Tehisintellekt (TI)
Tehisintellekt (TI) tähistab arvutisüsteeme, mis täidavad tavaliselt inimlikku intelligentsust nõudvaid ülesandeid, näiteks mustrite tuvastamist, keelemõistmist või otsuste tegemist.
Tehisintellekt on informaatika valdkond, mis keskendub selliste süsteemide ehitamisele, mis suudavad lahendada ülesandeid, mis tavaliselt nõuavad inimlikku mõtlemist, näiteks mustrite tuvastamist, keelemõistmist, ennustamist või otsuste toetamist. Enamik tänapäeva tehisintellektisüsteeme tugineb masinõppele: selle asemel, et neid programmeeritaks selgesõnaliste reeglitega, treenitakse neid suurel hulgal andmetel ning nad õpivad neist statistilisi mustreid. Tuntud näide on suured keelemudelid, mis genereerivad teksti, ennustades korduvalt kõige tõenäolisemat järgmist sõna õpitud tekstihulga mustrite põhjal. Kasulik on eristada kitsast tehisintellekti, mis on ehitatud ühe konkreetse ülesande jaoks, ja üldist tehisintellekti, mis vastaks inimtasemel mõtlemisele igas valdkonnas, kuid mida veel ei eksisteeri.
Äritegevuses kasutatakse tehisintellekti enamasti kitsalt määratletud ülesannete jaoks, mitte laiaulatusliku üldise probleemide lahendamise jaoks. Levinud näited on dokumentide automaatne klassifitseerimine, defektide tuvastamine fotodelt, masinaandmete analüüsimine rikete ennustamiseks (ennustav hooldus) või klienditeeninduse vestlusrobotite käitamine. Tehisintellekti mudelid toetavad ka planeerimist ja prognoosimist, näiteks laohalduses või tootmise ajastamisel. Kombineerituna RPA-ga (robotiseeritud protsesside automatiseerimine) annab tehisintellekt sageli otsustusloogika, samas kui RPA teostab tegelikud sammud ärisüsteemide sees.
Tehisintellektisüsteem on ainult nii hea kui andmed, millel seda treeniti, ja see teeb otsuseid tõenäosuse, mitte tegeliku mõistmise põhjal. See tähendab, et see võib anda enesekindlaid, kuid valesid või väljamõeldud vastuseid, mida tuntakse hallutsinatsioonina. Seetõttu jääb inimlik järelevalve oluliste otsuste puhul hädavajalikuks, eriti seal, kus tulemustel on õiguslikke, rahalisi või ohutusega seotud tagajärgi. Tehisintellekti kasutusele võtvad ettevõtted teevad tavaliselt paremini, kui alustavad väikselt, kontrollivad tulemusi pistikaupa ja rakendavad seda kõigepealt seal, kus vead avastatakse varakult ja tekitavad vähe kahju.
Praktiline näide
18 töötajaga käsitööettevõte kasutab tehisintellektil põhinevat pilditäbnetust, et sissetulevate kaupade kontrollimisel tuvastada kahjustatud detaile. Varem kontrollis üks töötaja käsitsi umbes 200 sissetulevat detaili päevas ja jättis märkamata umbes 3 kuni 4 protsenti defektidest. Pärast tehisintellekti-kontrolli kasutuselevõttu langeb see määr alla 1 protsendi ning töötaja säästab umbes 45 minutit päevas, mille ta kasutab nüüd reklamatsioonide käsitlemiseks ja tarnijatega suhtlemiseks. Tehisintellekt ei asenda töötajat, vaid võtab üle kontrolli korduva osa, samas kui piiripealsete juhtumite üle otsustab endiselt inimene.
Kuidas Leanshift aitab
Leanshifti jaoks on tehisintellekt tööriist protsesside parandamiseks, mitte omaette eesmärk. Seda tasub kasutada seal, kus see märgatavalt parandab konkreetset protsessisammu, säästab aega või vähendab vigu, hinnatuna sama mõõdupuu järgi kui iga teine Kaizen-meede. See hoiab fookuse tegelikul eesmärgil: mitte võimalikult palju tehisintellekti kasutamises, vaid inimeste aitamises mõista ja parandada oma protsesse.
Korduma kippuvad küsimused
Kas tehisintellekt on sama mis algoritm?
Ei. Iga algoritm on kindel arvutuslike sammude jada, kuid mitte iga algoritm ei õpi andmetest. Tehisintellektisüsteemid kasutavad algoritme, mis tuletavad mustreid näidetest ise, selle asemel et olla iga juhtumi jaoks selgesõnaliselt programmeeritud.
Kas väikeettevõte vajab oma tehisintellekti mudeleid?
Tavaliselt mitte. Valmis tehisintellekti tööriistad ja teenused katavad juba tüüpilisi ülesandeid, näiteks tekstigenereerimist, pildituvastust või prognoosimist; kohandatud mudeli treenimine tasub end ära ainult väga spetsiifiliste, korduvate kasutusjuhtude puhul.
Kui usaldusväärsed on tehisintellekti tulemused?
See sõltub suuresti ülesandest ja treeningandmetest. Kitsalt määratletud ülesannete puhul, näiteks pildituvastuses, on veamäär sageli madal ja kergesti mõõdetav, samas kui avatud ülesandeid, näiteks tekstigenereerimist, tuleks alati pistikaupa kontrollida.