Ώθηση 14 τρισεκατομμυρίων δολαρίων μπορεί να δώσει η Τεχνητή Νοημοσύνη στην παγκόσμια οικονομία
του Bernhard Warner
Οι ρυθμοί παγκόσμιας ανάπτυξης παραμένουν στάσιμοι. Οι εμπορικοί πόλεμοι βλάπτουν σοβαρά την οικονομική υγεία, από τη Σαγκάη μέχρι τη Στουτγάρδη και το Σηάτλ. Όμως, όσο άσχημη κι αν φαίνεται η σημερινή εικόνα της οικονομίας, η Βιομηχανία 4.0 είναι ολοζώντανη, όπως λένε οι πιο ένθερμοι υποστηρικτές της.
Η Βιομηχανία 4.0 είναι ένας όρος που περιγράφει την υιοθέτηση από τις επιχειρήσεις των μεγάλων δεδομένων, της βελτιωμένης ρομποτικής, και της τεχνητής νοημοσύνης. Και αναμένεται να είναι ένας σημαντικός παράγοντας παγκόσμιας ανάπτυξης κατά την επόμενη δεκαετία, και πέρα απ’ αυτήν, ακόμα και στη μεταποίηση.
Μέχρι το 2035, αυτή η ώθηση που βασίζεται στην τεχνητή νοημοσύνη θα προσφέρει μια ευκαιρία ύψους 14 τρισεκατομμυρίων δολαρίων στην παγκόσμια οικονομία, σύμφωνα με προβλέψεις της Accenture.
Αυτή είναι η εκτίμηση του Marc Carrel-Billiard, παγκόσμιου γενικού διευθυντή της Accenture Labs, ο οποίος παρουσίασε τους αριθμούς αυτούς κατά τη διάρκεια της ομιλίας του στην Παγκόσμια Σύνοδο Τεχνητής Νοημοσύνης στο Άμστερνταμ. Σαν παράδειγμα, ανέφερε μια έρευνα που μελέτησε την πρόοδο σε έναν αναπτυσσόμενο κλάδο της αυτοματοποίησης που τροφοδοτείται από την τεχνητή νοημοσύνη: τα τηλεφωνικά κέντρα. Πριν από πέντε χρόνια, τα bots τεχνητής νοημοσύνης μπορούσαν να διαχειριστούν με επιτυχία μία στις δέκα τηλεφωνικές κλήσεις πελατών. Σήμερα, είπε, το αντίστοιχο ποσοστό είναι 60%.
Επιπλέον, προέβλεψε ότι αυτή η τάση αυτοματοποίησης δεν θα οδηγήσει στην περικοπή θέσεων εργασίας που φοβούνται οι πιο απαισιόδοξοι οικονομολόγοι.
Όμως, προτού οι τεχνολόγοι αρχίσουν τον …γύρο του θριάμβου, καλό θα ήταν να λάβουν υπόψη και τα ακόλουθα δεδομένα:
Η αυτοματοποίηση δεν συνιστά απειλή για τις θέσεις εργασίας, λέει ο Carrel-Billiard, πολύ απλά γιατί αυτά τα συστήματα δεν είναι πολύ έξυπνα. Η τεχνητή νοημοσύνη και οι πολλές εκφάνσεις της (μηχανική μάθηση, επεξεργασία φυσικής γλώσσας, μηχανική όραση, αναγνώριση εικόνας και φωνής) είναι καλά προσαρμοσμένες σε εξειδικευμένα καθήκοντα. Η τεχνητή νοημοσύνη κάνει αρκετά καλά τη δουλειά της όταν πρέπει να σας πει ποιος θα είναι ο καιρός ή να παραγγείλει εισιτήρια κινηματογράφου ή να σας βοηθήσει να βρείτε την πιο γρήγορη διαδρομή στο σπίτι κατά τη διάρκεια των βραδινών σας μετακινήσεων. Όλοι οι κλάδοι χρησιμοποιούν την τεχνητή νοημοσύνη όλο και περισσότερο σε επίπεδο επιχειρήσεων, για να κατανοήσουν τις τεράστιες ροές δομημένων και αδόμητων δεδομένων που συλλέγουν, για να εξαλείψουν τις αναποτελεσματικότητες και να εξοικονομήσουν κόστος.
Όμως, όπως σημειώνει ο Carrel-Billiard, η τεχνητή νοημοσύνη εξακολουθεί να έχει ένα τυφλό σημείο. Είναι εκπαιδευμένη να ερμηνεύει ορισμένα σύνολα δεδομένων και όχι να συνάγει νοήματα ή πλαίσια από έναν περίπλοκο κόσμο. Η τεχνητή νοημοσύνη σκέφτεται ειδικά, όχι γενικά, λέει. Επομένως, απαιτείται πολλή δουλειά για να καταστούν αυτά τα συστήματα πραγματικά έξυπνα.
Ο Gary Marcus, καθηγητής ψυχολογίας και νευρολογίας στο Πανεπιστήμιο της Νέας Υόρκης και συγγραφέας του Rebooting AI, είναι ακόμη πιο ειλικρινής ως προς την εκτίμησή του. Αποκαλεί τη βαθιά μάθηση – το υποσύνολο της τεχνητής νοημοσύνης που μπορεί να επεξεργαστεί τεράστιες ποσότητες δεδομένων με ελάχιστη ή καθόλου ανθρώπινη επίβλεψη – έναν εσφαλμένο όρο. Η βαθιά μάθηση είναι καλή για εστιασμένα καθήκοντα, αλλά ο ίδιος αμφισβητεί τη δυνατότητα που έχει, για παράδειγμα, να φέρει την επανάσταση στις μεταφορές (αυτοκίνητα δίχως οδηγό) και στην ιατρική (ανάλυση μεγάλου όγκου μαγνητικών τομογραφιών για σημάδια καρκινικών όγκων). «Η βαθιά μάθηση δεν υποκαθιστά την βαθιά κατανόηση», λέει.
«Ποιος είναι ο αριθμός των ακτινολόγων που έχουν αντικατασταθεί από συστήματα βαθιάς μάθησης;» καταλήγει ο Marcus. «Μηδέν».
