Поможет ли этот кризис правильно выбрать автономный ИИ?

COVID-19 пандемия ускоряет автоматизированное будущее, которое уже в пути. Он служит тревожным звонком для всех ИИ, робототехники и автомобильных стартапов без водителя: прекратите создавать ошеломляющие демонстрации и говорите о будущей возможности ИИ общего назначения. Вместо этого сосредоточьтесь на развертывании реальных решений, которые могут работать 24 часа в сутки с минимальным вмешательством человека и приносить истинную пользу пользователям.

Тысячи американцев начали работать из дома в условиях нынешней пандемии. Ритейлеры боролись со снабжением, в то время как нервные потребители копят все: от туалетной бумаги до мыла для рук. По всему миру китайский гигант электронной коммерции JD начал тестировать автономного робота доставки 4-го уровня в Ухани и запускать свои автоматизированные склады 24 часа в сутки, чтобы справиться с ростом спроса.

Вдруг, автономные машины должны быть лучше чем просто доказательство концепции. Они должны быть достаточно надежными, чтобы работать независимо друг от друга в различных жизненных ситуациях.

В некотором смысле, эпидемия ускоряет автоматизированное будущее, которое уже в пути. Он выявил проблемы, которые долгое время существовали на венчурной арене ИИ: умные слова и ажиотажные суждения людей, мешающие видеть реальный прогресс.

Промышленность должна провести столь необходимые реформы в направлении создания реальных автономных систем в следующих трех областях:

1. Пересмотреть метрики

По мере того как в реальном мире развертывается все больше автономных ИИ-машин, обычные показатели, такие как скорость, время цикла или коэффициент успешности, больше не могут представлять полную картину. Нам необходимо измерить надежность системы в условиях неопределенности с помощью показателей надежности, таких как среднее количество вмешательств человека. Нам нужно больше инструментов и отраслевых стандартов для оценки общей производительности системы в широком диапазоне сценариев, потому что реальная жизнь, в отличие от контролируемой среды, непредсказуема.

Если робот доставки может развивать максимальную скорость до 4 миль в час, но не может выполнить одну доставку без поддержки человека на месте, робот не создает большой ценности для своих пользователей.

DevOps появился несколько лет назад, чтобы сократить цикл разработки и постоянно предоставлять высококачественное программное обеспечение. По сравнению с разработкой программного обеспечения, AI или ML гораздо менее развиты. 87% ML проектов никогда не пойдут в производство. Однако в последнее время мы начали видеть, что MLOps или AIOps появляются все больше и больше.

Это знаменует собой важный переход от исследований ИИ / МЛ к реальным продуктам, которые используются и тестируются каждый день. Требуется значительное изменение мышления, чтобы сосредоточиться на обеспечении качества, а не на современных моделях ML. Я не говорю, что у нас не может быть и того и другого одновременно, но на сегодняшний день мы видели больше акцента на последнем.

2. Редизайн обработки ошибок и связи

Недавний закрытие Старской робототехники напоминает нам о том, что нам еще далеко до полностью автономных решений. Однако это не означает, что ИИ-робототехника не может принести непосредственные ценности людям. Как уже упоминалось в моем предыдущая статья, даже если людям приходится обрабатывать крайние случаи в 15% случаев, это все равно означает, что компании могут снизить значительные затраты на оплату труда и интеграцию.

Вот почему важно измерить количество вмешательств со стороны человека, как указано выше. Что еще более важно, мы должны разработать лучший способ обработки и передачи ошибок. Например, показывая уровень достоверности прогнозов модели машинного обучения или оформление ваших прогнозов в качестве предложений вместо решений — способы завоевать доверие пользователей.

Кроме того, крайне важно иметь двустороннюю связь, чтобы позволить пользователям отмечать неизвестные неизвестные, ошибки, которые системы не могут обнаружить. Особенно для серьезных ошибок, которые требуют немедленного вмешательства человека для возобновления работы системы.

Обработка ошибок — первый шаг. Речь идет о выявлении случаев, когда машины не могут справиться с каждым сценарием самостоятельно. Следующим шагом является обеспечение беспрепятственной передачи обслуживания и совместной работы между машинами и людьми для решения крайних случаев и оптимизации общей производительности.

3. Пересмотреть взаимодействие человека с машиной.

Мы привыкли управлять роботами или отдавать команды машинам. Но как машины становятся все умнееДолжны ли мы, люди, всегда делать последний звонок?

Например, кто должен управлять автономными роботами? Сама машина? Водитель безопасности человека? Кто-то, кто контролирует флот роботаксиса удаленно? Или пассажиры? При какой ситуации? Есть ли у нас правильный инструмент и технология для быстрой передачи всей соответствующей информации лицу, принимающему решение?

Помимо технологий, существуют также проблемы с доверием. Хотя исследования показывают, что автономные автомобили безопаснее, почти половина американцев до сих пор предпочитаю не использовать авто вождение автомобиля.

Как мы проектируем ориентированный на человека ИИ, чтобы убедиться, что автономные машины делают нашу жизнь лучше, а не хуже? Как мы можем автоматизировать правильные сценарии использования для увеличения количества людей? Как создать гибридную команду, которая обеспечивает лучшие результаты и позволяет люди и машины учатся друг у друга?

Есть еще много вопросов, на которые мы должны ответить. Но хорошая новость в том, что мы начали это делать. И мы, кажется, движемся в правильном направлении.

Бастиан Хуан является менеджером по продукту в OSAROстартап по ИИ / робототехнике в Сан-Франциско при поддержке Питера Тиля и Джерри Янга AME Cloud. Ранее она работала на Amazon Alexa.



Источник: Поможет ли этот кризис правильно выбрать автономный ИИ?


Похожие материалы по теме: Поможет ли этот кризис правильно выбрать автономный ИИ?

Leave a comment