Az első a munkahelyek megszűnésével kapcsolatos. Ez egész egyszerűen nem igaz, bár bizonyára hallották már az ellenkezőjét is. Az MI nem helyettesíti az embert, hanem felszabadítja, hogy érdekesebb és értékesebb feladatokkal foglalkozhasson. Világszerte sokan végeznek olyan munkát, amely során távolról sem használják ki képzettségüket és a bennük rejlő potenciált - ráadásul még halálra is unják magukat. A mesterséges intelligencia nem unatkozik, nem kalandozik el, és nem hibázik. Bármi legyen a feladat, tökéletesen rábízhatjuk a nemszeretem feladatokat. Az élő munkatárs pedig ellenőrzi az eredményeket, és alkalmazza a belőlük kinyert információt az érdemi munkavégzés során.
Gondoljunk erre a következőképpen. A kábeltévé felvételeit visszanéző biztonsági őrök vagy rendőrök munkája akkor eredményes, ha sikerül bűncselekményt azonosítaniuk. Az eseménytelen felvételek visszanézésére fordított órák nem tekinthetők a munkaidő hasznos eltöltésének.
Lassú értékteremtés?
A másik prekoncepció azt állítja, hogy az MI rendkívül bonyolult. A legenda szerint két évbe telik, amíg megmutatkoznak az első eredmények, és nagy a kockázata annak, hogy az MI nem váltja be a hozzá fűzött reményeket. Azaz puszta pénzkidobás.
Ha valaha ez is volt a helyzet, ma már biztosan nincs így. Szó nincs arról, hogy egy fejlesztőcsapatnak éveken át kellene egy sötét szobában robotolnia a sikerhez. A modern, agilis co-creation folyamatokkal a végfelhasználók gyorsan visszajelzést adhatnak, és a folyamat minden lépésénél hasznos outputhoz jutnak. A fokozatos, kis eredményekre épülő szemléletnek köszönhetően a csapat egyre nagyobb magabiztosságra tesz szert a fejlesztési szakaszok előrehaladtával.
Az első lépés a 'hack', amikor egy kis csoport megmutatja, mit lehet elérni az adott területen néhány nap alatt. Ez kis kockázatú kísérlet - ha nincs eredmény, még csak minimális befektetés történt. Ha pedig van, az nagyszerű hír. Utána következik a Proof of Value (POV), amelynek keretében kidolgozzák, majd előre meghatározott sikerkritériumok szerint tesztelik az alapötleteket.
Ha még mindig ígéretes a dolog (és ha nem, továbbra is nagyon alacsony a befektetési kockázat), következhet a prototípus, a Minimum Viable Product (MVP). Ennek lényege, hogy a POV alapján elkészül a megoldás első vázlatos verziója, amelyből látszik a teljes folyamat és az is, hogyan fog működni. A következő szakaszban belépünk a hypercare folyamatba. Ekkor egy kis felhasználói csoport teszteli a prototípust, és még a szélesebb körű használatot ösztönző kiterjesztés (rollout) előtt megosztja a tapasztalatait.
Az agilis scrum módszer ezeket a lépéseket is lebontja kéthetes sprintekre a kockázat abszolút minimumra csökkentése érdekében. Kéthetes ügyféldemókkal gondoskodnak róla, hogy a fejlesztés megfeleljen az elvárásoknak. Emellett a projekt minden részét közvetlenül üzleti célokhoz rendelik a valódi értékteremtéshez.
Az én helyzetem egyedi
Ha a munkahelyek megszűnése és a lassú, drága fejlesztés miatt nem aggódnak, akkor sokakat az a tudat tart vissza, hogy "a mesterséges intelligencia biztosan csak másoknak való". Az ember saját problémája mindig túl egyedi, túl nehezen megoldható. A fejlesztők egész egyszerűen nem fogják megérteni. Az MI csak olyan cégek számára alkalmas, mint a Facebook és a Google.
Vizsgáljuk meg közelebbről, hogy mi ebből a legenda és mi a valóság.
Abban, hogy egyedi problémáról van szó, lehet igazság. Sok munkakör és feladat azért tűnik észszerűtlennek, mivel túl sokáig tart, vagy túl munkaigényes ahhoz, hogy gazdaságosan el lehessen végezni. Ez addig érvényes, amíg nem az MI kezeli őket. Nézzük csak meg, milyen áttörést hozott a mesterséges intelligencia a tornász világbajnokságok pontozási folyamataiban, vagy hogyan támogatja a radiológusokat az agyi aneurizmák felismerésében a CT-felvételeken.
A Fujitsunál nem vagyunk sem tornászok, sem radiológusok. Igaz tehát, hogy a technológiai szakembereink valószínűleg nem értik meg részletekbe menően az ügyfél előtt álló kihívásokat, ahogy Önök sem értik teljesen, hogyan oldhatók meg ezek az MI segítségével. De ha az Önök csapatának kihívással kapcsolatos ismereteit a mi MI-szakértelmünkkel és co-creation szemléletünkkel ötvözzük, gyorsan megszülethet a megoldás.
Hogy hogyan? Összekapcsoljuk az üzleti kihívások felelőseit - azokat, akik mindenki másnál jobban értik és ismerik a problémát - a mi MI-szakembereinkkel. A közös csapat már kezelni tudja a kérdéseket, megkérdőjelezni a javaslatokat, és a megoldás fejlesztésével párhuzamosan visszajelzéseket tud adni. A fejlesztésben irányt mutatva gondoskodik róla, hogy a megoldás valóban megfeleljen a követelményeknek. Az üzleti kihívások felelősei, a végfelhasználók, a fejlesztők és az adattudósok együtt valóban releváns MI-megoldásokat képesek alkotni.
Megoldjuk a lehetetlent
Előfordulhat, hogy olyan kihívással szembesülnek, amelynek a megoldása messzeható eredménnyel járna. Ugyanakkor mégsem mernek belevágni, mert kezelhetetlenül nagynak, az oktatási és a munkaköltség miatt gazdaságtalannak vagy csak szimplán megoldhatatlannak tűnik a feladat.
Az ilyen kihívások olyan óriásiak, hogy az ember néha nem is gondolja, hogy legyőzhetők. De a mesterséges intelligencia megváltoztatja ezt.
Ez nem csak elmélet. Érdemes közelebbről megismerkedni a Network Rail és a Fujitsu MI kutatás-fejlesztési co-creation projektjével. Olyan MI-eszközt fejlesztünk, amely automatikusan azonosítja, katalogizálja és vizuálisan is megjeleníti a vasúti eszközöket és pontos helyüket. Az esettanulmány bemutatja, hogyan ültette át a Fujitsu a fenti elveket a gyakorlatba, és miként teremtett kézzelfogható üzleti értéket.