(Kiemelt kép: Unsplash+)
Az adatok központosítása merevséget eredményez, ami akadályozza a felmerülő üzleti igényekre való gyors reagálást. Az irányítás egyetlen csapatban való összpontosítása megfojtja a legtöbb tudásalapú dolgozó számára az adatokhoz való szélesebb körű hozzáférést. Az „egyméretű” adatmodell ritkán felel meg a különböző területek és termékek speciális igényeinek. Az új adatforrásoknak a központosított sémával való folyamatos összehangolásának követelménye fenntarthatatlan technikai adósságot okoz. A modularizáció hiánya azt jelenti, hogy a kis változtatások nagymérvű, visszafejlődő átalakításokba torkollnak.
Az adatok demokratizálásának víziója következésképpen óriási vonzerőre tett szert: az adatok tulajdonjogának elosztása, hogy a decentralizált csapatok számára lehetővé tegye az eszközök közvetlen felhasználását a saját egyedi igényeikhez igazítva. Ez megkönnyíti a szervezeti agilitást, miközben enyhíti a rendszerszintű szűk keresztmetszeteket. Az egyértelműen meghatározott felelősségi körökkel rendelkező moduláris adattermékek hatékonyan összeállíthatók, testre szabhatók és kiszolgálhatók. Nem szabad azonban alábecsülni a mélyen gyökerező centralizált architektúrákról a decentralizált önkiszolgálásra való áttérés puszta komplexitását, különösen a nagy globális vállalatok esetében. A technikai rendszerek újratervezésén túl a legveszélyesebb következmények a fragmentálódás: a szemantikai egység felbomlása, ahogy a régóta fennálló adatjelentések, definíciók és szabályok szétfoszlanak.
E szemantikai szakadék áthidalásához intelligens automatizálásra van szükség, mely képes megbízhatóan összehangolni a terminológiát, a kategóriákat és a szabályokat az üzleti területek között. A generatív mesterséges intelligencia különösen ígéretesnek tűnik ezen a téren olyan modellekkel, melyek képesek: új adatforrások átvizsgálására és pontos osztályozására a közös ontológiai hivatkozások alapján. Terminológiai változatok azonosítására és összekapcsolására a kanonikus definíciókkal. Az ontológiák fokozatos bővítésére a felmerülő attribútumok alapján történő lehetőségek felajánlásával. Ahhoz azonban, hogy a generatív algoritmusok ilyen, valódi üzleti értéket nyújtó képességeket nyújthassanak, továbbra is elengedhetetlen az előzetes szemantikai modellezés. A csapatokon átívelő, ésszerűen egységes adatmegértést biztosító elvi ontológiai erőfeszítések nélkül az MI-rendszerek nehezen fogják megérteni az alapvető szervezeti fogalmak alapjául szolgáló definíciókat és kapcsolatokat.
A strukturálatlan adatok gyakran kevés jelet tartalmaznak a modellek számára a beágyazott jelentést tisztázó szemantikai dúsítás nélkül. A szerkezetet ki kell „faragni”, hogy a jelet ki lehessen választani a zajból, mielőtt a számítógépes intelligencia gyümölcsöt teremne. Ennek megfelelően, bár a mesterséges intelligencia „megkönnyebbülést” ígér az egyeztetési terhek alól, ennek tényleges megvalósítása vállalati szinten a szemantika összehangolása körüli alapos ontológiai erőfeszítésektől függ. A kézi és az automatizált megközelítések egymástól függő pillérek az elkerülhetetlen decentralizációs hullámok kezelésében. A generatív MI önmagában nem tudja teljesíteni a demokratizálási reményeket az alapvető szemantikai összehangolás nélkül, mely az adatokat olyan szintre emeli, ahol az algoritmusok képesek megragadni és összekapcsolni a felismeréseket.
