(Kiemelt kép: Unsplash+)
Idén márciusban Elon Musk és 1000 másik MI-ipari korifeus aláírta azt a levelet, melyben az MI fejlesztésének leállítását követelték, amíg nem vezetnek be olyan protokollokat, melyek biztosítják, hogy az ne jelentsen veszélyt a társadalomra. Ez sokakat arra késztetett, hogy párhuzamot vonjanak Nick Bostrom 2014-es Superintelligencia című könyvével, melyben leszögezi, hogy az embernél intelligensebb mesterséges intelligenciák egzisztenciális katasztrófát jelentenek számunkra. A mesterséges intelligencia tényleges veszélye azonban messze nem ez, és sokkal sürgetőbb. Az MI ugyanis nem olyan intelligens, mint amilyennek gondoljuk, és ezek az okos ruhába bújtatott buta gépek már most is jelentős veszélyt jelentenek ránk nézve. De hogyan? Érdemes minden olyan kijelentést, melyet olyan emberek tesznek, akiknek jelentős érdekeltsége van az MI-iparban, figyelmen kívül hagyni. Bár az általuk az MI-ról megfogalmazott számos pont nagyon is helytálló, az MI-ban rejlő lehetőségekről alkotott véleményük masszívan befolyásolt. Vegyük például Elon Muskot; szó szerint dollármilliárdokat fektetett olyan vállalatokba, melyek értéke teljes egészében az MI-n alapulnak – nevezetesen a Teslába és az X.ai-be. Persze, hogy „fel fogja fújni”, hogy mennyire erősek, és ugyanez vonatkozik minden MI vezérigazgatóra vagy MI startup-korifeusra is. Érdemes vigyázó szemeinket inkább MI-kutatók és elismert tudományos közszereplőkre vetni. Bár ez nem egy halálbiztos módozata annak, hogy elfogulatlan véleményt kapjunk, azt jelenti, hogy legalább a lehető legközelebb kerülhetünk hozzá.
Mi is az a mesterséges intelligencia?
Kezdjük tehát azzal, hogy mi is az a mesterséges intelligencia. A mesterséges intelligencia virtuális neurális hálózatokat használ, melyek a biológiai agyhoz hasonlóan működnek, hogy felismerjék az adatokban lévő mintázatokat, és döntsenek az ezekre az adatokra adott válaszról. Remek példa erre a mammográfiás mellrákszűrés. A mellrák korai jeleit az orvosoknak hihetetlenül nehéz észrevenniük, mivel azok szinte ugyanúgy néznek ki, mint az egészséges sejtek. Egy mesterséges intelligenciát azonban olyan betegek látszólag egészséges mammográfiás képein képeztek ki, akiknél később mellrák alakult ki, és most már jobban felismeri a mellrákot, mint egy orvos. A közelmúltban olyan összetettebb mesterséges intelligencia-rendszerek jelentek meg, mint az önvezető mesterséges intelligencia és a GPT4. Ez már egy figyelemre méltó író mesterséges intelligencia, mely képes átmenni a hírhedt Turing-teszten, magával ragadó beszélgetéseket folytatni, megírni az emberek házi feladatát, sőt, teljes értékű cikkeket is írni. Eközben az önvezető mesterséges intelligenciák, mint például a Tesla vagy a Waymo, képesek biztonságosan navigálni a bonyolult forgalmi csomópontokban a csúcsforgalomban is. Ezért sokan azt mondják, hogy az MI technológia már annyira fejlett, hogy jobb, mint az ember, és elérkeztünk egy olyan fordulóponthoz, ahol az MI nukleáris szintű fenyegetést jelenthet. Még Geoffrey Hinton is, aki egyike volt azoknak az informatikusoknak, akik feltalálták a modern MI technológia alapjait, felmondott a Google-nél, hogy nyíltan beszélhessen az MI fenyegetéseiről, mivel „hirtelen rájött, hogy ezek a dolgok egyre okosabbak nálunk”. De vajon megállja-e a helyét ez az álláspont? Nem, nem kell neki bedőlnünk. De aggodalmai érthetőek, és oda is kellene figyelnünk ezekre a Kasszandra jóslatokra.
