Warum der Einsatz künstlicher Intelligenz eine tiefgreifende Änderung der Denkweise erfordert

Obwohl KI derzeit ermutigende Fortschritte macht, hat sie in vielen Branchen noch keine revolutionären Veränderungen herbeigeführt. In vielen Fällen liegt das Problem nicht unbedingt in der Technologie, sondern in der Art und Weise, wie Menschen sie wahrnehmen.

„Power and Prediction“ ist ein neues Buch, das von einem Experten für künstliche Intelligenz geschrieben wurde und die grundlegenden Herausforderungen bei der Anwendung von Technologien für künstliche Intelligenz in verschiedenen Branchen untersucht. Als Fortsetzung des von der Kritik gefeierten Buchs „Prediction Machines“ geht dieses Buch darauf ein, was Unternehmen ändern müssen, bevor sie das volle Potenzial der Fortschritte in der künstlichen Intelligenz nutzen können.

Von Punktlösungen und Anwendungen bis hin zu KI-Systemen untersuchen Branchenexperten die Erfolge und Misserfolge von KI in verschiedenen Bereichen. Sie liefern auch wichtige Erkenntnisse aus vergangenen technologischen Revolutionen und zeigen, wie das Umdenken und Entwerfen von KI-Systemen von Grund auf dazu beitragen kann, auf der Grundlage leistungsstarker maschineller Lern- und Deep-Learning-Algorithmen echten Mehrwert zu schaffen.

Punktlösung vs. KI-Systeme

Heutige KI-Systeme sind prädiktive Maschinen, das heißt, sie können anhand vergangener Daten vorhersagen, was in der Zukunft passieren wird. Das ist es, was jedes mathematische Modell tut. Doch dank der Verfügbarkeit großer Daten- und Rechenmengen sowie der Fortschritte bei Deep-Learning-Algorithmen konnten Menschen Modelle erstellen, die Vorhersagen über komplexe Informationen wie Bilder, Texte und mehrdimensionale Daten treffen können.

In dem Buch „Power and Prediction“ unterteilt der Autor den Wert künstlicher Intelligenz in drei Kategorien: Punktlösungen, Anwendungslösungen und Systemlösungen.

Das meiste, was die Leute bisher gesehen haben, sind Punktlösungen und App-Lösungen. Diese KI-Systeme ersetzen Aufgaben, die bisher einer Vorhersage bedurften. Im Finanzdienstleistungsbereich besteht eine der Aufgaben beispielsweise darin, vorherzusagen, welche Transaktionen betrügerisch sind. Ein auf den richtigen Daten trainiertes Machine-Learning-Modell kann diese Aufgabe übernehmen. Punktlösungen sind die niedrig hängende Frucht der künstlichen Intelligenz, da ihre Einführung nur minimale Investitionen und Änderungen an den zugrunde liegenden Systemen erfordert.

Ein weiteres Beispiel für eine Punktlösung ist die Analyse radiologischer Scans. Mittlerweile gibt es mehrere Deep-Learning-Modelle, die verschiedene Krankheiten anhand von Röntgen- und MRT-Scans auf einem Niveau erkennen können, das mit dem Niveau erfahrener Radiologen vergleichbar ist.

Sie automatisieren eine der vielen Aufgaben, die Radiologen ausführen, ohne dass Änderungen am zugrunde liegenden Patientenversorgungssystem erforderlich sind.

Künstliche Intelligenzsysteme können einen größeren Mehrwert bieten, indem sie neue Aufgaben und Probleme automatisieren, die von aktuellen Anwendungen und Systemen nicht gelöst werden können. KI-Systeme erfordern jedoch einen unbeschriebenen Ansatz, bei dem ganze Prozesse, Arbeitsabläufe und Anwendungen neu gestaltet werden müssen, um nicht nur bestehende, sondern auch neue Probleme zu lösen. Damit sie funktionieren, erfordern KI-Systeme häufig neue Organisationsstrukturen und die Ausrichtung von Zielen und Anreizen. Das macht KI-Systeme schwieriger und riskanter, aber auch lohnender.