A szemantikai szakadék szélesedik
A központosított adatkezeléssel a terminológia, a definíciók és az üzleti szabályok vállalaton belüli egységesítése biztosítja a közös jelentéstartalmakat. A szabványoknak való megfelelést a hatóság írja elő. A moduláris autonómia azonban eltéréseket szít. Amikor a hosszú távú szerződéses szemantika felbomlik, rendezetlenség alakul ki. A korábban általánosan elfogadott ügyféladatok hirtelen eltérnek a regionális rendszerek és feltételezések alapján. A rendelés státusza nagyon különböző dolgokat jelent a központ és a regionális üzleti egységek között. A termékkatalógusok szinkronizálása összetetté válik, mivel a kategóriák és hierarchiák elágaznak. Az olyan kritikus mérőszámok, mint a bevétel, a vállalati irányelvek hiányában félreérthetővé válnak.
Ez a széttagoltság akadályozza a megosztott tulajdonlás és termékközpontúság által ígért agilitás-javulást. Ha a mögöttes megértés változik, és az adatokat továbbra is újra fel kell dolgozni, akkor a mérnökök számára az architekturális átmenetek ellenére az üzleti csapatok számára kevés változás történik. Valójában az önkiszolgálás csökken, mivel a megbízható adatok felkutatása és egyeztetése egyre nagyobb kihívást jelent. Míg az erőltetett szabványok hátránya a szuboptimális merevség és a hozzáférési súrlódások voltak, a szerves decentralizáció saját komplexitásokat hoz magával. Hogyan használhatják ki a vállalatok a rugalmassági előnyöket anélkül, hogy szemantikai hiányosságokban botlanának? Ahogyan az elektromos hálózati protokollok a decentralizált eszközfejlesztés és használat ellenére lehetővé tették a készülékek ökoszisztémáját, a szemantikus adatprotokollok ösztönözhetik az elosztott adatok interoperabilitását. Ez a közös ontológiai modellekhez rögzített, föderált szemantikus adattermékek révén érhető el.
Az elosztott intelligencia működtetése a föderált szemantikán keresztül
A kialakult webes ökoszisztéma a schema.org-hoz hasonló szemantikus adatszabványok alapjaira építve, koncentrált ellenőrzés nélkül virágzik. Két fő pillér biztosítja a struktúrát:
Megosztott adatmodellek: A Schema.org, egy közösen karbantartott webes ontológia, szabványosítja az olyan tipikus fogalmakat, mint az események, helyek és értékelések. Ez a közös hivatkozás megakadályozza a weboldalak közötti széttöredezettséget.
Rugalmas ragaszkodás: A weboldalak megjegyzésekkel látják el oldalaikat, amelyek a schema.org fogalmainak megfelelő entitásokat jelölnek, lehetővé téve a keresőmotorok számára a tartalom megértését. Nincs végrehajtó hatóság, amely előírná a megfelelést.
Ez egy olyan ökoszisztémát hoz létre, amely lenyűgöző élményeket nyújt. A Google összesíti az eseményeket, hogy helyi tevékenységeket ajánljon. A közösségi alkalmazások automatikusan felismerik az interakciókat. A piacterek megbízhatóan kinyerik a termékadatokat. Mindezek központosított irányítás nélkül, ehelyett az érték ígérete által ösztönzött önkéntes, szövetségi részvételen alapulnak.
A vállalatok hasonlóan könnyített szemantikai modelleket hozhatnak létre: lényegében a kulcsfontosságú üzleti fogalmak, felelősségi körök és irányelvek szabványos taxonómiáját, mely elég rugalmas ahhoz, hogy a tartományok helyileg adaptálhassák. A fogalmak továbbra is a közös szótári definíciókhoz kötődnek. Ez egyensúlyt teremt a koherencia és az autonómia között. A különböző rendszerek egyszerű megjegyzésekkel történő összekapcsolása ezekkel a modellekkel lehetővé teszi, hogy a generatív algoritmusok megbízhatóan feldolgozzák az adatokat a kontextusban. A technikai kihívás a törékeny univerzális sémák előírása helyett a szemantikai heterogenitás kíméletes feloldására irányul. A globális megértést nem lehet teljesen központosítani emberi irányelvekben vagy kódokban, de a mesterséges intelligencia segítségével kellőképpen automatizálható.
