(Kiemelt kép: Unsplash+ )
Manapság úgy tűnik, hogy minden egyes alkalommal, amikor valamilyen áttörést hozó technológiát látunk, mely megváltoztatja az életünket, csalódnunk kell a kezdeti lelkesedés és hype után. A média folyamatosan számol be új számítástechnikai áttörésekről, csodaszerekről, új energiaforrásokról és még sok másról. Sajnos csak nagyon kevesen kerülnek ki a laboratóriumból, és még kevesebben bizonyulnak eléggé életképesnek ahhoz, hogy befolyásolják az életünket. Ezek közül sok valódi felfedezés, melyet komoly tudósok hoztak létre, és melyekről jó hírű források számolnak be. A probléma a tudomány működésével van. Bármikor számtalan izgalmas lehetőség adódhat, de csak nagyon kevés valósul meg, és még azok közül is, melyek megvalósulnak, általában évtizedekbe telik, mire hatásos lesz a hatásuk a gazdaságban. A digitális technológia remek példa arra, hogy ez hogyan történik. Ahogy AnnaLee Saxenian a Regional Advantage című könyvében kifejtette, az 1970-es és 80-as években, amikor Boston volt a technológiai univerzum központja, a Szilícium-völgy egy olyan ökoszisztémába fektetett be, mely nemcsak vállalatokat, hanem tudományos laboratóriumokat, egyetemeket és közösségi főiskolákat is magában foglalt. Viszont New England elutasította ezt a megközelítést, az eredmények ma már magukért beszélnek. Ha meg akarjuk érteni a holnap technológiáját, ne próbáljunk meg elképzelni egy-egy olyan ötletet, mely még senkinek sem jutott eszébe, hanem nézzük meg, milyen problémákon dolgoznak ma az emberek. Megtaláljuk így a kvantum-számítástechnikán dolgozó hatalmas hálózatokat, a szintetikus biológia jelentős gazdaságát, az anyagtudományok terén tett nagyszabású erőfeszítéseket és az energiatároló startupokba befektetett dollármilliárdokat is. Ezért van az, hogy ha meg akarjuk nyerni a jövőt, akkor be kell fektetnünk a megfelelő mai ökoszisztémákba. A csomópontok azok, melyek megragadják a figyelmet, de a hálózatok azok, melyek a dolgokat valójában megvalósítják.
Terjeszkedő MI-ökoszisztémák
A tudomány és a technológia gyorsan fejlődik. Ahogyan az is, hogy az iparágak hogyan használják ki ezeket. Miközben ezt a cikket olvassa, éppen egy új technológiai világ felé haladunk. Egy olyanba, mely egyre inkább többféle modellből és azok különböző függőségeiből álló, széles MI-ökoszisztémát fog tartalmazni, melyet a készségek, az irányítás és a gépi tanulás (ML), mérnöki tevékenység (az adattudósok és a szoftvermérnökök együttműködése a gépi tanulás teljesítményének és skálázásának irányítása érdekében) új megközelítései hajtanak majd. Az egyes szervezetekben az összekapcsolt modellek e gyors növekedését „MI-ökoszisztémának” is nevezzük. Ami az mesterséges intelligenciát illeti, három év múlva a legnagyobb kihívás, mellyel a vállalkozásoknak szembe kell néznie, az lesz, hogy elsajátítsák az egyik ilyen ökoszisztéma működtetésének komplexitását. Négy tendenciát kell szem előtt tartanunk ehhez viszont, hogy ez a jóslat valóra is váljon majd.
Jobb modellek
A legtöbb vállalat hamarosan túl lesz azon a ponton, amikor az első MI-modelleket létrehozták. Ehelyett inkább optimalizálják és tovább építik majd a már meglévő modelleket, és szükség esetén frissítik azokat. Mivel minden iparág kihívásai (és adatai) eltérőek, a szakterületi specializáció növekedését fogjuk látni – az egyes iparágak számára releváns tudományos technikákkal és tapasztalatokkal rendelkező adattudósok iránt ismét nagy lesz a kereslet.
