Bármerre néz az ember, már a csapból is az MI folyik. Ennek alapján azt is gondolhatnánk, hogy az ökoszisztémában lassan csúcsra ér a mesterséges intelligencia alkalmazása. Pedig attól még messze vagyunk. A mesterséges intelligencia iránti élénk B2B-piaci érdeklődés most terjed át a B2C tömegpiacra, és kezd megjelenni az "AI-washing", vagyis az MI-vel kapcsolatos hamis ígérgetés. Az "AI-washing" valójában egy marketingtechnika, amely azt állítja, hogy az adott márka vagy termék MI-technológiával működik, pedig ez az állítás meglehetősen gyenge lábakon áll. Azért teszi ezt, mert az MI jelenléte innovatív fényben tünteti fel a márkát. Az "AI-washing" terjed, és a fogyasztók egyre gyakrabban találkoznak ilyen új jellemzőkkel például a digitális fotózás szegmensében, a kiskereskedelmi üzletekben vagy a tömegpiacra szánt XaaS, azaz "szolgáltatásként nyújtott" (as-a-service) megoldásoknál. Ha jelentett már be vonalhibát távközlési szolgáltatójának, Ön is bizonyára találkozott már ezzel a jelenséggel.
Tapasztalat mindenek felett
A mesterséges intelligencia alkalmazásában a Fujitsu azoknál a nagyvállalatoknál tapasztal érdemi fejlődést, amelyek az MI-technológiát üzleti folyamataikba integrálva, már egyértelműen továbbléptek a kísérletezés szakaszából az éles működés felé. Az MI-projekteket megvalósító szervezetek már érett tudással rendelkeznek a szükséges szakértelemről és technológiai képességekről, és reálisabban látják, mit lehet a mesterséges intelligencia segítségével elérni. Azok a korai bevezetők, aki nem riadtak vissza a nehézségektől, és hajlandóak voltak kockázatot vállalni a kísérletezés szakaszában, mára versenyelőnyre tettek szert iparágukban.
Ezek a cégek mostanában terjesztik ki MI-megoldásaikat az éles munkafolyamatokra. Miközben a laborkísérletektől eljutnak az üzleti folyamatokba és környezetbe való integrálásig, rájönnek, hogy végponttól végpontig terjedő szolgáltatásokra van szükségük. Ekkor szembesülnek először az adatbiztonság problémáival is. Mostanra már feltűntek a horizonton az MI-biztonságot fenyegető veszélyek, és a szervezetek kezdenek ráébredni, hogy a megbízható működéshez mind a külső támadásokkal, mind pedig a belső szubjektivitással szemben meg kell védeniük MI-alapú rendszereiket.
MI-etika
A szubjektivitás pedig szoros kapcsolatban áll a mesterséges intelligencia mögötti etika kérdéskörével. Az algoritmusok adatokból tanulnak, az adatok pedig nem feltétlenül korrekt emberi döntésekre épülnek. Innentől kezdve pedig rendkívül fontos, hogy bizonyítani tudjuk: az MI-rendszerek által hozott automatikus döntések korrekt helyzetértékelésen alapulnak.
Ez olyannyira így van, hogy várakozásaink szerint hamarosan felmerül majd az igény a mesterséges intelligencia hatósági szabályozására. Az Európai Unió már ki is adott egy konzultációs dokumentumot a megbízható MI etikai irányelveiről (Draft Ethics guidelines for trustworthy AI), amelyben a következőket írja le: "Az MI megbízhatóságának két alapfeltétele van: (1) az etikus szándék biztosítása érdekében tiszteletben kell tartania az alapjogokat, a vonatkozó előírásokat, alapelveket és értékeket, és (2) műszakilag is megbízhatónak és hibatűrőnek kell lennie, hiszen a műszaki hozzáértés hiánya még a legjobb szándék ellenére is kárt okozhat." Ezek az alapelvek szoros összhangban vannak a Fujitsu emberközpontú mesterséges intelligenciáról alkotott jövőképével.
A vita tehát részben az átláthatóságról és az etikáról szól - miközben annak értelmezése, mit jelent a GDPR a mesterséges intelligenciára nézve, még jogi tisztázásra vár. Az erre adott válasz pedig akár meg is akaszthatja az MI-technológiák széles körű fejlesztését. És ennek a hatása jóval túlmutat a folyamatokon és a vállalatok társadalmi felelősségvállalásán. Az IDC előrejelzése szerint például az algoritmusok átláthatóságának hiánya, az elfogult döntések, az MI rossz szándékú felhasználása és az adatkezelési erőírások miatt a következő két évben meg fog duplázódni a releváns adatvagyon-kezelési és megfelelési szakemberek (ún. "kimagyarázó csapatok") foglalkoztatására fordított összeg. Az én nézeteim szerint inkább igazolhatóságról és auditálhatóságról kellene beszélnünk ebben a kontextusban, amelyben az igazságosság és a jogszerű eljárás a két fő szempont.
Az MI működésének megmagyarázása a jövőben sem lesz egyszerűbb. Ha Ön úgy gondolja, hogy a mélytanulás bonyolult, nem árt tudnia, hogy a jelenleg felkapott MI-megoldások főleg viszonylag "egyszerű" gépi tanulási mechanizmusokat, illetve a mélytanulást támogató, komplikáltabb neurális hálózatokat használnak. A következő lépés az alternatív algoritmusok, például a GAN-hálózatok (Generative Adversarial Networks) megjelenése lesz, ahol az MI egyik generációja tanítja a másikat. Bár ezek várhatóan nem jelennek meg éles környezetekben 2021 előtt, arra számíthatunk, hogy a komplexitás még magasabb szintjére fogják emelni az etikai és szabályozási problémákat.