Generatív mesterséges intelligencia a vállalatok szolgálatában
Mivel a szemantikai koherencia ésszerűen elérhető a közös fogalmi modellekhez való föderált megjegyzésekkel, a rugalmasság és a válaszkészség megvalósítása a vállalati csapatok integrációs terhektől való megszabadításától függ. A generatív mesterséges intelligencia ezt ígéri. Ahol korábban az adatmérnökök kézzel térképezték fel a sématranszformációkat kódoló rendszereket törékeny ETL-szkriptekben, a gépi tanulási modellek automatikusan felszabadíthatják a rutinterhek túlnyomó többségét: ilyen az új adatforrásokat ontológiai hivatkozásokkal való szkennelése az osztályozás és a megfelelő címkézés érdekében. A terminológiai változatok azonosítása és a kanonikus fogalmakkal való megbízható összekapcsolás. Vagy a javaslatok az ontológia bővítésének lehetőségeire az újonnan megjelenő attribútumok alapján. Illetve a lekérdezések lefordítása a termékspecifikus szókincsek között. Valamint a tudásgráfok feltöltése, melyek a felismert mintákon keresztül összekapcsolják a kapcsolódó entitásokat. De sémaváltoztatásokat is javasolhat az új adathalmazok kezeléséhez. Ami korábban egyedi kézműves munka volt, az most nagymértékben automatizálható gyártássá válik. A csapatok a rendszerek monoton és hibatűrő feltérképezéséről magasabb rendű kurátori feladatokra (kivételkezelésre, folyamatos ontológiafejlesztésre és területközi igényelemzésre) térhetnek át.
E lépésváltás hátterében az áll, hogy a modellek képesek legyenek a szemantika megfelelő megértésére, hogy az adatokkal kapcsolatos következtetések megbízható üzleti értéket nyújtsanak. Ugyanezek a grafikonok, melyek az embereket a vásárlási eseményekhez kapcsolják, a gyanús szekvenciákat jelzik. A hasonló termékek a közös vásárlói bázisok alapján csoportosulnak. A mérőszámok megfelelően normalizálják az olyan dinamikákat, mint az infláció és az üzleti ciklusok. Az emberi erőfeszítések automatizált intelligenciával történő kiegészítése a lehetséges felhasználási eseteket a vállalati szintű gyakorlati felhasználóvá teszi.
A mesterséges intelligencia ígérete és veszélye
Az automatizálás a működési ismétlődésektől az egyre tudásigényesebb területek felé mozdul el, ami figyelemre méltó lehetőségeket és potenciális veszélyeket is egyaránt rejt magában. Körültekintően kezelve a generatív modellek nagymértékben enyhíthetik a komplexitást, mely akadályozza a vállalkozásokat abban, hogy kihasználják az agilisabb architektúrákat és a csapatok összehangolását. Ez felgyorsítja az adatok demokratizálódását, ami szélesebb körű hozzáférést és hatást tesz lehetővé. A csapatok könnyebben átlépik a bürokrácia korlátait, hogy közösen foglalkozzanak az ügyfelek igényeivel. A túlzott automatizálás azonban, ha „önelégülten” kezelik, azzal a kockázattal jár, hogy a nehezen megszerzett szakterületi ismeretek elvesztését kockáztatja. A lazán ellenőrzött algoritmusok finoman kódolhatnak elfogultságokat és feltételezéseket, melyek elkerülhetik a vizsgálatot. A globális vállalatokon belüli szerepek és készségösszetételek átalakulását pedig strukturális gazdasági változások kísérik.