Transzfer-tanulás
A természetes nyelvi feldolgozás (NLP) terén hatalmas növekedést fogunk látni, melynek messzemenő hatásai lesznek (például az ügyfélszolgálat teljes automatizálása). A transzfer-tanulásnak köszönhetően pedig a belépési korlátok e technológiák esetében sokkal alacsonyabbak lesznek, mint manapság. Az egy-egy probléma megoldása során szerzett ismereteket el lehet majd tárolni és automatikusan alkalmazni egy másik, de kapcsolódó feladatra adaptálva, ami jelentősen felgyorsítja az új alkalmazások piacra kerülésének idejét. Ez a fejlődés alapjaiban változtatja meg az MI-technológiát, és ezen új modellek finomhangolásához fejlett tudományos ismeretekre lesz szükség.
Új vezetési irányok
Az új előrejelző modellek piacra jutásának útja egyszerűbbé és gyorsabbá válik. És mivel egyre több MI-modell és felhasználási eset lesz a termelésben, fejlett vezetői modellekre lesz szükségünk, melyek képesek kezelni ezt a megnövekedett mennyiséget és összetettséget. Elengedhetetlen lesz, hogy felnőjünk ehhez az új kihíváshoz. Képesnek kell lennünk az adattudomány irányítására, és olyan értelmes kereteket, „védőkorlátokat” és ellenőrzéseket kell létrehoznunk, melyek biztosítják, hogy ez a munka megfeleljen az etikai normáknak, valamint az adatbiztonság és a modellek átláthatósága terén kialakított elveknek. Ezt szem előtt tartva a szervezeteknek már most el kell kezdeniük gondolkodni az adattudósok szerepéről és felelősségéről a vezetési modellek előre vitelében.
Tehetségek felismerése és gondozása
Ahogy az MI elfogadása felgyorsul, a vállalatoknak a szervezet minden szintjén nagyobb MI-műveltséggel kell rendelkezniük. Legalább a középszintű statisztikák ismeretére szükség lesz egészen a C-szintig, ha a vállalatok az adatvezérelt világban boldogulni akarnak. Mindennek van egy elkerülhetetlen hatása: az adattudományi készségek iránti kereslet meghaladja majd a kínálatot. És mivel az adattudomány és a gépi tanulás területén a mélyreható szakértelem továbbra is korlátozott lesz, a vállalatoknak új utakat kell kialakítaniuk a meglévő tehetségek továbbképzésére, belső „műhelyekkel”, melyek a keresett területeken ápolják és fejlesztik a „házi” szakértőket.
Most van itt az ideje a jövő építésének
Az MI-ökoszisztémák elterjedése a szervezetekben már most is folyamatban van. És ahogy az algoritmusok egyre összetettebbé válnak – és még inkább interakcióba lépnek -, úgy kezdik majd elérni vagy meghaladni az emberi képességeket a mai feladatokban. Ezen ökoszisztémák kimenetei új modellekbe kerülnek majd, melyek kimenetei viszont az utódaikba kerülnek és így tovább. Mindezek kezelése és összehangolása nagyon különleges modellezési, számítástechnikai és mérnöki képességeket igényel majd. Ezek kifejlesztésének ideje most jött el. Három év múlva már túl késő lesz elkezdeni és aggódni.
Miért kulcsfontosságú az együttműködés az ökoszisztémákban?
