Изкуствен интелект (AI)
Изкуственият интелект (AI) се отнася до компютърни системи, които изпълняват задачи, обичайно изискващи човешка интелигентност, като разпознаване на модели, разбиране на език или вземане на решения.
Изкуственият интелект е област на компютърните науки, фокусирана върху изграждането на системи, които могат да решават задачи, обичайно изискващи човешко мислене, като разпознаване на модели, разбиране на език, правене на прогнози или подпомагане на решения. Повечето използвани днес ИИ системи разчитат на машинно обучение: вместо да бъдат изрично програмирани с правила, те се обучават върху големи количества данни и научават от тях статистически модели. Известен пример са големите езикови модели, които генерират текст, като многократно предсказват най-вероятната следваща дума въз основа на модели, научени от огромни количества текст. Полезно разграничение е между тесен ИИ, изграден за една конкретна задача, и общ ИИ, който би съответствал на човешкото мислене във всяка област, но все още не съществува.
В бизнес среда ИИ се използва предимно за тясно определени задачи, а не за широко, общо решаване на проблеми. Разпространени примери включват автоматично класифициране на документи, откриване на дефекти на снимки, анализ на машинни данни за прогнозиране на повреди (предиктивна поддръжка) или работа на чатботове за обслужване на клиенти. ИИ моделите поддържат и планирането и прогнозирането, например при управление на запасите или планиране на производството. В комбинация с RPA (роботизирана автоматизация на процеси) ИИ често осигурява логиката за вземане на решения, докато RPA изпълнява реалните стъпки в бизнес системите.
ИИ системата е толкова добра, колкото данните, върху които е обучена, и взема решения въз основа на вероятност, а не на истинско разбиране. Това означава, че може да произведе уверени, но грешни или измислени отговори, проблем, известен като халюцинация. Заради това човешкият надзор остава от съществено значение за важни решения, особено там, където резултатите носят правни, финансови или свързани с безопасността последствия. Предприятията, които въвеждат ИИ, обикновено правят по-добре, ако започнат с малко, проверяват резултатите на място и го прилагат първо там, където грешките се улавят рано и причиняват малка вреда.
Практически пример
Занаятчийско предприятие с 18 служители използва базирано на ИИ разпознаване на изображения, за да улови повредени части при входящия контрол на стоки. Преди това служител ръчно проверяваше около 200 входящи части на ден и пропускаше приблизително 3 до 4 процента от дефектите. След въвеждането на ИИ проверката процентът на пропуснати дефекти спада под 1 процент, а служителят печели около 45 минути на ден, които сега прекарва в обработка на рекламации и разговори с доставчици. ИИ не заменя служителя; той поема повтарящата се част от проверката, докато граничните случаи все още се решават от човек.
Как помага Leanshift
За Leanshift изкуственият интелект е инструмент за подобряване на процеси, не цел сам по себе си. Струва си да се използва там, където забележимо подобрява конкретна стъпка от процес, спестява време или намалява грешки, преценявано по същия стандарт като всяка друга мярка на Kaizen. Това запазва фокуса върху реалната цел: не да се използва възможно най-много ИИ, а да се помогне на хората да разберат и подобрят собствените си процеси.
Често задавани въпроси
ИИ същото нещо ли е като алгоритъм?
Не. Всеки алгоритъм е фиксирана последователност от изчислителни стъпки, но не всеки алгоритъм се учи от данни. ИИ системите използват алгоритми, които сами извличат модели от примери, вместо да бъдат изрично програмирани за всеки отделен случай.
Нужни ли са на малко предприятие собствени ИИ модели?
Обикновено не. Готовите ИИ инструменти и услуги вече покриват типични задачи като генериране на текст, разпознаване на изображения или прогнозиране; обучението на собствен модел си струва само за много специфични, повтарящи се случаи на употреба.
Колко надеждни са резултатите от ИИ?
Зависи силно от задачата и обучаващите данни. При тясно определени задачи като разпознаване на изображения процентът на грешки често е нисък и лесен за измерване, докато отворени задачи като генериране на текст винаги трябва да се проверяват на място.