Dirbtinis intelektas (DI)
Dirbtinis intelektas (DI) apibūdina kompiuterines sistemas, atliekančias užduotis, kurioms paprastai reikia žmogaus intelekto, pavyzdžiui, dėsningumų atpažinimą, kalbos supratimą ar sprendimų priėmimą.
Dirbtinis intelektas – tai informatikos sritis, sutelkta į sistemų, galinčių spręsti užduotis, kurioms paprastai reikia žmogaus mąstymo, kūrimą: dėsningumų atpažinimą, kalbos supratimą, prognozavimą ar sprendimų priėmimo palaikymą. Dauguma šiandien naudojamų DI sistemų remiasi mašininiu mokymusi: vietoj to, kad būtų aiškiai užprogramuotos taisyklėmis, jos apmokomos su dideliais duomenų kiekiais ir iš jų išmoksta statistinius dėsningumus. Gerai žinomas pavyzdys – didieji kalbos modeliai, kurie tekstą generuoja kartotinai numatydami labiausiai tikėtiną kitą žodį pagal iš didžiulio teksto kiekio išmoktus dėsningumus. Naudingas skirtumas – tarp siauro DI, sukurto vienai konkrečiai užduočiai, ir bendrojo DI, kuris atitiktų žmogaus lygio mąstymą bet kurioje srityje, bet kuris kol kas neegzistuoja.
Verslo aplinkoje DI dažniausiai naudojamas siaurai apibrėžtoms užduotims, o ne plačioms, bendroms problemoms spręsti. Dažni pavyzdžiai – automatinis dokumentų klasifikavimas, defektų aptikimas nuotraukose, mašinų duomenų analizė gedimams prognozuoti (prognozuojamoji priežiūra) arba klientų aptarnavimo pokalbių robotai. DI modeliai taip pat padeda planuoti ir prognozuoti, pavyzdžiui, atsargų valdyme ar gamybos planavime. Derinamas su RPA (robotiniu proceso automatizavimu), DI dažnai suteikia sprendimų logiką, o RPA atlieka pačius veiksmus verslo sistemose.
DI sistema yra tik tokia gera, kokie yra duomenys, su kuriais ji apmokyta, ir ji priima sprendimus remdamasi tikimybe, o ne tikru supratimu. Tai reiškia, kad ji gali pateikti įtikinamus, bet neteisingus ar išgalvotus atsakymus – ši problema vadinama haliucinacija. Todėl svarbiems sprendimams, ypač tiems, kurie turi teisines, finansines ar saugos pasekmes, žmogaus priežiūra išlieka būtina. Įmonėms, diegiančioms DI, dažniausiai geriau pradėti nuo mažo, atsitiktinai tikrinti rezultatus ir pirmiausia jį taikyti ten, kur klaidos pastebimos anksti ir sukelia mažai žalos.
Praktinis pavyzdys
Amatų įmonė su 18 darbuotojų naudoja DI vaizdų atpažinimą, kad gaunamų prekių patikros metu aptiktų sugadintas detales. Anksčiau vienas darbuotojas ranka patikrindavo apie 200 gaunamų detalių per dieną ir praleisdavo apie 3–4 procentus defektų. Įvedus DI patikrą, praleidžiamų defektų dalis sumažėja iki mažiau nei 1 procento, o darbuotoja sutaupo apie 45 minutes per dieną, kurias dabar skiria skundams nagrinėti ir bendrauti su tiekėjais. DI darbuotojos nepakeičia – jis perima pasikartojančią patikros dalį, o ribinius atvejus vis tiek sprendžia žmogus.
Kaip Leanshift padeda
Leanshift požiūriu dirbtinis intelektas yra proceso tobulinimo įrankis, o ne pats savaime tikslas. Verta jį naudoti ten, kur jis pastebimai pagerina konkretų proceso žingsnį, sutaupo laiko ar sumažina klaidas – vertinant tais pačiais kriterijais kaip ir bet kurią kitą Kaizen priemonę. Tai palaiko dėmesį tikrajam tikslui: ne naudoti kuo daugiau DI, o padėti žmonėms suprasti ir tobulinti savo pačių procesus.
Daznai uzduodami klausimai
Ar DI yra tas pats, kas algoritmas?
Ne. Kiekvienas algoritmas yra fiksuota skaičiavimo žingsnių seka, tačiau ne kiekvienas algoritmas mokosi iš duomenų. DI sistemos naudoja algoritmus, kurie dėsningumus patys išveda iš pavyzdžių, o ne yra aiškiai užprogramuoti kiekvienam atvejui.
Ar mažai įmonei reikia savų DI modelių?
Paprastai ne. Standartiniai DI įrankiai ir paslaugos jau apima tipines užduotis, tokias kaip teksto generavimas, vaizdų atpažinimas ar prognozavimas; individualaus modelio apmokymas apsimoka tik labai specifiniams, pasikartojantiems naudojimo atvejams.
Kiek patikimi yra DI rezultatai?
Tai labai priklauso nuo užduoties ir apmokymo duomenų. Siaurai apibrėžtoms užduotims, tokioms kaip vaizdų atpažinimas, klaidų dažnis dažnai yra žemas ir lengvai išmatuojamas, o atviro pobūdžio užduočių, tokių kaip teksto generavimas, rezultatus visada reikėtų atsitiktinai patikrinti.