ხელოვნური ინტელექტი უკვე დიდი ხანია, ყველას ყურადღების ცენტრშია მოქცეული. თუმცა, როგორც აღმოჩნდა, მასზე უფრო მეტს ლაპარაკობენ, ვიდრე მუშაობენ: ლონდონში დაფუძნებულმა ვენჩურ კაპიტალის ფირმა MMC-იმ ევროპის მასშტაბით 2,830 AI სტარტაპი გამოიკვლია. კვლევის თანახმად, მათ 40%-ს ხელოვნური ინტელექტის მახასიათებლები არ აღმოაჩნდა.

ეფექტიანად მომუშავე ხელოვნური ინტელექტის ამოცნობა მსხვილი კომპანიებისთვისაც კი დიდი თავსატეხი აღმოჩნდა. მომსახურების სერვისის გასაუმჯობესებლად მაკდონალდსმა 2018 წლის მარტში $300 მილიონი გადაიხადა AI ფირმაში Dynamic Yield. შემდეგ გაირკვა, რომ Dynamic Yield ხელოვნურ ინტელექტს არ იყენებდა, როგორც ამას კომპანიის ყოფილი წევრი იტყობინება.

რა იწვევს ამხელა გაუგებრობას?

ხელოვნური ინტელექტის შესაძლებლობებიდან გამომდინარე, გასაკვირი არაა, რომ მან ყველას ყურადღება მიიპყრო. სტარტაპები, ინვესტორები, თუ სხვადასხვა კომპანიები ისე ჩაერთნენ ამ სფეროში, ბოლომდე არც ესმოდათ, რასთან ჰქონდათ საქმე. გაუგებრობაც აქედან დაიწყო. მიმზიდველი მარკეტინგული სლოგანების უკან, ხშირად, ხელოვნური ინტელექტის მაგივრად, სტანდარტული სკრიპტები იმალება. მსგავსი პროცესები ჩვენ არაერთხელ გვინახავს. იგივე იყო ბლოკჩეინის გარშემო ატეხილი აურზაურიც და იგივე იყო მანამდე არსებული ე.წ. .com ბაბლიც. ინვესტორებმა არც კი იცოდნენ, რაში შეიძლებოდა ვებ-გვერდის დომენების გამოყენება და უაზრო ფასებში ყიდულობდნენ მათ. დაახლოებით იგივე ხდება ახლაც.

ხელოვნური ინტელექტი vs. სკრიპტი

მიუხედავად იმისა, რომ ასეთ სისტემასა და ჩვეულებრივ ანალიტიკურ სისტემებს შორის განსხვავება ძალიან დიდია, საზღვარი მათ შორის მაინც ბუნდოვანია. განსაკუთრებით კი, მათთვის, ვისაც ტექნიკური გამოცდილება არ გააჩნია.

დღეს სკრიპტით ძალიან კომპლექსური პროგრამის დაწერაა შესაძლებელი. განსხვავება მასსა და ხელოვნურ ინტელექტს შორის ისაა, რომ ამ უკანასკნელს რეალურ დროში მიღებული მონაცემების ანალიზი და შესაბამისად განვითარება შეუძლია. ამას ის მანქანური სწავლებისა და სიღრმისეული სწავლების მეშვეობით ახერხებს. მაგალითისთვის, გუგლის ხელოვნური ინტელექტი მომხმარებელს კონკრეტულად მისი საძიებო ისტორიის გათვალისწინებით აძლევს რეკომენდაციებს. ძველი სისტემა კი, უბრალოდ, ყველაზე ხშირად გამოყენებულ ტექსტს გვთავაზობდა ხოლმე.

კარგი მაგალითია ონლაინ ჩეთბოტებიც. თუ სისტემა წინასწარ გაწერილ პასუხებს ვერ სცდება, მაშინ ეს სტანდარტული სკრიპტის დამსახურებაა. მისგან განსხვავებით, AI ჩეთბოტს შეუძლია შეინახოს თითოეული ინტერაქციიდან მიღებული ინფორმაცია, გააანალიზოს შედეგები, ადაპტირდეს შესაბამისად და ხელახლა გამოიყენოს ეს ინფორმაცია საჭიროების შემთხვევაში. ეს ნიშნავს, რომ ის ცნობს დაბრუნებულ კლიენტს, “ახსოვს” რა პრობლემები ჰქონდა მას წინაზე და ბევრად ხარისხიანად შეუძლია მასთან კომუნიკაცია, ვიდრე სკრიპტით გაწერილ ჩეთბოტს.