Az óvatos átállás, az előnyök és kockázatok folyamatos oktatása mellett továbbra is létfontosságú. A már széles körben alkalmazott gyakorlatok kiválasztása útmutatást nyújt: legyenek azok szabványos webes protokollok vagy belső automatizálási vezetők. Az emberi felügyelet, felelősség és elszámoltathatóság párosítása a gépi segítséggel a legkiegyensúlyozottabb útnak tűnik. Az adatok jövője valószínűleg a mesterséges és az emberi intelligencia erejét ötvöző hibrid formában rejlik. A hídépítés, mely lehetővé teszi, hogy az emberek könnyebben hozzáférjenek az exponenciálisan bővülő külső tudáshoz, továbbra is alapvető előrelépés. E jövőkép pillérei a közös szemantikus adatszabványokon és a mesterséges intelligenciához való nagyvonalú, egyenlő hozzáférésen nyugszanak.
Az MI-szakadék áthidalása
A mesterséges intelligencia ereje nem korlátozódhat néhány kiválasztottra. Ehelyett olyan eszköznek kell lennie, mely mindenki számára elérhető, függetlenül társadalmi-gazdasági helyzetétől vagy iskolai végzettségétől. Az MI megjelenése technológiai forradalmat hozott, de nem mindenki tapasztalja egyformán. A Pew Research Center „Hogyan gondolkodnak az amerikaiak a mesterséges intelligenciáról” című felméréséből kiderül, hogy bár a legtöbb amerikai tisztában van a mesterséges intelligenciával, a különböző demográfiai csoportok között jelentős különbségek vannak a megértésében és elfogadásában. A mesterséges intelligencia ismeretében és használatában mutatkozó egyenlőtlenségek nem csak az Egyesült Államokra jellemzőek. Az Ipsos felmérése, melyet a Világgazdasági Fórum „5 diagram, mely megmutatja, mit gondolnak az emberek a világon az MI-ról” című cikkében mutatott be, hasonló mintát mutat globálisan: az emberek elvárásai az MI életükre gyakorolt hatásával kapcsolatban nagymértékben eltérnek országonként és az MI megértésének szintjétől függően. Az MI-hozzáférés és az MI megértése terén mutatkozó egyenlőtlenségek az általunk „MI Megosztás”-nak nevezett szakadékot hozzák létre. Ez a szakadék nem csak arról szól, hogy ki használja vagy ki érti a mesterséges intelligenciát, hanem arról is, hogy ki profitál belőle.
Jelenleg a magasabb iskolai végzettséggel és jövedelemmel rendelkezők nagyobb valószínűséggel használják az MI-t és élvezik annak előnyeit. Nekik több lehetőségük van az MI megismerésére, nagyobb hozzáférésük van az MI-eszközökhöz, és nagyobb kapacitásuk van arra, hogy a személyes és szakmai fejlődés érdekében kihasználják. Ezzel szemben az alacsonyabb iskolai végzettségűek és az alacsonyabb jövedelemmel rendelkezők gyakran lemaradnak, és nem részesülnek a mesterséges intelligencia által kínált előnyökből. Ez az egyenlőtlenség ahhoz hasonlít, mint a különbség aközött, hogy kilométereket kell gyalogolni a vízért, vagy hogy a vízvezeték közvetlenül az otthonunkba szállítja a vizet: de ez hozzáférés és csak idő kérdése. A mesterséges intelligencia megosztottságának kezelése kulcsfontosságú. Ha nem kezeljük, akkor ez tovább súlyosbíthatja a meglévő társadalmi és gazdasági egyenlőtlenségeket. Mivel a mesterséges intelligencia továbbra is áthatja életünk minden területét, biztosítanunk kell, hogy hátterétől függetlenül mindenkinek lehetősége legyen megérteni, használni és hasznosítani ezt az átalakító technológiát.