És ha ez még nem jelentene elegendő kihívást, a valós idejű adatelemzés lesz az új kísérleti terület. Az eddigi MI-kísérletek általában olyan használati forgatókönyvekre épültek, ahol reális lehetőség volt az adatok offline feldolgozása (pl. az igazságügyi szakértői vagy más olyan hosszadalmas folyamatok, amelyek offline módon lerövidíthetők). Ám ez most változóban van, és a szervezetek olyan új területeken végeznek MI-kísérleteket, ahol biztonsági okok és a döntéshozatal miatt valós idejű elemzésre van szükség.
Milyen adatok?
Az MI-szakirodalom arra az íratlan feltételezésre épül, hogy minden szervezet olyan adathegyek tetején csücsül, amelyek bányászatával gyakorlatias felismerésekhez juthat. De mi a helyzet azokkal, akik nem rendelkeznek a szükséges adattömeggel? Ők meg vannak fosztva az MI hasznosításának lehetőségétől? Nem, sőt épp 2019 lesz az az év, amikor várakozásaink szerint gyakoribbá válik a kis mennyiségű tényleges adattal és nagy mennyiségű szimulált adattal dolgozó szintetikus MI-modell alkalmazása.
Az sajnos még nem világos, hogy ezeket a kísérleteket és rendszerépítési feladatokat ki fogja elvégezni. A szükséges készségek és konkrét munkaköri leírások akkor kristályosodnak majd ki, amikor a vállalatok továbblépnek a kísérletezéstől az éles üzem felé. A valós környezetben zajló projekteken dolgozó szakemberek alaposan kiismerik majd a technológiákat és az alkalmazásokat, de ők nincsenek sokan. A Forrester adatelemző cég szerint az MI-döntéshozók kétharmada számára nehézséget jelent az MI-hez értő tehetséges munkatársak felkutatása és felvétele, és 83%-uk a dolgozók megtartása terén is kihívásokkal szembesül. Ironikus módon egyes cégek most épp az MI-folyamatok automatizálására és az adattudósok munkájának kiváltására próbálják használni a mesterséges intelligenciát a szakemberhiány hatásának enyhítése érdekében. A szakemberhiány azonban túlmutat a műszaki kollégákkal és az adattudósokkal szemben támasztott követelményeken. A vállalatoknak fontolóra kell venniük bizonyos szervezeti változások végrehajtását annak érdekében, hogy csapataikat, tudásbázisukat és folyamataikat az új igényekhez igazíthassák, és a technológiát meglévő és következő generációs rendszereikbe integrálják. Ez pedig komoly kulturális következményekkel jár a szervezetekre nézve, mivel azt jelenti, hogy döntéshozóiknak, HR, jogi, értékesítési és marketingszakembereiknek egyaránt érteniük kell a mesterséges intelligenciához.
A szakemberek utáni kutatás során az architektúrák ismerete épp annyira fontos, mint az MI-szakértelem. Az IDC kutatócég elemzői szerint az IT-rendszerbevezetési projektek MI-alapú automatizálásával új igény jelentkezik a Fujitushoz hasonló, mélyreható iparági és funkcionális szakértelemmel rendelkező vállalatok tanácsadási, műszaki és üzleti szolgáltatásai iránt. Az MI éles üzemi alkalmazásának szakaszába lépve csak megfelelő architekturális szakértelem birtokában tudnak a szervezetek az MI kezelésére képes környezeteket létrehozni. Olyan jövőbiztos, integrált és skálázható platformot kell kiépíteniük, amely a jövőben is mentes lesz a szűk keresztmetszetektől. A feladatvégrehajtás helyének, vagyis annak meghatározása, hogy az a hálózat peremén, helyben vagy a felhőben történjen, lényeges pénzügyi szempont, hiszen a legtöbb mélytanulási algoritmusnak egyelőre óriási számítási teljesítményre van szüksége a hatékony működéshez.
Az érettséghez vezető út következő lépései
Több olyan területet is felvázoltam, ahol a szervezetek - az MI üzleti alkalmazásának megkezdése által kiváltott - izgalomtól kezdenek elmozdulni annak érett üzleti felismerése felé, hogy konkrétan mire is van szükség a technológia ígéretének valóra váltásához.
Az MI-technológiák fejlesztésének globális élvonalában haladva a Fujitsu megépíti, üzemelteti és karbantartja a működő MI-rendszerek megvalósításához szükséges architektúrákat. Amint korábban már említettem, ebből a technológiából csak azok a cégek tudnak értéket kinyerni, amelyek hozzáférnek a szükséges műszaki és nem műszaki jellegű MI-szakértelemhez - ez pedig ritka kincs. A Fujitsu MI-kiválóságközpontjában a világ egyik legjobb csapatával dolgozunk azon, hogy valós üzleti problémák megoldására vessük be a mesterséges intelligenciát. Ha szeretne többet megtudni munkánkról, vegye fel velem a kapcsolatot a LinkedInen: https://www.linkedin.com/in/lheurtin/