Der Autor von Power and Prediction schreibt: „Systemlösungen sind oft schwieriger zu implementieren als Punktlösungen oder Anwendungslösungen, da KI-gestützte Entscheidungen andere Entscheidungen im System beeinflussen, während Systemlösungen häufig bestehende Systeme verbessern.“ „In vielen Fällen können Systemlösungen die größte Gesamtrendite für KI-Investitionen bieten“, heißt es in dem Buch „Power and Prediction“. glaubt, dass wir uns jetzt im „Zwischenzeitalter“ der künstlichen Intelligenz befinden, nachdem wir die Leistungsfähigkeit dieser Technologie gesehen haben, sie jedoch noch nicht weit verbreitet ist. Aus diesem Grund sind Punktlösungen derzeit ein attraktiverer und beliebterer Anwendungsfall für künstliche Intelligenz.

Dies hat einen historischen Präzedenzfall. Als beispielsweise im späten 19. Jahrhundert die Industrialisierung der Elektrizität begann, waren ihre ersten Anwendungen punktuelle Lösungen. Für Fabriken bedeutet dies, Dampfmaschinen durch Elektromotoren zu ersetzen, um die Energiekosten zu senken. Der Wechsel der Stromquelle erfordert keine Neugestaltung der Fabrik.

Der eigentliche Wert von Elektrizität besteht jedoch darin, die Maschine von der Stromquelle zu entkoppeln. Dies ermöglichte neue Fabrikdesigns, die mit Dampfkraft nicht möglich waren, und machte sie produktiver und kostengünstiger. Diese Einführung dauerte jedoch Jahrzehnte, da sie grundlegende Änderungen, einen Umbruch mit Gewohnheiten und eine Vorabinvestition erforderte, zu der bestehende Unternehmen nicht bereit waren. Den Unternehmern, die die Chance nutzten, gelang es, eine führende Position einzunehmen und einen großen Teil des Marktes zu erobern, der später den alten Markt ablöste.

Man kann diese Veränderungen auch in vielen anderen Branchen beobachten, etwa im Aufkommen des Online-Shoppings, dem Aufkommen von Personalcomputern und der Verlagerung von gedruckten zu digitalen Medien.

Künstliche Intelligenz ist eine Infrastrukturtechnologie und Technologieführer haben ihre Auswirkungen mit Elektrizität verglichen. Daher erfordert dies eine neue Mentalität und mutige Erkundung.

Der Autor von „Power and Prediction“ schreibt: „Die KI-gesteuerte Branchentransformation wird Zeit brauchen, und es ist zunächst nicht klar, wie sie umgesetzt werden soll. Viele Menschen versuchen möglicherweise und scheitern, weil sie die Notwendigkeit missverstehen oder sie.“ Es gibt keine Möglichkeit, die Einheitsökonomie zum Laufen zu bringen. Andere werden versuchen, ihren Vorteil zu sichern, und wie immer wird es Gewinner und Verlierer geben.

Breaking the Rules

Der Autor von „Power and Prediction“ sagt: „Geben Sie nicht auf, wenn nichts mehr übrig ist. . Ohne die notwendigen Informationen, um fundierte Entscheidungen zu treffen, Es ist nicht verwunderlich, dass die Möglichkeiten für deren Nutzung nicht offensichtlich sind, wenn KI-Vorhersagen auftauchen. Ohne diese Informationen ist ein Gerüst aufgebaut worden.“ Regeln und Verfahren, die gut funktionieren und bereits seit langem etabliert sind. Diese Regeln gleichen den Mangel an Informationen aus. Sie ermöglichen es Menschen, Entscheidungen zu treffen, ohne genaue Ergebnisse vorhersagen zu können. Sie helfen beim Aufbau von Systemen, die zwar nicht optimal sind, aber in vielen Situationen zuverlässig funktionieren.

Der Schlüssel zum Erkennen dieser Möglichkeiten liegt erstens darin, die Leistungsfähigkeit von Vorhersagemaschinen zu verstehen und zweitens herauszufinden, wo Vorhersagen etablierte Regeln ersetzen können. Ein sehr interessantes Beispiel, das der Autor in dem Buch untersucht, ist der Einsatz künstlicher Intelligenz in der Bildung.

Dank maschineller Lernalgorithmen und historischer Daten ist es möglich, die Leistung der Schüler vorherzusagen, wo sie herausragende Leistungen erbringen und wo sie Schwierigkeiten haben werden. Dies gibt uns die Möglichkeit, jedem Schüler personalisiertere Inhalte bereitzustellen.

Aber diese Vorhersagemodelle sind im aktuellen Bildungssystem, das auf altersabhängigen Lehrplänen mit nur einem Lehrer pro Klasse basiert, keine große Hilfe. Dieses System wurde entwickelt, weil Lehrer keine Möglichkeit haben, die individuellen Lernfähigkeiten der Schüler anhand ihrer Bildungsverläufe genau zu messen.