A fekete doboz nem létező titka
A mesterséges intelligenciának van egy úgynevezett fekete doboz problémája, ami miatt messze nem intelligens. Vegyünk egy önvezető mesterséges intelligenciát. Ha valóban intelligens lenne, akkor ismerné a közlekedési szabályokat és megtanulná az autópálya-közlekedés ismérveit. Azonban nem tudjuk szétszedni a mesterséges intelligenciát és megtalálni benne ezt a megtanult szabálykönyvet. Valójában az MI egyáltalán nem ismeri a közúti szabályokat. Mindössze mintát, felismerést és reagálást tud. Ez azt jelenti, hogy nem tudjuk megjósolni, hogyan fog reagálni a mesterséges intelligencia, mivel a szabályrendszer, mely szerint játszik, nem megismerhető. Ez az egyik lehetséges oka annak, hogy tavaly a Tesla FSD-jét lefilmezték, amint olyan manővert hajtott végre, mely elgázolt volna egy kerékpárost, annak ellenére, hogy a rendszerek azonosították a biciklist. Szerencsére a sofőr figyelt, és visszavette az irányítást, megmentve a bringást. Hogy ez miért történt, nem tudjuk, de ha az FSD valóban intelligens lenne és értené a közlekedési szabályokat, nem így vezetett volna. Ugyanezt láthatjuk a GPT4-ben is. Bár nagyon-nagyon jól utánozza a természetes emberi írást, nincs meg a logikája ahhoz, hogy egy összefüggő érvelést felépítsen. Hamis tényeket talál ki, és az érvelése hihetetlenül hibás lehet. Ráadásul nem, vagy csak nehezen idézi a forrásait, vagy akár ki is találja őket. Ez azért van, mert a GPT4 csak az emberi írást tudja utánozni, és nem rendelkezik az intelligenciával ahhoz, hogy aktívan részt vegyen a beszélgetésben vagy egy összefüggő szöveg megírásában. A mostani állapotában jelenleg csak olyan nem tényszerű írásokhoz alkalmas, melyek szórakoztatónak tűnnek, ezért nem használjuk őket.
A minták felismerése még nem segít
Egy utolsó példa erre a híres AlphaGo, mely az első mesterséges intelligencia volt, mely legyőzte az emberi játékost és a Go ősi és összetett társasjátékot. Azt gondolnánk, hogy mivel a vezetéshez vagy a beszélgetéshez képest viszonylag korlátozottan tanult meg valamit, rájött a Go összes szabályára és a játékmenetre. De ez nem így van. A kutatók megtalálták a módját annak, hogy egy abszolút kezdő szinte minden egyes alkalommal legyőzze az AlphaGo-t egy hihetetlenül egyszerű stratégia segítségével, mely teljes mértékben a szabályokon belül maradt. Ha az AlphaGo valóban ismerte volna a Go szabályait, akkor könnyedén átlátta volna, hogy mit csinál ez a kezdő játékos, és legyőzte volna őt. Ehelyett hihetetlenül kiszámíthatatlanul játszott és vesztett. Az AlphaGo nem intelligens. Nem érti, hogy mi történik. Mindössze mintafelismerést és válaszadást végez. És mint az összes többi mesterséges intelligencia, soha nem érthetjük meg teljesen, hogy miért reagál úgy, ahogyan reagál. Ezért veszélyes a mesterséges intelligencia. Nem arról van szó, hogy valamiféle szuperintelligencia, mely képes felülmúlni az embereket. Legalábbis még nem, és sok kutató szerint még évtizedekre vagyunk az ilyen mesterséges intelligenciától, és még akkor is csak korlátozott mértékben. Inkább arról van szó, hogy potenciálisan alkalmatlan eszközök a feladatra, és véletlenül katasztrófát okozhatnak. Vegyük például a GPT4-et. Képzeljük el, hogy hagyjuk, hogy egy politikai kampányt irányítson. Soha nem látott sebességgel ontaná magából a választóknak tetsző félretájékoztatást anélkül, hogy megértené a következményeket. De ezt a problémát még tovább is vihetjük. Mi lenne, ha hagynánk, hogy a gazdaságot, a hadsereget, a médiát, az egészségügyet, a közlekedést vagy az oktatást a mesterséges intelligencia irányítsa? Honnan tudjuk, hogy nem fog kiszámíthatatlanul viselkedni? Nem tudjuk, hiszen soha nem értheti meg, hogy valójában mit is csinál.
