Почему так много продуктов на основе ИИ терпят неудачу
Каждый раз, когда вы обновляете свою новостную ленту, кажется, что появляется новая тенденция в области технологий искусственного интеллекта (ИИ) или демонстрация, которая может изменить траекторию развития человечества (и, возможно, вытеснить вас из бизнеса). Но когда дело доходит до практики, эти продукты ИИ редко создают ценность для конечных пользователей — даже если они разработаны такими гигантами, как компании из Силиконовой долины.
Пример использования ИИ №1: Amazon Alexa
Рассмотрим Amazon Alexa, персонального помощника на основе разговорного ИИ. В 2016 году Джефф Безос упомянул, что «сочетание новых и улучшенных алгоритмов, значительно возросшей вычислительной мощности и способности использовать огромные объёмы обучающих данных… объединяются для решения ранее неразрешимых проблем».
Прошло пять лет, и Alexa потеряла около 10 миллиардов долларов в одном только 2022 году, что сделало её крупнейшим убыточным проектом Amazon.
Пример использования ИИ №2: Google Duplex
Был также Google Duplex: «почти человеческий» чат-агент ИИ, созданный для решения повседневных задач, таких как проверка рейсов и бронирование столиков. Через три года его закрыли.
Пример использования ИИ №3: автономное вождение
А как насчёт тех беспилотных автомобилей, на которые мы возлагали такие большие надежды? Если закрытие Ford своего проекта по разработке технологий автономного вождения о чём-то говорит, вам всё равно придётся садиться за руль в обозримом будущем.
Неутешительная реальность заключается в том, что 85% корпоративных проектов в области больших данных и ИИ терпят неудачу.
Что же здесь происходит? Если бренды с тысячами сотрудников и миллиардами долларов не могут добиться успеха с продуктом на основе ИИ, как это сделаете вы?
Проблема не в технологии как таковой. Некоторые вещи, которые можно сделать с помощью ИИ, просто волшебны, и они становятся только лучше. Проблема заключается в том, чтобы понять, как применять ИИ в нужных ситуациях, в нужное время и на нужных каналах — и при этом получать прибыль.
Другими словами: поиск соответствия продукта рынку для продуктов ИИ.
ИИ сам по себе не может разрушить: этапы машинного обучения
Программное обеспечение ИИ, такое как ChatGPT, BERT и LaMBDA, не может сократить вашу долю рынка — тем более заменить вас — само по себе. Однако конкурент, который использует эти инструменты ИИ для масштабирования своей деятельности, определённо может вас разрушить.
Чтобы понять почему, давайте разберём две основные фазы машинного обучения: обучение и вывод.
- Обучение машинного обучения — это процесс подачи модели кураторских данных, чтобы она могла «научиться» и построить модели. Например, лингвисты обучают ИИ Grammarly, подавая ему высококачественные данные о том, как правильно использовать запятые.
- Вывод машинного обучения — это процесс использования предварительно обученного алгоритма для ответов на вопросы в режиме реального времени. Например, Grammarly предлагает варианты, чтобы сделать текст пользователя чётким и грамматически правильным.
Чем лучше данные, которые вы подаёте машине, тем лучше будет результат. Соответственно, компании, у которых есть золотые жилы данных (и пользователи постоянно генерируют их всё больше), имеют преимущество перед стартапами, создающими возможности ИИ с нуля.
Кривая выживания ИИ: где лежат прибыльные возможности
Самый эффективный способ оценить возможности ИИ и раскрыть преимущества ИИ — это использовать фреймворк «рассмотрение x контекст». Давайте начнём с некоторых базовых определений.
Y-ось = рассмотрение: количество усилий, необходимых для принятия решения.
Чем больше размышлений вы вкладываете в решение, тем выше оно по рассмотрению. Например, выбор средства для мытья посуды является «низким рассмотрением» для большинства покупателей, по сравнению с покупкой автомобиля, которая является «высоким рассмотрением». Рассмотрение можно представить как функцию количества убедительных альтернатив и ставок — например, терпимости пользователей к ошибкам.
