Mākslīgais intelekts (AI)
Mākslīgais intelekts (MI) apzīmē datorsistēmas, kas veic uzdevumus, kas parasti prasa cilvēka intelektu, piemēram, modeļu atpazīšanu, valodas izpratni vai lēmumu pieņemšanu.
Mākslīgais intelekts ir datorzinātņu joma, kas fokusējas uz sistēmu veidošanu, kuras spēj risināt uzdevumus, kas parasti prasītu cilvēka domāšanu, piemēram, modeļu atpazīšanu, valodas izpratni, prognozēšanu vai lēmumu atbalstīšanu. Lielākā daļa šodien izmantoto MI sistēmu balstās uz mašīnmācīšanos: tā vietā, lai tās skaidri ieprogrammētu ar noteikumiem, tās apmāca uz liela datu apjoma, un tās no tā apgūst statistiskus modeļus. Pazīstams piemērs ir lielie valodas modeļi, kas ģenerē tekstu, atkārtoti paredzot visticamāko nākamo vārdu, balstoties uz milzīga teksta apjoma apgūtiem modeļiem. Noderīgs nošķīrums ir šaurs MI, kas veidots vienam konkrētam uzdevumam, un vispārējs MI, kas atbilstu cilvēka līmeņa domāšanai jebkurā jomā, taču tāds vēl neeksistē.
Biznesa vidē MI galvenokārt izmanto šauri definētiem uzdevumiem, nevis plašai, vispārīgai problēmu risināšanai. Bieži sastopami piemēri ir dokumentu automātiska klasificēšana, defektu atklāšana fotoattēlos, mašīnu datu analīze bojājumu prognozēšanai (prognozējošā apkope) vai klientu apkalpošanas tērzēšanas roboti. MI modeļi atbalsta arī plānošanas un prognozēšanas darbu, piemēram, krājumu vadībā vai ražošanas plānošanā. Kombinējot ar RPA (robotizēto procesu automatizāciju), MI bieži nodrošina lēmumu pieņemšanas loģiku, kamēr RPA veic faktiskos soļus biznesa sistēmās.
MI sistēma ir tikai tik laba, cik dati, uz kuriem tā apmācīta, un tā pieņem lēmumus, balstoties uz varbūtību, nevis patiesu izpratni. Tas nozīmē, ka tā var sniegt pārliecinošas, bet nepareizas vai izdomātas atbildes, problēma, ko sauc par halucināciju. Tāpēc svarīgiem lēmumiem joprojām nepieciešama cilvēka uzraudzība, īpaši tur, kur rezultātiem ir juridiskas, finansiālas vai drošības sekas. Uzņēmumiem, kas ievieš MI, parasti labāk sākt ar mazu, izlases veidā pārbaudīt rezultātus un to vispirms piemērot tur, kur kļūdas tiek pamanītas agri un rada mazu kaitējumu.
Praktisks piemers
Amatniecības uzņēmums ar 18 darbiniekiem izmanto MI balstītu attēlu atpazīšanu, lai ienākošo preču pārbaudē konstatētu bojātas detaļas. Iepriekš viens darbinieks manuāli pārbaudīja aptuveni 200 ienākošu detaļu dienā un palaida garām apmēram 3 līdz 4 procentus defektu. Pēc MI pārbaudes ieviešanas nepamanīto defektu īpatsvars samazinās zem 1 procenta, un darbiniece iegūst apmēram 45 minūtes dienā, ko tagad velta sūdzību izskatīšanai un sarunām ar piegādātājiem. MI neaizstāj darbinieci; tā pārņem pārbaudes atkārtoto daļu, bet robežgadījumus joprojām izlemj cilvēks.
Ka Leanshift palīdz
Leanshift skatījumā mākslīgais intelekts ir procesu uzlabošanas rīks, nevis mērķis pats par sevi. To ir vērts izmantot tur, kur tas manāmi uzlabo konkrētu procesa soli, ietaupa laiku vai samazina kļūdas, vērtējot pēc tā paša standarta, ko piemēro jebkuram citam Kaizen pasākumam. Tas notur fokusu uz reālo mērķi: ne izmantot pēc iespējas vairāk MI, bet palīdzēt cilvēkiem izprast un uzlabot savus paša procesus.
Bieži uzdotie jautajumi
Vai MI ir tas pats, kas algoritms?
Nē. Katrs algoritms ir fiksēta aprēķinu soļu secība, taču ne katrs algoritms mācās no datiem. MI sistēmas izmanto algoritmus, kas paši atvasina modeļus no piemēriem, nevis tiek skaidri ieprogrammēti katram gadījumam.
Vai mazam uzņēmumam nepieciešami savi MI modeļi?
Parasti nē. Gatavi MI rīki un pakalpojumi jau aptver tipiskus uzdevumus, piemēram, teksta ģenerēšanu, attēlu atpazīšanu vai prognozēšanu; pielāgota modeļa apmācība ir vērta tikai ļoti specifiskiem, atkārtotiem lietojuma gadījumiem.
Cik uzticami ir MI rezultāti?
Tas lielā mērā ir atkarīgs no uzdevuma un apmācības datiem. Šauri definētiem uzdevumiem, piemēram, attēlu atpazīšanai, kļūdu īpatsvars bieži ir zems un viegli izmērāms, savukārt atvērtiem uzdevumiem, piemēram, teksta ģenerēšanai, vienmēr jāveic izlases pārbaude.