Az MI-ökoszisztémákban való önálló munka kihívást jelenthet bármely vállalkozás számára. Bár az MI képes forradalmasítani az iparágakat, a fejlesztés és a megvalósítás jelentős szakértelmet és erőforrásokat igényel. Az MI-projekteken egyedül dolgozó vállalkozásoknak korlátozott hozzáféréssel kell szembenézniük a speciális tehetségekhez, adatokhoz és infrastruktúrához. Ez lassú előrehaladást, megnövekedett költségeket és korlátozott innovációt eredményezhet. A mesterséges intelligencia területén való együttműködés segíthet a vállalkozásoknak leküzdeni ezeket a kihívásokat a csoport kollektív tudásának és erőforrásainak kihasználásával. A kiegészítő készségekkel rendelkező partnerekkel való együttműködés révén a vállalkozások a szakértelem, az adatok és az infrastruktúra szélesebb köréhez férhetnek hozzá, így jobb MI-modelleket és -alkalmazásokat hozhatnak létre. Emellett a más vállalkozásokkal való együttműködés segíthet megosztani az MI-fejlesztéssel kapcsolatos kockázatokat és költségeket, ami az erőforrások hatékonyabb felhasználását eredményezi.
Számos példa van a sikeres együttműködésekre a mesterséges intelligencia területén. Az IBM Watson és a Memorial Sloan Kettering Cancer Center például együttműködött egy olyan MI-rendszer kifejlesztésében, mely segít a rák diagnosztizálásában és kezelésében. A partnerség lehetővé tette az IBM számára, hogy hozzáférjen a Sloan Kettering hatalmas rák-adatbázisához és szakértelméhez, míg a Sloan Kettering az IBM MI-technológiájából és infrastruktúrájából profitált. Egy másik példa a Google és a DeepMind együttműködése, melynek eredményeként kifejlesztették az AlphaGo-t, egy mesterséges intelligencia programot, mely legyőzte a világbajnokot a Go játékban. A partnerség a Google számítási teljesítményét és a DeepMind mesterséges intelligenciával kapcsolatos szakértelmét ötvözte egy úttörő MI-rendszert hozva létre. Az Amazon és a NASA együttműködött a NASA FDL (Frontier Development Lab) kifejlesztésében, mely a mesterséges intelligenciát az űrkutatással kapcsolatos összetett problémák megoldására használta. A programban az MI-kutatók és űrkutatási szakértők közösen dolgoztak ki megoldásokat olyan kihívásokra, mint a napkitörések előrejelzése és más bolygók feltáratlan területeinek feltérképezése. A Facebook és a New York University (NYU) együttműködött a NYU-Facebook AI Research (FAIR) Lab létrehozásában. Az együttműködés célja olyan mesterséges intelligencia-rendszerek kifejlesztése volt, melyek jobban megértik az emberi nyelvet, és képesek interakcióba is lépni vele, a beszédfelismeréstől a chatbotokig terjedő alkalmazásokkal. A partnerség lehetővé tette a Facebook számára, hogy hozzáférjen a NYU kutatási szakértelméhez, míg a NYU a Facebook erőforrásaiból és infrastruktúrájából profitált. Ezek a példák jól mutatják az együttműködés erejét a mesterséges intelligencia területén, és azt, hogy miként segítheti a vállalkozásokat olyan áttörések elérésében, melyek egyedül nem biztos, hogy lehetségesek lettek volna.
Kihívások az együttműködésben
Miközben az MI terén folytatott együttműködés számos előnnyel járhat, számos kihívással is szembesülhetnek a vállalkozások. Néhány ilyen kihívás a következő:
Különböző célok: A vállalkozásoknak eltérő céljaik, határidejük és elvárásaik lehetnek, ami az együttműködés során nézeteltérésekhez és konfliktusokhoz vezethet.
Szellemi tulajdon: Az együttműködő vállalkozásoknak meg kell oldaniuk a szellemi tulajdonjoggal, megosztással és engedélyezéssel kapcsolatos összetett jogi és etikai kérdéseket.
Adatmegosztás: Az adatok megosztása érzékeny lehet, különösen akkor, ha a cégek bizalmas vagy védett információkat osztanak meg egymással. Az adatbiztonság, az adatvédelem és a megfelelőség biztosítása kihívást jelenthet.
