Ten artykuł pierwotnie ukazał się w imieniu Rady Technologii Forbesa, społeczności dla profesjonalnych CIO, CTO i kierowników technologii. Przeczytaj oryginalny wpis tutaj.

Jeśli chodzi o sztuczną inteligencję (AI) i uczenie maszynowe, w szczególności sposób, w jaki projektujemy oprogramowanie, ulega fundamentalnej zmianie. Tradycyjni inżynierowie nie musieli rozważać idei, że oprogramowanie potrzebuje „uczenia się”, aby było użyteczne. Definiowaliśmy „zasady”, które chcieliśmy uwzględnić, zaprogramowaliśmy je na stałe w tworzonych aplikacjach i je wydaliśmy. Następnie iterowaliśmy i poprawialiśmy je w ciągłym cyklu.

Jest to inaczej w przypadku AI. Zamiast zaprogramować zasady w aplikacjach, produkty AI polegają na danych treningowych, aby funkcjonować. Na przykład, gdy pierwsze aplikacje GPS się pojawiły, zmieniły one wszystko — pożegnanie z mapami papierowymi! Dziesięć lat później aplikacja Waze do nawigacji ponownie zdefiniowała to doświadczenie. Waze odkryło, że agregując dane wszystkich użytkowników, mogą nie tylko wskazać jednemu użytkownikowi, gdzie się udać, ale także najszybszą drogę i aktualizować te rekomendacje w czasie rzeczywistym.

W miarę jak stawaliśmy się mądrzejsi w tworzeniu aplikacji, zrozumieliśmy, że praktyki deweloperskie, takie jak model kaskadowy, nie działają, ponieważ nie uwzględniają wystarczająco użytkownika w cyklu życia rozwoju oprogramowania. W końcu użytkownicy prawdopodobnie mają nowe wymagania. Dlatego przeszliśmy na nowe podejścia, takie jak te opisane w książkach takich jak The Lean Startup. Chociaż ludzie dzisiaj kwestionują koncepcje takie jak „produkt minimum wykonalny”, te pomysły są absolutnie słuszne: Zacznij od małego i jak najszybciej wprowadź swój produkt do rąk użytkowników, aby otrzymać ich opinię i ulepszyć produkt w trakcie drogi.

AI powinno być podejście w ten sam sposób. Kuszące jest spędzać lata na budowaniu idealnego systemu sztucznej inteligencji, szkoleniem na ogromnych zbiorach doskonałych zestawów danych. Ale nie dziw się, jeśli produkt jest całkowicie przestarzały i nieaktualny w momencie wprowadzenia go na rynek.

Być może twój zestaw danych odzwierciedlał stare praktyki, które już nie mają sensu, albo twój algorytm nigdy nie został wystawiony na określony idiomy. A może osoba, której myślałeś, że będzie używać twojego produktu, nie jest tą, która go ostatecznie używa. AI szkolona w próżni może reagować tylko na to, czemu została wystawiona. Jestem zdecydowanym zwolennikiem wypuszczenia swojego algorytmu tam, gdzie może się uczyć, adaptować i doskonalić. Oto dlaczego dobrze jest pozwolić swojemu AI zacząć od „głupiego”.

Znajdź swoje centrum

Już wiemy, że narzędzia AI nie są jeszcze zdolne do zastąpienia ludzi, i nie oczekujemy, że będą w stanie to zrobić w najbliższej przyszłości. Pamiętaj o tym, projektując swoje rozwiązanie. Zrób swojego użytkownika centrum swojego algorytmu i celowo skup się i przemyśl jedno zastosowanie, na którym zależy temu użytkownikowi.

Przykładem może być Textio , sieć coaches oparta na AI, która pomaga profesjonalistom od szukających pracy pisać lepsze opisy stanowisk pracy. To bardzo konkretna zadanie. Nie skupiają się na uczynieniu wszystkich lepszymi pisarzami. Wybrali jedną specjalizację – opisy stanowisk pracy – i zagłębili się w nią. Największe osiągnięcia sztucznej inteligencji, jakie widzieliśmy, rozpoczynają się od jednego konkretnego zadania, a następnie się rozszerzają. Im bardziej wąsko skupione jest rozwiązanie, tym szybciej SI się uczy.

Nie kładź ducha przed maszynę

Gdy już znajdziesz swój cel, nie nastawiaj się zbytnio na zmianę świata. Samo rozważanie spraw, które muszą zostać wykonane, by system SI (nawet ten głupi) mógł funkcjonować, jest intensywnym, wyczerpującym procesem, który obejmuje:

• Ustawienie środowiska technicznego
• Ustawienie systemu przechowującego wszystkie dane szkoleniowe
• Ustawienie niezwykle istotnego algorytmu, który trenuje dane i zwraca sugestie

Chociaż chmura ułatwiła te kroki, wciąż są one uciążliwe. Dlatego należy skupić głównie wysiłki na skonfigurowaniu i ustabilizowaniu powyższych procesów, co pozwoli Ci szybciej działać, gdy zaczniesz testować swój produkt z potencjalnymi klientami, niż gdybyś poświęcił większość czasu na szkolenie danych. Jeśli pracujesz w świecie teoretycznym i starasz się gromadzić dane szkoleniowe bez realnego zaangażowania klientów, pracujesz w próżni, która zasili Cię z powrotem w twoje dotychczasowe założenia.

Przedstaw swój SI ludziom

Twoje dane szkoleniowe są integralne na początku procesu, ale aby stworzyć produkt SI, który będzie się doskonalić z czasem, musisz podejść do największego zbioru danych ze wszystkich: doświadczenia ludzkiego. Aby to osiągnąć, musisz zainwestować w swoje doświadczenie użytkownika (UX). Im lepiej uda ci się uczynić doświadczenie związane z korzystaniem z twojego SI, tym więcej osób będzie chciało go używać, co oznacza, że twój model będzie zbierał znacznie więcej danych znacznie szybciej.

Niezbędne jest połączenie znaczenia UX z sukcesem Twojej inicjatywy SI. Niestety większość osób nie myśli w ten sposób. Zachwycają się pomysłem na lepsze życie poprzez algorytmy, zakładają więc zbytnio, że SI to maszyny. Prawda jest taka, że wykonujesz wszystko to dzieło, aby mieć dostęp do danych. Ale dane muszą pochodzić skądś.

Często zapominanym, fundamentalnym pojęciem do zrozumienia tutaj jest to, że „skądś” to ludzie korzystający z Twojego oprogramowania. SI działa, gdy traktujesz go jako partnerstwo między ludźmi a maszynami. Dlatego jeśli nie masz dobrego UX, nigdy nie będziesz miał dobrego SI. Jeśli nie zaczniesz od powiedzenia, „Stworzę system, który będzie chciały używać ludzie, łatwy w użyciu i używany często”, to żadne z pozostałych nie ma znaczenia.

Algorytm zawsze można dostosować. Im dłużej jest na rynku, tym lepszy jest. Mniej ważne jest, że od samego początku jest genialny, bardziej liczy się znalezienie konkretnego problemu, który chcesz rozwiązać, i przygotowanie twojego środowiska technicznego do absorbowania danych. W końcu inteligentna SI to po prostu taka, która działa.