Η τεχνητή νοημοσύνη μοιάζει πολύ με τον …ρομαντικό έρωτα

του Jonathan Vanian

Τα εταιρικά στελέχη που φοβούνται τις μακροπρόθεσμες δεσμεύσεις θα πρέπει να αποφεύγουν την τεχνητή νοημοσύνη.

Όπως συμβαίνει και με τις ερωτικές σχέσεις, η χρήση της τεχνολογίας απαιτεί όρεξη για σκληρή δουλειά, σχεδιασμό και υπομονή. Ακόμα και τότε, όμως, η αποτυχία είναι ένα υπαρκτό ενδεχόμενο.

«Εάν δεν πρόκειται να πραγματοποιήσετε τη σχετική επένδυση με μακροπρόθεσμο ορίζοντα, δεν είναι καλή ιδέα να εμπλακείτε με τη μηχανική μάθηση», ανέφερε σε πρόσφατή συνέντευξή του στο Fortune ο αντιπρόεδρος τεχνητής νοημοσύνης του LinkedIn, Deepak Agarwal.

Ο Agarwal ηγείται των πολλών προγραμμάτων μηχανικής μάθησης που «τρέχει» το κοινωνικό δίκτυο, τα οποία τροφοδοτούν εργασίες όπως η πρόταση αγγελιών απασχόλησης στους χρήστες ή ο προσδιορισμός εκείνων των θέσεων απασχόλησης που είναι πιο σχετικές με τα ενδιαφέροντά τους. Ο ίδιος έχει εμπλακεί με τη μηχανική μάθηση και τη στατιστική εδώ και χρόνια, αφού προηγουμένως εργάστηκε στη Yahoo και την AT&T σε ανώτερες θέσεις έρευνας.

Ένα πράγμα που έχει μάθει ο Agarwal είναι ότι μπορεί να απαιτήσει τουλάχιστον έναν χρόνο η εξασφάλιση οικονομικής απόδοσης από την επένδυση στη μηχανική μάθηση. Κατά τη διάρκεια αυτής της περιόδου, οι εταιρείες πρέπει να ολοκληρώσουν μονότονα καθήκοντα όπως ο καθαρισμός και η ορθή επισήμανση δεδομένων, και η εύρεση των κατάλληλων αλγορίθμων μηχανικής μάθησης και των υποδομών δεδομένων που θα χρησιμοποιήσουν.

Ο Agarwal συνιστά στις μικρές επιχειρήσεις, οι οποίες συχνά διαθέτουν λίγα δεδομένα, να καταβάλουν προσπάθεια να τα συλλέξουν πριν αρχίσουν να εφαρμόζουν τη μηχανική μάθηση. Χωρίς μεγάλο αρχείο πληροφοριών, η τεχνολογία αυτή είναι σχεδόν άχρηστη.

Για κάποιες επιχειρήσεις, πάλι, η μηχανική μάθηση δεν έχει νόημα επειδή απαιτεί μεγάλη υπολογιστική ισχύ για την επεξεργασία των δεδομένων. Και η ενοικίαση υποδομών υπολογιστικής cloud μπορεί να κοστίσει περισσότερο από οποιοδήποτε πρόσθετο κέρδος δύναται να δημιουργήσει η μηχανική μάθηση, εξηγεί ο Agarwal.

Όμως, όταν η τεχνολογία λειτουργεί σωστά, το όφελος μπορεί να είναι τεράστιο. Για τις μεγάλες επιχειρήσεις όπως η Google, που έχουν ενσωματώσει τη μηχανική μάθηση σε όλες τις δραστηριότητες και τις εφαρμογές τους, μια μέτρια βελτίωση κατά 2% σε ένα ιδιαίτερα σημαντικό ποσοτικό μέγεθος θα μπορούσε να οδηγήσει σε επιπρόσθετα κέρδη ύψους πολλών εκατομμυρίων δολαρίων.