Technikai integráció: A különböző technikai rendszerek, eszközök és platformok integrálása összetett lehet, különösen, ha azokat különböző gyártók fejlesztették ki, és nem kompatibilisek egymással.
E kihívások leküzdésére a vállalkozások több lehetséges megoldást is mérlegelhetnek:
Egyértelmű célok és elvárások meghatározása: Az együttműködés előtt a vállalkozásoknak világos célokat, határidőket és elvárásokat kell meghatározniuk. Ez segíthet annak biztosításában, hogy minden fél egyetért az együttműködés céljaival kapcsolatban.
Jogi keret kidolgozása: A cégek jogi megállapodásokat és kereteket dolgozhatnak ki a szellemi tulajdonjog, az adatmegosztás és egyéb jogi és etikai kérdések kezelésére.
Fogadják el az adatvédelmi és biztonsági legjobb gyakorlatokat: Az adatvédelem és az adatbiztonság biztosítása érdekében a vállalkozások olyan bevált gyakorlatokat alkalmazhatnak, mint az adattitkosítás, a hozzáférés ellenőrzése és az auditálás.
Nyílt szabványok és API-k használata: A technikai integráció megkönnyítése érdekében a cégek olyan nyílt szabványokat és API-kat alkalmazhatnak, melyek lehetővé teszik a különböző rendszerek és platformok együttműködését.
Támogassák a nyílt kommunikációt: A nyílt és átlátható kommunikáció elengedhetetlen a sikeres együttműködéshez. A rendszeres kommunikáció és visszajelzés segíthet a konfliktusok megoldásában, az összehangolás biztosításában és a bizalom kiépítésében az együttműködő felek között.
A fenti megoldások elfogadásával a vállalkozások kezelhetik az MI együttműködés kihívásait, és elérhetik az MI-projekteken való közös munka előnyeit.
A hatékony együttműködés kulcsa
Íme néhány tipp arra vonatkozóan, hogyan tudnak a vállalkozások hatékonyan együttműködni az MI-projektekben:
Kiegészítő erősségek azonosítása: A sikeres együttműködés érdekében a vállalkozásoknak azonosítaniuk kell az egymást kiegészítő erősségeket és szakértelmet. Ez segíthet biztosítani, hogy mindegyik fél egyedi értéket hozzon a projektbe.
Közös jövőkép kialakítása: A projektre vonatkozó közös jövőkép kialakítása segíthet abban, hogy minden fél egyetértésben legyen a célkitűzésekkel és a várt eredményekkel.
A nyílt kommunikáció elősegítése: A nyílt kommunikáció a sikeres együttműködés kulcsa. A rendszeres kommunikáció és visszajelzés segíthet a konfliktusok feloldásában, az összehangolás biztosításában és az együttműködő felek közötti bizalom kiépítésében.
Egyértelmű szerepek és felelősségi körök meghatározása: Az egyértelmű szerepek és felelősségi körök meghatározása segíthet annak biztosításában, hogy minden fél tudja, mit várnak el tőle, és elkerülhetők a félreértések.
A bizalom kultúrájának elősegítése: A bizalom kritikus fontosságú a hatékony együttműködéshez. A vállalkozásoknak átláthatósággal, őszinteséggel és megbízhatósággal kell elősegíteniük a bizalom kultúráját.
Határozzák meg az irányítási struktúrát: Az irányítási struktúra kialakítása segíthet biztosítani, hogy a döntéshozatali folyamatok egyértelműek és tisztességesek legyenek.
Tervezzék meg az adatmegosztást: Az adatok megosztása számos mesterséges intelligencia projekt esetében kritikus fontosságú. A vállalkozásoknak olyan adatmegosztási megállapodásokat kell létrehozniuk, amelyek az adatvédelemmel, a biztonsággal és a megfelelőséggel foglalkoznak.