A mesterséges intelligencia demokratizálásának fontossága
A mesterséges intelligencia demokratizálása több mint magasztos eszme; a társadalmi fejlődéshez szükséges. Mivel a mesterséges intelligencia egyre inkább beépül a mindennapi életünkbe, alapvető fontosságú, hogy mindenkinek lehetősége legyen megérteni és használni ezt a technológiát. A mesterséges intelligencia demokratizálása azt jelenti, hogy le kell bontani azokat az akadályokat, melyek megakadályozzák az embereket abban, hogy hozzáférjenek a mesterséges intelligenciához és hasznot húzzanak belőle, legyenek ezek az akadályok oktatási, gazdasági vagy kulturális jellegűek. Miért olyan fontos ez? Egyrészt, mert a mesterséges intelligencia demokratizálása segíthet csökkenteni az előző részben tárgyalt mesterséges intelligencia megosztottságot. Azzal, hogy mindenki számára elérhetővé tesszük az MI-eszközöket és az oktatást, biztosíthatjuk, hogy az MI előnyei méltányosabban oszoljanak meg a társadalomban. Ez segíthet csökkenteni annak kockázatát, hogy az MI súlyosbítja a meglévő egyenlőtlenségeket.
Ezen túlmenően a mesterséges intelligencia demokratizálása több innovációhoz és jobb mesterséges intelligencia-rendszerekhez vezethet. Ha az emberek széles köre használhatja és értheti meg a mesterséges intelligenciát, akkor a nézőpontok és ötletek szélesebb skáláját vethetik fel. Ez olyan mesterséges intelligencia-rendszerek fejlesztéséhez vezethet, melyek innovatívabbak, befogadóbbak, és az igények és kihívások szélesebb körére reagálnak. A széles körű mesterséges intelligencia-ismeret potenciális előnyei óriásiak. Amint azt a „Democratization of AI: What It Is, Why It Matters, and How It’s Changing the World” című cikk is kiemeli, az MI-műveltség képessé teheti az egyéneket arra, hogy az MI-eszközöket életük és munkájuk javítására használják, a hétköznapi feladatok automatizálásától kezdve a megalapozottabb döntések meghozataláig. Társadalmi szinten a mesterséges intelligencia ismerete segíthet egy tájékozottabb és elkötelezettebb polgárság kialakításában, mely képes részt venni a mesterséges intelligencia felhasználásáról és irányításáról szóló vitákban és döntésekben. Röviden, az MI demokratizálása nem csupán a méltányosságról szól, hanem arról is, hogy az egyének és a társadalom egésze számára teljes mértékben kiaknázzuk a mesterséges intelligenciában rejlő lehetőségeket.
Stratégiák a demokratizálásra
A mesterséges intelligencia demokratizálása összetett kihívás, mely sokoldalú megközelítést igényel. A kormányzati kezdeményezésektől az alulról jövő erőfeszítésekig számos stratégiát lehet alkalmazni az MI-hozzáférés kiterjesztésére és az MI-műveltség előmozdítására. A kormányzati kezdeményezések döntő szerepet játszhatnak a mesterséges intelligencia demokratizálásában. A kormányok befektethetnek a mesterséges intelligencia oktatásába és képzési programokba, politikákat hozhatnak létre a mesterséges intelligencia eszközeihez való egyenlő hozzáférés biztosítására, valamint előmozdíthatják a mesterséges intelligencia fejlesztésének és használatának átláthatóságát és elszámoltathatóságát. Együttműködhetnek technológiai vállalatokkal, oktatási intézményekkel és nonprofit szervezetekkel is a mesterséges intelligenciához való hozzáférés és a műveltség kiterjesztése érdekében. A helyi szintű erőfeszítések ugyanilyen fontosak. A közösség által vezetett kezdeményezések segíthetnek abban, hogy az MI-oktatás és az MI-eszközök eljussanak az alulreprezentált és „alul szolgáltatott” közösségekhez. Ezek a kezdeményezések különböző formákat ölthetnek, a kódolótáboroktól és a mesterséges intelligencia műveltségi műhelyektől kezdve az online erőforrásokig és mentorprogramokig.