Um die Vorteile des maschinellen Lernens voll ausschöpfen zu können, müssen die Menschen das Bildungssystem neu überdenken. Dieses neue System wird altersbasierte Lehrpläne durch personalisierte Diskussionen, Gruppenprojekte und Lehrerunterstützung ersetzen und so einen größeren Einfluss auf die allgemeine Bildung sowie das persönliche Wachstum und die persönliche Entwicklung haben.

Der Autor von Power and Prediction schreibt: „Altersbasierte Lehrplanregeln sind der Kitt des modernen Bildungssystems, daher kann künstliche Intelligenz zur Personalisierung von Lerninhalten in diesem System nur eine begrenzte Menge leisten.“ Die Herausforderung bei der Erschließung des Potenzials der KI für die personalisierte Bildung besteht nicht darin, Vorhersagemodelle zu erstellen, sondern die Bildung von den altersbasierten Lehrplanregeln zu entkoppeln, die derzeit das System zusammenhalten.“ Intelligenz erfordert das, was der Autor von „Power and Prediction“ „Systemdenken“ nennt, was im Gegensatz zum „Aufgabendenken“ steht. Eine aufgabenbezogene Denkweise konzentriert sich auf Kosteneinsparungen. Systemisches Denken konzentriert sich auf die Wertschöpfung. Das Task-Mindset konzentriert sich auf die Automatisierung einzelner Aufgaben. Systemdenken erkennt die Notwendigkeit an, Systeme neu aufzubauen, die auf der Grundlage maschineller Vorhersagen und menschlicher Entscheidungsfindung Werte generieren.

Man hat dies bereits in einigen Branchen und großen Technologieunternehmen wie Amazon und Google beobachtet, die profitable Systeme basierend auf Vorhersagen künstlicher Intelligenz entwickelt haben, um personalisierte Inhalte zu empfehlen.

Vielleicht ist eines der wichtigen Elemente der Systemmentalität die Machtverschiebung, die mit der Einführung künstlicher Intelligenz einhergeht. Wenn sich das System verändert, ändern sich auch die Menschen mit Entscheidungsbefugnis.

Der Autor von „Power and Prediction“ schreibt: „Auch wenn künstliche Intelligenz die Entscheidungsfindung nicht an Maschinen übergeben kann, kann sie verändern, wer Entscheidungen trifft. Maschinen haben keine Macht, aber sobald sie eingesetzt werden, können sie sich verändern.“ die Menschen, die die Macht haben. Wenn Maschinen die Entscheidungsträger verändern, müssen sich auch die zugrunde liegenden Systeme ändern. Die Menschen, die die Maschinen gebaut haben, müssen die Konsequenzen der Urteile verstehen, die sie früher gefällt haben 🎜#Ein hypothetisches Beispiel, das der Autor in dem Buch untersucht, ist das Herzinfarktrisiko. Derzeit erfolgt diese Risikobewertung durch Tests im Krankenhaus, wobei die Entscheidung vom Facharzt getroffen wird, der den Test durchführt.

Angenommen, es wäre möglich, ein künstliches Intelligenzsystem aufzubauen, das das Herzinfarktrisiko auf der Grundlage von Daten vorhersagt, die von tragbaren Geräten wie Smartwatches gesammelt werden. Es wäre dann möglich, diese Vorhersagen vom Triage-Bereich einer Krankenhausnotaufnahme auf das Zuhause des Patienten zu übertragen. In diesem Fall müssen viele Patienten nie ins Krankenhaus, nachdem bei ihnen eine Erkrankung diagnostiziert wurde, bei deren Behandlung ein Apotheker oder Hausarzt zu Hause helfen kann.

Ganz gleich, wo man in den wissenschaftlichen und philosophischen Debatten rund um künstliche Intelligenz steht, in einem kann man sich einig sein: Vorhersagemaschinen haben viel zu bieten und kratzen heute erst an der Oberfläche. Um ihr volles Potenzial auszuschöpfen, müssen wir uns zunächst wieder ans Zeichenbrett begeben und überdenken, wie Menschen Systeme entwerfen würden, wenn sie vorhersehbar wären. ?

Das obige ist der detaillierte Inhalt vonWarum der Einsatz künstlicher Intelligenz eine tiefgreifende Änderung der Denkweise erfordert. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!