Használjanak agilis módszertanokat: Az agilis módszertanok segíthetnek a csapatoknak együttműködő, iteratív és adaptív munkában, lehetővé téve a gyors prototípus-fejlesztést és kísérletezést.
E legjobb gyakorlatok követésével a vállalkozások hatékonyan együttműködhetnek a mesterséges intelligencia projektekben, és elérhetik a közös munka előnyeit, például a fokozott innovációt, a jobb döntéshozatalt és a nagyobb hatékonyságot.
Sikeres MI-ökoszisztémák
Microsoft és Adaptive Biotechnologies: A Microsoft és az Adaptive Biotechnologies együttműködött egy mesterséges intelligencia alapú diagnosztikai eszköz kifejlesztésében olyan betegségek, mint a rák és az autoimmun betegségek felismerésére. Az ImmuneCode nevű eszköz gépi tanulást használ a páciens immunrendszerének elemzésére és a betegség biomarkereinek azonosítására. Az együttműködés lehetővé tette az Adaptive Biotechnologies számára, hogy felgyorsítsa a diagnosztikai eszközök fejlesztését, és gyorsabban eljuttassa a betegekhez az új kezeléseket.
Google és Johnson & Johnson: A Google és a Johnson & Johnson együttműködött egy olyan sebészeti robotikai rendszer kifejlesztésében, mely mesterséges intelligenciát használt a sebészek segítésére az összetett beavatkozások során. A Verb Surgical rendszer számítógépes látást és gépi tanulást használja, hogy valós idejű visszajelzést és útmutatást nyújtson a sebészeknek. Az együttműködés lehetővé tette a Johnson & Johnson számára, hogy innovatív sebészeti technológiákat fejlesszen ki és javítsa a betegek eredményeit.
Nvidia és Baidu: Az Nvidia és a Baidu együttműködött egy mesterséges intelligencia alapú platform kifejlesztésében az autonóm járművek számára. Az Apollo platform az Nvidia hardver- és szoftvertechnológiáját használja az autonóm vezetéshez szükséges valós idejű térképezés, tárgyfelismerés és egyéb kritikus funkciók biztosítására. Az együttműködés lehetővé tette a Baidu számára, hogy felgyorsítsa autonóm vezetési technológiájának fejlesztését és gyorsabban piacra dobja azt. Az Nvidia hardver- és szoftverszakértelmének és a Baidu mesterséges intelligencia és autonóm járművek terén szerzett tapasztalatainak ötvözésével az együttműködés lehetővé tette a Baidu számára, hogy fejlett platformot fejlesszen ki az autonóm vezetési alkalmazások széles körének támogatására. Ez javíthatja a közúti biztonságot, csökkentheti a forgalmi torlódásokat, és növelheti a közlekedéshez való hozzáférést azok számára, akik nem tudnak vezetni.
Siemens és a Google Cloud: A Siemens és a Google Cloud együttműködött egy MI-alapú optimalizáló rendszer kifejlesztésében a gyártási műveletekhez. A Siemens Industrial Edge nevű rendszer a Google Cloud AI és gépi tanulási képességeit használja az ipari berendezések adatainak elemzésére, valamint az optimalizálási és hatékonyságjavítási lehetőségek azonosítására. Az együttműködés lehetővé tette, hogy a Siemens adatvezéreltebb és hatékonyabb gyártási folyamatot kínáljon ügyfeleinek. Elsődleges előnye a gyártási folyamatok optimalizálása. A Google Cloud mesterséges intelligencia- és gépi tanulási technológiájának kihasználásával a Siemens olyan racionalizáltabb és adatvezéreltebb gyártási folyamatot biztosított ügyfelei számára, amely javíthatja a hatékonyságot, csökkentheti a költségeket és növelheti a termelékenységet. Emellett az együttműködés lehetővé tette a Google Cloud számára, hogy bővítse jelenlétét az ipari szektorban, és egy új piac számára kínálja MI- és gépi tanulási képességeit.
