Ця стаття спочатку з'явилася від імені Ради технологій Forbes, спільноти для керівників з інформаційних технологій найвищого класу, генеральних директорів і виконавчих технологій. Прочитайте оригінальну посаду тут.

Коли мова заходить про штучний інтелект (AI) та машинне навчання, зокрема, спосіб, яким ми інженеріюємо програмне забезпечення, фундаментально змінюється. Традиційні інженери не мусили обмірковувати ідею того, що програмне забезпечення повинно "вчитися", щоб бути корисним. Ми визначали "правила", на які ми хотіли б врахувати, закодовували їх у програми, які розроблялися та випускалися. Потім ми ітерували та удосконалювали їх у неперервному циклі.

Це відрізняється від AI. Замість вбудовування правил у програми, продукти AI ґрунтуються на тренувальних даних для роботи. Наприклад, коли вперше були запущені додатки GPS, вони змінили все - прощайте, паперові карти! Близько десяти років потім навігаційний програмний додаток Waze знову визначив це досвід. Waze зрозумів, що, агрегуючи дані з усіх своїх користувачів, вони могли не лише сказати одному користувачеві, куди йти далі, але й найшвидший спосіб дістатися туди та вносити оновлення цих рекомендацій в реальному часі.

Коли ми стали розумнішими у побудові програмних додатків, ми дізналися, що практики розробки, як-то модель гірко, не працюють, оскільки вони недостатньо враховують користувача в життєвому циклі розробки програмного забезпечення. І, в кінці кінців, користувачі ймовірно мають нові вимоги. Тому ми перейшли на нові підходи, такі як ті, які стали відомими в книгах типу Запуск Lean. В той час як сьогодні люди піддавають сумніву концепції, такі як "мінімальний життєздатний продукт", ідеї абсолютно правильні: почни мало і якнайшвидше виведи свій продукт в руки своїх користувачів, щоб отримати їх відгуки та покращити продукт по ходу розробки.

AI повинен підходити до цього так само. Запропонувати досить багато років на побудову ідеальної системи штучного інтелекту, тренованої великими обсягами ідеальних наборів даних, - заманливо. Але не дивуйтесь, якщо продукт буде абсолютно застарілим і неактуальним тим часом, як ви його представите світу.

Можливо, ваш набір даних відображав старі практики, які вже не мають сенсу, або ваш алгоритм ніколи не стикався з певним ідіомом. Або, можливо, людина, яка, на вашу думку, мала б використовувати продукт, не зовсім та, ким його насправді використовує. AI, підготовлений в обтинку, може реагувати лише на те, з чим він контактував. Я відмовляюся вірити в те, щоб ваш алгоритм тільки вивчав, адаптувався та покращувався. Отже, це в норму, щоб ваш AI почав з "дурня".

Знайдіть свою мету

Ми вже знаємо, що інструменти штучного інтелекту ще не здатні замінити людей, і ми не очікуємо, що вони зможуть це зробити у найближчому майбутньому. Пам'ятайте це, розробляючи своє рішення. Зробіть свого користувача центром вашого алгоритму та намірено сконцентруйтеся та обрізаєте увагу на одному випадку використання, який цей користувач цікавиться.

Одним прикладом тут є Textio, мережа навчально-тренувального засобу на основі AI, спрямованого на допомогу фахівцям з талантів писати кращі описи робіт. Це дуже конкретна задача. Вони не фокусуються на те, щоб зробити кращими письменниками кожного. Вони обрали один спеціалізований напрямок - описи роботи - і пішли глибоко. Найбільші досягнення штучного інтелекту, які ми бачили, розпочинаються з одного конкретного завдання, а потім розширюються. І чим вужче спрямоване рішення, тим швидше навчиться штучний інтелект.

Не кладіть привидів до машини

Як тільки ви визначили свій фокус, не радійте забагато змінюванню світу. Врахування того, що потрібно зробити, щоб штучна інтелектуальна система (навіть проста) функціонувала, є інтенсивним, виснажливим процесом, який включає в себе:

• Створення технічного середовища
• Створення системи, яка зберігає всі навчальні дані
• Створення надважливого алгоритму, який навчає дані та видає рекомендації назад

Хоча хмара спростила ці кроки, вони все ще є неприємні. Тому ви повинні в основному фокусувати свої зусилля на впорядкуванні вищевказаних процесів і стабілізації, що дозволить вам прискорити рух, одразу почнувши тестувати свій продукт з потенційними клієнтами, ніж, якби ви обрали витратити більшу частину часу на навчання ваших даних. Якщо ви працюєте в теоретичному світі і намагаєтеся зібрати навчальні дані без реального відгуку клієнтів, ви працюєте в пустомі, яке підсилить ваші існуючі припущення.

Ваш штучний інтелект на екрані людей

Ваші навчальні дані є необхідними на початку процесу, але щоб створити продукт штучного інтелекту, який може покращуватися з часом, ви повинні здійснити стрибок до найбільшого набору даних усіх: досвіду користувача. І для цього потрібно інвестувати в досвід користувача (UX) . Чим краще ви можете зробити використання вашого штучного інтелекту, тим більше людей захочуть його використовувати, що означає, що ваша модель буде збирати значно більше даних набагато швидше.

Критично важливо пов'язати значення UX з успіхом вашої ініціативи щодо штучного інтелекту. На жаль, більшість людей не думає так. Вони зачаровані ідеєю кращого життя завдяки алгоритмам, тому вони схиляються припускати, що штучний інтелект це машини. У реальності ви все робите для того, щоб мати доступ до даних. Але дані мають братися звідти.

Часто забута, фундаментальна концепція тут - це те, що 'звідки' - це люди, які використовують ваше програмне забезпечення. Штучний інтелект працює, коли ви розглядаєте його як партнерство між людьми і машинами. Тому якщо ви не маєте гарного UX, то ніколи не матимете хорошого штучного інтелекту. Якщо ви не почали з того, що кажете: "Я створюю систему, яку люди хочуть використовувати, яка проста в користуванні і яку вони будуть використовувати часто", то нічого решта не має значення.

Алгоритм завжди можна налаштувати. Чим довше він перебуває в реальному світі, тим краще він працює. Важливіше не мати відразу блискучу систему, ніж знайти конкретну проблему, яку ви хочете вирішити, і готовий ваш технічний ресурс, щоб поглибити дані. В кінці кінців, розумний штучний інтелект просто працює.