თუმცა, როგორც აღვნიშნეთ, დღეს საკმაოდ კომპლექსური პროგრამების დაწერა თავისუფლადაა შესაძლებელი, რაც ნამდვილი ხელოვნური ინტელექტის ამოცნობას ართულებს. არსებობს რამდენიმე დეტალი, რომლებსაც ყურადღება უნდა მივაქციოთ იმისათვის, რომ უკეთ შევაფასოთ ესა თუ ის AI კომპანია.

5 მთავარი კითხვა AI კომპანიისთვის

1. ვისგან შედგება თქვენი გუნდი?

ისევე, როგორც ყველა სხვა შემთხვევაში, კომპანიის მთავარ ძალას აქაც გუნდი წარმოადგენს. ხელოვნური ინტელექტის შემუშავება დიდ ცოდნასა და გამოცდილებას მოითხოვს, თანაც - არა მხოლოდ ერთ სფეროში.

ძლიერი AI გუნდი სამი მიმართულების ექსპერტებისგან უნდა შედგებოდეს: პროგრამისტი, რომელიც კომფორტულად მუშაობს პითონზე, C++ -ზე, ჯავაზე, ლისპზე, ან პროლოგზე, მონაცემთა ინჟინერი და კონკრეტული სფეროს ექსპერტი, რომლის პრობლემის მოგვარებაზეც მუშაობს კომპანია. თუ გუნდი მხოლოდ ერთი ან ორი მიმართულების წარმომადგენლებითაა დაკომპლექტებული, მაშინ პროექტის განსავითარებლად ახალი წევრების შემოერთება იქნება საჭირო.

2. კითხვები მონაცემებზე

იმისათვის, რომ სისტემამ ეფექტიანად შეძლოს წინა გამოცდილებიდან სწავლა და განვითარება, მას დიდი რაოდენობით მონაცემები სჭირდება. ინტერნეტის ფართო ათვისებამ და სოციალური ქსელების განვითარებამ ყველაფერი საგრძნობლად გაამარტივა, მაგრამ ეს არ ნიშნავს, რომ ამ პროცესს ბევრი დრო და რესურსი არ მიაქვს. რადგან მონაცემები ეფექტიანი ხელოვნური ინტელექტის აუცილებელი დეტალია, აქ რამდენიმე კითხვა შეიძლება დაისვას.

2.1) რა რაოდენობის მონაცემები გამოიყენეთ ხელოვნური ინტელექტის გასაწვრთნელად და საიდან მოიპოვეთ ისინი?

ყველაფერი მონაცემების რაოდენობისა და მათი მოპოვების გზიდან იწყება. თუ სტარტაპს საჭირო მასალაზე ხელი არ მიუწვდება, ეს დიდი დაბრკოლებაა. მოსთხოვეთ პროექტის ავტორებს, მოგიყვნენ, საიდან მოიპოვეს მონაცემები და როგორ შეჯერდნენ საჭირო რაოდენობაზე. ძირითადად, AI კომპანიები თანდათანობით აწვდიან სისტემას მონაცემებს მანამ, სანამ სასურველ სიზუსტეს არ მიაღწევენ (თუმცა, არსებობს სხვა მიდგომებიც).

ხელოვნური ინტელექტისთვის საჭირო მონაცემების ფიქსირებული რაოდენობა არ არსებობს. ეს ამოცანის სირთულესა და ბევრ გარე ფაქტორზეა დამოკიდებული.

დაახლოებითი წარმოდგენის შესაქმნელად, ამ ცხრილში მოცემულია ხელოვნური ინტელექტის რამდენიმე კომპანიის მიერ გამოყენებულ მონაცემთა რაოდენობა:

წყარო: lionbridge.ai

2.2) რამდენად ხარისხიანია თქვენი მონაცემები?

მონაცემებზე საუბრისას ყურადღება მხოლოდ მათ რაოდენობას არ უნდა მიენიჭოს. არანაკლებ მნიშვნელოვანია ისიც, არის თუ არა ეს მონაცემები სწორად დახარისხებული. სწორი დასკვნების გამოსატანად სისტემას უნდა შეეძლოს მიღებული მასალის წაკითხვა. ამას კი მშრალი მონაცემები არ კმარა. მონაცემთა ინჟინრების ძირითადი ამოცანაც სწორედ ესაა. შეიძლება ისიც ითქვას, რომ ეს ფაქტორი რაოდენობაზე მნიშვნელოვანია. 100 დახარისხებული მონაცემით ხელოვნური ინტელექტი უკეთ იხელმძღვანელებს, ვიდრე 1000 დაუხარისხებელით.

2.3) რა სიხშირით უნდა მიეწოდოს სისტემას ახალი მონაცემები და როგორ აპირებთ ამის ტექნიკურ უზრუნველყოფას?