Buta gépek okos ruhában
A mesterséges intelligenciák buta gépek okos ruhákban. Nem értik a körülöttük lévő világot. Képesek utánozni a mintákat, de ez nem intelligencia. Ezt a nézetet sokan osztják már ma a mesterséges intelligencia területén. A kockázat akkor jelentkezik, ha az MI-t intelligensnek tekintjük, és autonómiát engedünk neki. A mesterséges intelligencia használatának ez az ellenőrizetlen módja óriási kockázatot jelent. A probléma itt az, hogy ahhoz, hogy az MI-vállalatok megérjék a mögöttük álló pénzösszeget, a rendszereiknek autonómiát kell biztosítani! Ráadásul sok vállalat és magánszemély örömmel használja az MI-t ilyen módon, mivel vagy csökkenti a rezsiköltségeket és növeli a nyereséget, vagy megkönnyíti az életüket. Ezért olyan fontos az a levél, amelyen 1000 MI-ipari vezető aláírása szerepel. Ha ugyanis van mód arra, hogy kiegyenlítsük a versenyfeltételeket, és biztosítsuk, hogy minden mesterséges intelligenciát megfelelő ellenőrzésekkel és protokollokkal kell ellátni annak érdekében, hogy ne éljenek vissza vele, illetve ne legyen túl nagy az önállósága, akkor ez a veszély jelentősen csökkenhet. Így egyetlen mesterséges intelligenciával foglalkozó vállalat sem kerülhet a piac élére azzal, hogy hagyja, hogy a mesterséges intelligenciája hatalmas mértékű autonómiára tegyen szert, mielőtt az, illetve az azt használó emberek felkészülnének rá. Jelenleg azonban az MI-fejlesztés nem szünetel, és ezek a protokollok és ellenőrzések nem készültek el. Tehát a dolgok jelen állása szerint a mesterséges intelligencia jelentős kockázatot jelent számunkra, de nem a „szuperintelligencia” miatt, hanem a gép és a gépet helytelenül használók hozzá nem értése következtében.
Az MI hidegindítási problémája
Miért küzdenek a vállalatok a mesterséges intelligencia bevezetésével, és hogyan lehet ezt leküzdeni? Ha az elmúlt három-négy évben lett valaki adattudós, és nem tapasztalta meg az 1990-es vagy a 2000-es éveket, sőt a 2010-es évek nagy részét sem a munkaerőpiacon, néha nehéz elképzelni, hogy mennyit változtak a dolgok. Manapság GPU-alapú adatbázisokat használunk több milliárd sor lekérdezésére, míg korábban szerencsések voltunk, ha napi összesített jelentéseket tudtunk készíteni. De ahogy hozzászoktunk az adatokhoz és az üzleti intelligenciához és analitikához, egy új probléma akadályozza meg a lelkes adattudósokat abban, hogy a játékproblémákon használt algoritmusokat a tényleges, valós üzleti problémákra alkalmazzák. Ez más néven megfogalmazva valójában a mesterséges intelligencia „hidegindítási” problémája.
Mit kezdjünk az adatokkal?