Az oktatás a mesterséges intelligencia demokratizálására irányuló stratégiák kulcsfontosságú eleme. Amint azt a „Mesterséges intelligencia az oktatásban” című cikk is kiemeli, az MI-oktatás beépítése az iskolai tantervbe segíthet abban, hogy a diákok megkapják azokat az ismereteket és készségeket, amelyekre szükségük van a mesterséges intelligencia által vezérelt világban való eligazodáshoz. Az MI-oktatásnak azonban nem szabad az osztálytermekre korlátozódnia. Az egész életen át tartó tanulási lehetőségek (az online tanfolyamoktól a szakmai továbbképzési programokig) segíthetnek abban, hogy életkortól és karrierfázistól függetlenül mindenkinek lehetősége legyen az MI megismerésére. A mesterséges intelligencia demokratizálása nem olyan feladat, amelyet egyik napról a másikra el lehet végezni. Tartós erőfeszítést, együttműködést, valamint a méltányosság és a befogadás iránti elkötelezettséget igényel. De a potenciális hozadék (egy olyan társadalom, ahol mindenki megérti, használja és hasznosítja a mesterséges intelligenciát) megéri az erőfeszítést.
A mesterséges intelligencia mint alapvető szükséglet
Mivel a mesterséges intelligencia egyre inkább összefonódik létezésünk minden területével, a munkahelyünktől az otthonunkig, egyre világosabbá válik, hogy a mesterséges intelligencia eszközeihez való hozzáférést és a mesterséges intelligencia megértését alapvető szükségletnek kell tekinteni, hasonlóan az élelmiszerhez vagy a lakhatáshoz. Ahogyan felismerjük annak fontosságát, hogy mindenki számára biztosítsuk a minőségi oktatáshoz, az egészségügyi ellátáshoz és más alapvető szolgáltatásokhoz való hozzáférést, ugyanúgy fel kell ismernünk annak fontosságát is, hogy mindenki számára biztosítsuk a mesterséges intelligenciához való hozzáférést. Miért kell a mesterséges intelligenciát alapvető szükségletnek tekinteni?
Egyrészt, mert a mesterséges intelligencia képes jelentősen javítani a termelékenységünket, a döntéshozatalunkat és az életminőségünket. A megalapozottabb egészségügyi döntések meghozatalától kezdve a hétköznapi feladatok automatizálásáig az MI megkönnyítheti és hatékonyabbá teheti az életünket. Ahhoz azonban, hogy ezeket az előnyöket kiaknázhassuk, hozzá kell férnünk a mesterséges intelligencia eszközeihez, és értenünk kell, hogyan kell használni őket. Valójában tudnunk kell a létezésükről. Sőt, ahogy a mesterséges intelligencia egyre inkább beépül a társadalomba és a gazdaságba, egyre fontosabbá válik a munkaerőpiacon és a társadalomban való részvételhez, hogy megértsük és használni tudjuk a mesterséges intelligenciát. Azok, akik nem férnek hozzá a mesterséges intelligencia eszközeihez és nem értik azokat, azt kockáztatják, hogy lemaradnak, ami tovább súlyosbítja a meglévő társadalmi és gazdasági egyenlőtlenségeket.
A mesterséges intelligenciához való méltányos hozzáférés biztosítása mindannyiunk, de különösen a kormányok és a technológiai vállalatok felelőssége. A kormányok szerepet játszhatnak a mesterséges intelligencia oktatásába való befektetéssel, a mesterséges intelligencia eszközeihez való méltányos hozzáférést biztosító politikák kialakításával, valamint a mesterséges intelligencia fejlesztésének és használatának átláthatóságával és elszámoltathatóságával. A technológiai vállalatok a maguk részéről azzal járulhatnak hozzá, hogy elérhetőbbé és felhasználóbarátabbá teszik a mesterséges intelligencia eszközeiket, befektetnek a mesterséges intelligencia oktatásába és képzési kezdeményezésekbe, és azon dolgoznak, hogy mesterséges intelligencia rendszereik befogadóak és méltányosak legyenek. A mesterséges intelligencia nem csupán a jövő eszköze, hanem a jelen eszköze is. És olyan eszköz, amelyet hátterétől függetlenül mindenkinek lehetőséget kell kapnia arra, hogy használhassa és hasznosíthassa.