მართალია, ხელოვნური ინტელექტი, ძირითადად, დამოუკიდებლად მუშაობს, მაგრამ მას მაინც სჭირდება პერიოდულად ადამიანებისგან დახმარება. თუ სტარტაპი თავის AI სისტემას სუპერგმირად წარმოაჩენს, რომელსაც ადამიანის ჩარევა არასდროს დასჭირდება, დიდი შანსია, ბოლომდე თავადაც ვერ ერკვეოდეს ხელოვნური ინტელექტის შესაძლებლობებში.

მონაცემებთან დაკავშირებით უფრო დეტალური ინფორმაციის მისაღებად გირჩევთ გაეცნოთ ამ სტატიას.

3. რა პრობლემას გადააწყდით სისტემის შემუშავებისას და ტესტირებისას?

ყოველი ახალი სისტემა, მითუმეტეს ისეთი, რომელიც სრულიად ახალ ტექნოლოგიას წარმოადგენს, შემუშავებისა თუ იმპლემენტირების პერიოდში ბევრ გამოწვევას აწყდება. მათ, ვინც ამ პროცესს ხელმძღვანელობენ, ეს ყველაფერი კარგად იციან. მოსთხოვეთ პროექტის ავტორებს, დეტალურად აგიხსნან, რა არ გამოვიდა ისე, როგორც ელოდნენ და რა გზებს მიმართეს იმისათვის, რომ ეს პრობლემა გამოესწორებინათ.

4. რამდენი დრო და ფინანსური რესურსი დაუთმეთ სისტემის შემუშავებას და ვის მიერაა ის დადასტურებული?

თუ სტარტაპი ახალია, მაშინ მათი სისტემა არასრულყოფილი ან განვითარების ადრეულ ეტაპზე იქნება. იდეალურ შემთხვევაში, სისტემაზე მუშაობა რამდენიმე წლის წინ უნდა იყოს დაწყებული, დიდი ფინანსური რესურსიც უნდა იყოს მის განვითარებაში ჩადებული და რეალურ შემთხვევებზეც კარგად შემოწმებული.

აქ მნიშვნელობა ენიჭება იმას, კომპანიის განვითარების რომელ სტადიაზე გიღირს ინვესტიციის ჩადება. სტარტაპი, რომლის ადრეული შედეგებიც იმედისმომცემად გამოიყურება, ყურადღებად ღირს. მაგრამ, თუ არც გუნდის წევრები გამოირჩევიან დიდი გამოცდილებით და ხელოვნური ინტელექტის სისტემაც ჯერ ლაბორატორიულ კვლევებს არ გასცდენია, მაშინ მზად უნდა იყო დიდი რესურსისა და ენერგიის დახარჯვაზე იმისათვის, რომ შენ მიერ შერჩეულმა კომპანიამ წარმატებას მიაღწიოს.

5. გამოყენებულია თუ არა სისტემა რეალურ ბიზნეს სამყაროში და როგორი შედეგები დადო მან?

ეს კითხვა ნაკლებად დაგეხმარებათ იმის დაზუსტებაში, რეალურ AI პროექტს ესაუბრებით, თუ არა. მაგრამ, იმის გარკვევაში მაინც დაგეხმარებათ, რა სტადიაზეა პროექტი და, შესაბამისად, წარმატების რამხელა შანსი აქვს მას.

თავდაპირველად, ხელოვნური ინტელექტი ნამდვილი პრობლემების მოგვარებისას ისევე ეფექტიანად ვერ მუშაობს, როგორც ლაბორატორიაში. იქ, სადაც პირობები კონტროლდება და სისტემას კონკრეტული, წინასწარ შემუშავებული დავალებები ეძლევა შესასრულებლად, ყველაფერი უფრო კარგად მიმდინარეობს, ვიდრე ჩვენს ქაოტურ რეალობაში, სადაც წინასწარ ვერ გათვლი, რა მოხდება. თუ სტარტაპს ამ მხრივ უკვე გააჩნია გამოცდილება, მაშინ ისინი ზუსტად მოგიყვებიან, რა პრობლემებს წააწყდნენ ლაბორატორიის გარეთ სისტემის ტესტირებისას და რა გზებს მიმართეს ამ პრობლემების აღმოსაფხვრელად.

როგორც ხშირად აღნიშნავენ, ხელოვნური ინტელექტის სტარტაპების დაახლოებით 20% ლაბორატორიას ვერ სცდება. ეს კიდევ უფრო ნაკლები მაჩვენებელია იმაზე, ვიდრე ნამდვილი AI სტარტაპების რაოდენობა.