Minden olyan vállalatnak, legyen az induló vagy nagyvállalat, mely ki akarja használni a mesterséges intelligencia előnyeit, biztosítania kell, hogy tényleges hasznos adatokkal rendelkezzen. Míg egyes vállalatoknak elegendő lehet az alkalmazásuk vagy weboldaluk által generált egyszerű naplóadat, addig egy olyan vállalatnak, mely képes akar lenni arra, hogy az MI-t üzleti tevékenységének (termékeinek, szolgáltatásainak) fejlesztésére használja, biztosítania kell, hogy az általuk gyűjtött adatok a megfelelő típusú adatok legyenek. Az iparágtól és az üzleti tevékenységtől függően a releváns típusú adatok lehetnek naplóadatok, tranzakciós adatok, numerikus vagy kategorikus adatok, az adatokkal dolgozó személyen múlik, hogy eldöntsék, milyen típusú adatokra van szükségük. A releváns adatok összegyűjtése mellett egy másik nagy lépés annak biztosítása, hogy az adatok, melyekkel dolgoznak, helyesek legyenek. Ez azt jelenti, hogy az adatok ténylegesen reprezentálják azt, ami történt. Ha az összes fizetési tranzakciót meg akarjuk számolni, tudnunk kell, hogy mi a tranzakció definíciója, kezdeményezett tranzakció vagy feldolgozott tranzakció? Miután megválaszoltuk ezt a kérdést, és megbizonyosodtunk arról, hogy a szervezet egyetért vele, használhatjuk a munkához is. A SCRUM széles körű elterjedésével a vállalatoknak erőforrásokat kell fordítaniuk arra, hogy biztosítsák az adatok helyességét. A vállalatok, új adatforrásokat adhatnak hozzá, a kódban olyan változásokat, melyek hatással lehetnek a naplózott adatokra, vagy akár olyan külső hatásokat, mint a GDPR vagy a PSD2, melyek miatt az adatokat módosítani kell, mert azokat jobban kell védeni vagy más módon kell tárolni. Azzal, hogy minden egyes folyamat során biztosítják az adatok helyességét, csak ezután léphetünk tovább az analitika következő fázisára.
Adatokból analitika
Bár jelenleg mindenki a mesterséges intelligenciáról beszél, mielőtt odaérnénk, még mindig meg kell tennünk egy köztes lépést, ami az analitika. Analitika alatt az adatok vagy statisztikák szisztematikus számításos elemzését értem. A legtöbb vállalatnál az adatok vizualizációjához vezető folyamatot talán kevesen ismerik, de az egyes részlegekre gyakorolt hatása óriási. Az analitika az adatok vagy statisztikák szisztematikus számítási elemzése. A vállalatoknak meg kell határozniuk, hogy mely kulcsfontosságú teljesítménymutatók (KPI-k) mozgatják valójában az üzletet. A pénzforgalmi ágazatban dolgozva a KPI közé tartoznak a feldolgozott bevételek, a tranzakciós költségek, a nyereség, az engedélyezési arányok, a visszaterhelési arányok, a csalások és sok más olyan adat, amely az üzlet teljesítményének irányításához szükséges információkkal lát el. Egy taxi alkalmazás esetében a KPI-k közé tartozhat a bevétel, a nyereség, az átlagos felvételi idő, az átlagos menetidő, az aktív felhasználók és az aktív sofőrök. Ezekből a KPI-kből a vállalat eldöntheti, hogy milyen típusú jelentésekre van szükség ahhoz, hogy az üzleti felhasználók megalapozott döntéseket hozhassanak, és dolgozhatnak az adatok vagy statisztikák szisztematikus számítógépes elemzésének automatizálásán. Mivel azonban az adatmennyiség terabyte-okra nőtt, és az üzleti felhasználók egyre inkább az adatok összesített jelentéseit és vizualizációit nézik, a kisebb problémák felismerésének esélye jelentősen csökken. Csak ekkor válhat az MI bevezetése az idő és az erőforrások kezelését megfelelően kezelő befektetéssé.
