Чували ли сте за закона на Мур? През 1965 г. Роджър Мур, който по-късно ще стане един от основателите на Intel пише научна публикация, според която броя на електронните компоненти, които могат да бъдат поставени върху една интегрална схема ще се увеличава двойно на годишна база. Тази експоненциална крива е известна като законът на Мур и ще се превърне в основа на дигиталния свят, какъвто го познаваме днес.
И когато цената на чиповете започва да пада, докато тяхната производителност нараства, икономиката започва да използва все повече и повече от тях. Ръчни часовници, съдомиялни, автомобили и разбира се – компютри.
Това се случва в една икономика, когато даден ресурс поевтинява, казва проф. Ави Голдфарб, преподавател в Университета на Торонто. „Ние потребяваме все повече и повече от него! Това вече се случи с чиповете и компютрите. Доколкото всяка задача пред един компютър и преди и сега е аритметично изчисление, днес ние аутсорсваме почти всички изчисления към компютрите. Игрите са аритметична задача, музиката е аритметична задача, дори и изображенията могат да се превърнат в аритметична задача“, казва още Голдфарб.
Защо е цялата тази врява около изкуствения интелект?
AI далеч не е нова концепция и винаги се е смятало, че тя носи огромен потенциал в себе си. Причината за големия шум около изкуствения интелект е простият факт, че цената на чиповете пада драстично, докато тяхната производителност расте. Фундаменталния ефект от тази ситуация е намалената цена на изчислителната мощ, нужна за решаването на аритметични задачи. Къде е голямата полза от всичко това, ще попитате вие? Добре дошли в света на аналитичното прогнозиране!
Как работи prediction analytics?
Когато говорим за прогнозиране, нямаме предвид предсказание. Става дума за обосновано предположение, подкрепено с правилните данни. Експертите по data analytics използват исторически данни, за да проектират техните стойности в бъдеще. Доколкото изкуственият интелект и Machine Learning са прогнозиращи технологии и по идентичен с чиповете начин, днес ние виждаме поевтиняване на тяхната цена. Така, икономиката ще има възможност да консумира повече от тях.
Също като застраховката, която плащате в момента. Нейната цена е изчислена на база прогнозиран риск, изчисленията за който са направени с помощта на машини и специфични алгоритми, някои от които имат характеристиките на AI. Същото важи и за банковите заеми, като субектът на прогнозиране тук е вероятността даден кредитополучател да изплати кредита си. Преди, този риск е изчисляван на ръка, но днес това е изчислителна задача, известна още с името скор карта.
Проф. Голдфарб казва, че докато прогнозирането става все по-достъпно, бизнесът ще му намира все повече приложения като медицинската диагностика, идентифициране на обекти, дори и автономните автомобили могат да бъдат третирани като обект на аналитичното прогнозиране.
Ето как цената на прогнозите намалява и с това AI става по-достъпен, което води и до целия шум около него. Понижената цена отваря нови хоризонти и много бизнеси бързат да открият нови приложения на прогнозирането с потенциал да трансформират цели сфери.
Истинската стойност на големите данни
Живеем в свят с намаляващи ресурси. С изключение на един. Данните са единствения ресурс, който нарства експоненциално, казва нашият главен учен и съосновател на А4Е доц. Александър Ефремов. Като опитен експерт в анализа на големи данни, Ефремов е наясно с факта, че колкото повече данни биват генерирани, толкова повече могат да бъдат използвани. Ето защо твърденията, според които данните са новия петрол не бива да бъдат подценявани.
Проф. Голдфарб от своя страна предлага интересна перспектива за утилизирането на постоянно увеличаващите се данни. Той напомня, че някои специфични професии като пилотите или лекарите се подлагат на продължително обучение и много практически занятия. За да получат лиценз, те трябва да генерират огромно количество данни/опит в рамките на професионалното обучение. Усилията, които те полагат днес ги прави по-добри утре. Също като Google, които преди време инвестираха част от своите печалби в нови хора с нови умения, анализиращи търсенията на потребителите, за да могат да създадат по-добри алгоритми за търсене. Чрез обучението, ние ставаме все по-добри и по-добри, без значение дали говорим за отделен човек или цяла организация.
Също като хората и организациите, машините се учат от собствения си опит. Помахайте за здрасти на Machine Learning/машинното самообучение, което не е едно и също с изкуствения интелект, макар да е съществена част от него. Когато имаме повече данни, машините ще могат да научавата повече. Колкото повече научават, толкова по-добри ще стават. Колкото са по-добри, толкова по-добри ще бъдат прогнозите, които машините могат да произведат.
Достъпът до по-добри прогнози не означава, че изкуственият интелект е добър, колкото човешкият. Това, което AI не притежава е разумна преценка. Има решения, които не могат да бъдат взети от машини. Макар самолетите, корабите и дори автомобилите да имат автопилот, те не могат да стигнат от точка А до точка Б напълно самостоятелно. Или поне не все още.
Дали достъпът до постоянно подобряващи се машинни прогнози ще доведе до замяната на хора от изкуствен интелект? Със сигурност, но далеч не всички. В А4Е ние вярваме, че човешкият капитал е много скъп ресурс и знаем, че когато хората изгубят прогнозирането като част от своята работа, те могат да бъдат трансформирани в креативна сила.
