ని చేయడానికి, సైన్స్ మొదట సమాచారాన్ని ప్రాసెస్ చేయడానికి, జ్ఞానాన్ని తిరిగి పొందటానికి మరియు జ్ఞాపకాలను నిల్వ చేయగల మన సామర్థ్యాన్ని శక్తివంతం చేసే “మెదడు కోడ్” ను పగులగొట్టాలి. (ఆటోమేషన్‌తో ఆటోమేషన్ గురించి మరింత తెలుసుకోండి: డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్ యొక్క భవిష్యత్తు?)
సో ఫార్, నాట్ సో గుడ్
నిజమే, AI ప్రతిఒక్కరి ఉద్యోగాన్ని తగ్గించబోతుందనే భయాలు ఉన్నప్పటికీ, ఇప్పటివరకు వచ్చిన ఫలితాలు దాదాపు హాస్యంగా ఉన్నాయి. జార్జ్ ఆర్.ఆర్. మార్టిన్ యొక్క "గేమ్ ఆఫ్ థ్రోన్స్" యొక్క అభిమానులు ఈ సిరీస్ యొక్క తరువాతి విడత కోసం చాలా అసహనంతో ఉన్నారు, చాలా మంది AI యొక్క ఒక రూపం రాసిన దాదాపు స్వచ్ఛమైన గోబ్లెడిగూక్ యొక్క అధ్యాయానికి పునరావృతమయ్యే న్యూరల్ నెట్‌వర్క్ అని పిలుస్తారు. ఇంతలో, ఐబిఎం ఆంకాలజీ పరిశోధకుల నుండి వాట్సన్ రోగ నిర్ధారణ మరియు చికిత్సలో ఒక కొత్త శకాన్ని తెచ్చిపెడుతుందని చెప్పబడింది, కాని బదులుగా క్యాన్సర్ యొక్క ప్రాథమిక రూపాల మధ్య తేడాను గుర్తించడానికి ఇంకా కష్టపడుతోంది. ఈ ట్రాక్ రికార్డ్‌ను బట్టి చూస్తే, AI ను విలక్షణమైన సంస్థలోకి ప్రవేశపెట్టినప్పుడు, అది చేసే అన్ని తప్పులను ట్రాక్ చేయడానికి మరియు పర్యవేక్షించడానికి మానవ ఆపరేటర్ల వైపు ఎక్కువ ప్రయత్నం అవసరం.
బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
సాఫ్ట్‌వేర్ నాణ్యత గురించి ఎవరూ పట్టించుకోనప్పుడు మీరు మీ ప్రోగ్రామింగ్ నైపుణ్యాలను మెరుగుపరచలేరు.
కానీ ఇక్కడ రుద్దు: AI పునరుత్పత్తి చేయకుండా కాలక్రమేణా మెరుగుపడుతుంది. కార్నెల్ టెక్ పరిశోధకుడు డేనియల్ హట్టెన్‌లాకర్ ఇటీవల టెక్ క్రంచ్‌తో చెప్పినట్లుగా, AI సాంప్రదాయ సాఫ్ట్‌వేర్‌ను స్థానభ్రంశం చేసే అవకాశం ఉంది - మరియు మానవ ఆపరేటర్ల కంటే అన్ని ఇబ్బందికరమైన పాచెస్, నవీకరణలు మరియు పరిష్కారాలు. దీని అర్థం AI ప్రోగ్రామ్ చేయవలసిన అవసరం లేదు, కానీ విధానం చాలా సరళీకృతం చేయబడింది. నేటి సాఫ్ట్‌వేర్‌తో, ప్రోగ్రామర్ పరిష్కరించాల్సిన పనిని మాత్రమే కాకుండా దాన్ని పరిష్కరించాల్సిన ఖచ్చితమైన దశలను నిర్వచించాల్సిన అవసరం ఉంది. AI తో, అవసరమైనది లక్ష్యం మరియు సాఫ్ట్‌వేర్ పని చేయడానికి సరైన డేటాను కలిగి ఉంటే, మిగిలిన వాటిని నిర్వహించగలగాలి.
ఇది డేటాపై అన్ని అతుకులు
ఆ చివరి పాయింట్ చాలా ముఖ్యమైనది, ఎందుకంటే, రోజు చివరిలో, AI కేవలం ఒక అల్గోరిథం, మరియు అల్గోరిథంలు అవి తినిపించిన డేటా వలె మంచివి. దీని అర్థం సరైన AI కార్యాచరణ ఫ్రేమ్‌వర్క్‌ను నిర్మించడంతో పాటు, ఎంటర్ప్రైజ్ చాలా శక్తివంతమైన డేటా కండిషనింగ్ వాతావరణాన్ని ఏర్పాటు చేయవలసి ఉంటుంది, తద్వారా విశ్లేషణ ఫలితాలు ఖచ్చితమైన సమాచారం ఆధారంగా ఉంటాయి. యాక్టివ్ క్యాంపెయిన్ సిఇఒ జాసన్ వందేబూమ్ ఇటీవల ఫోర్బ్స్‌తో మాట్లాడుతూ, పాత "చెత్తను సమానంగా చెత్త" నిబంధనలు ఇప్పటికీ వర్తిస్తాయి, కాబట్టి సంస్థలు వారి AI పెట్టుబడి యొక్క నిజమైన ప్రయోజనాలను చూడటానికి కొంత సమయం ముందు ఉండవచ్చు.
ఇవన్నీ చూస్తే, పెద్ద డేటా మరియు IoT యొక్క అభివృద్ధి చెందుతున్న సవాళ్లకు AI త్వరగా పరిష్కరిస్తుందని ఎంటర్ప్రైజ్ ఆశించకూడదు. మానవులు మరియు యంత్రాల కోసం అభ్యాస వక్రత చాలా పొడవుగా ఉంటుంది మరియు ఫలితాలు ఉత్తమంగా అనిశ్చితంగా ఉంటాయి.
ఇవన్నీ ప్రణాళిక ప్రకారం పనిచేస్తే, ఎంటర్ప్రైజ్ మరియు నాలెడ్జ్ వర్క్‌ఫోర్స్ రెండూ దీర్ఘకాలంలో గణనీయమైన ప్రయోజనాలను చూడాలి. ప్రస్తుతానికి మీ ప్రక్రియలను మందగించే అత్యంత ప్రాపంచిక, శ్రమతో కూడిన మరియు సమయం తీసుకునే పని గురించి ఆలోచించండి మరియు వాటిని మరలా చేయనవసరం లేదని imagine హించుకోండి.