Az analitikától az MI-ig
Miután meghatároztuk az üzlet irányítását segítő KPI-ket, a mesterséges intelligencia felhasználható e KPI-k javítására. Ebben az esetben a mesterséges intelligencia az a racionális ágens, amely algoritmusokat használ egy adott forgatókönyvhöz a legjobb eredmény eléréséhez. Például, mivel az engedélyezési arány a fizetési ágazatban nagyon fontos a nagy kereskedők számára, mivel naponta több millió tranzakciót dolgoznak fel, a legmagasabb engedélyezési aránnyal rendelkező PSP lehet az, aki a legnagyobb engedélyezési aránnyal rendelkezik, ami eldöntheti vagy megtörheti az üzletet, vagy a nagy kereskedők esetében a forgalmat vagy nem. Az engedélyezési ráta napi szintű nyomon követésével képesek vagyunk kitalálni, hogy idővel milyen a teljesítményünk. Mivel elemzés megállapította, hogy a tranzakciók különböző elfogadó bankokon keresztül történő átirányítása két különböző KPI-hez vezet. A mesterséges intelligencia segítségével megtanulhatjuk, hogy az egyik elfogadó bank melyik forgatókönyvben teljesít jobban, mint a másik, és automatikusan átirányíthatjuk a tranzakciókat a legjobban teljesítő elfogadóhoz. Mivel az általunk bevezetett mesterséges intelligencia modell és logika pozitívan befolyásolja az engedélyezési arányt, a kapcsolódó KPI-ket is. Mivel a magasabb engedélyezési arány magasabb feldolgozott bevételt eredményez, ami magasabb nyereséget eredményez.
Miért küzdenek a vállalatok az MI-val?
Miért küzdenek tehát a vállalatok az MI-val? A technológia gyors hullámai miatt sok vállalat kissé tanácstalan, hogy mire is kellene összpontosítaniuk. Az adatközpontokból a felhőbe, a webről a mobil webről a natív alkalmazásokba és a nagy adatmennyiségtől az MI-hez való átmenet nem könnyítette meg a vállalatok dolgát. Különösen a CFO és a CTO közötti viták – aki az egyik oldalon a költségeket akarja csökkenteni, a másik oldalon pedig a lehető legjobb technológiát szeretné a rendelkezésére bocsátani – vezethetnek határozatlansághoz, ami pedig döntésképtelenséghez vezet. A másik ok, amiért a vállalatok küzdenek az MI-val, az a komoly bizonyítékok hiánya arra vonatkozóan, hogy az MI ténylegesen hatásos lehet, ez sok embert arra késztet, hogy azt higgyék, hogy ez csak egy hype, és végül el fog tűnni. Számos iparág, köztük a pénzügyi szolgáltatások, a közlekedés és a biztosítási ágazat már használta az adatokat és a számítógépes döntéshozatalt, hogy hatással legyen az üzletmenetére, de sok más iparágat, melyek nem rendelkeznek ugyanilyen szintű adatokkal, nehezebb meggyőzni arról, hogy az MI hatással lehet az üzletmenetükre.
Hogyan lépjünk túl a hidegindítási problémán?
Ahogyan az üzleti élet digitalizációja másfajta gondolkodásmódot igényelt, úgy az algoritmizáció is. Azzal, hogy a technológia mindenki számára elérhetővé vált, a verseny fokozódott és számos iparágat árucikké tett. Az MI gondolkodásmód vállalatként való elfogadása és az ennek megfelelő cselekvés az első, de legfontosabb lépés az MI-val kapcsolatos hidegindítási probléma leküzdésében. Az új technológiai startupoknak könnyebb dolguk van, mert nincs előzmény, és a vállalaton belül senkit sem kell meggyőzni arról, hogy szükség van rá. Tehát attól a pillanattól kezdve, hogy egy startup megtervezi és megírja az alkalmazását, az MI-gondolkodásmód elfogadása óriási hatással lesz a meghozandó döntésekre és arra, hogy az adatokat hogyan használják fel egy jobb üzlet (termék, szolgáltatás) felépítéséhez. A hagyományos vállalatok előtt nagyobb kihívás áll. Mert még ha a felsővezetés meg is van győződve arról, hogy a Google, az Amazon és a Microsoft útját követve az MI-elsővé válás a helyes út, a legtöbb alkalmazottat nem lesz könnyű meggyőzni. És mint minden projekt esetében, a sikerhez elengedhetetlenül fontos, hogy mindenki a fedélzeten legyen.