X-ось = контекст: объём абстрактных понятий, которые ИИ должен знать.
Контекст относится к тому, сколько абстрактных понятий должна знать модель, чтобы предоставить полезный ответ. Нужно ли ей понимать только небольшую партию данных (например, каталог продуктов), или она должна понимать весь интернет (как ChatGPT)?
Примеры ИИ в бизнесе
Успешные продукты ИИ аккуратно ложатся на кривую, которую мы назовём «кривой выживания». Давайте подробнее рассмотрим, где различные продукты ИИ находятся на этой кривой, на нескольких примерах.
- StitchFix: их модель использует ИИ, чтобы помочь людям подобрать идеальные наряды. Это требует много размышлений (высокое рассмотрение), но варианты ограничены модой StitchFix, а не целым торговым центром (низкий контекст).
- Grammarly: этот помощник по написанию текстов с поддержкой ИИ имеет умеренные ставки, поскольку может оказать огромную помощь людям, которые пишут для жизни. Контекст также умеренный, поскольку его нужно обучать правильной грамматике, но не всему опубликованному контенту.
- Walmart Text to Shop: этот инструмент помогает пользователям автоматизировать покупки для дома. Ставки здесь не так высоки, но требуется больше контекста с обширным ассортиментом Walmart в электронной коммерции и в магазинах (более 1,5 миллиона SKU).
- MyFitnessPal Meal Scan: эта функция сообщает людям, сколько калорий они потребляют, просто сканируя то, что у них на тарелке. Снимок стоит тысячи слов, но здесь снимок стоит миллионы точек данных. Соответственно, это функция с высоким контекстом, но низкими ставками, поскольку последствия минимальны, если ошибиться.
- NotionAI: этот инструмент, работающий на базе GPT3, требует больше обучения, чем что-либо ещё — весь интернет! Однако ставки низки; вы всегда можете провести мозговой штурм и написать самостоятельно, и нет никаких убедительных альтернатив.
- Полностью беспилотные транспортные средства: это находится далеко за кривой в правом верхнем квадранте, поскольку требует невероятного количества обучения в сочетании с высокими ставками, чтобы быть «правым» 100% времени.
- Amazon Alexa: это находится ниже кривой, потому что большинство вариантов использования имеют низкие ставки (проверка погоды, уменьшение громкости) и низкий контекст (может заказать пиццу Domino’s, но не может заказать вам пирог из лучшего места с глубокой пиццей в Сиэтле).
Кривая выживания ИИ говорит нам, способно ли решение на основе ИИ удовлетворить потребности ваших пользователей сегодня. По мере увеличения ставок и вариантности модели требуется больше внимания человека, чтобы последовательно находить лучший ответ.
Преодоление недостатков ИИ
Чтобы ещё больше обезопасить своё будущее в сфере ИИ, важно понимать его ограничения, чтобы преодолеть их с выгодой.
Прямо сейчас ахиллесова пята ИИ — это Правда, то есть его самое большое ограничение заключается в том, что он не знает, что такое Правда. Мы используем заглавную букву «Т», потому что есть большая разница между правильным названием столицы Ботсваны и правильным прогнозированием спроса на стиральный порошок в 2030 году.
В прошлом мае Корнельский университет провёл исследование, чтобы оценить, насколько точно языковые модели ИИ отвечают на 817 вопросов, охватывающих здоровье, право, финансы и политику. Лучшая модель была правдива только в 58% случаев, по сравнению с 94% для людей.
Это не значит, что ИИ «плохой». Напротив, он делает именно то, что должен: имитирует то, что ему скармливают инженеры данных. В данном случае модель была обучена на данных, которые включают популярные заблуждения, потенциально способные ввести людей в заблуждение.
Интеграция вашего продукта ИИ
Разница между ИИ и другими инновационными инновациями заключается в том, что существует невероятно низкий барьер для входа. В первые дни интернета создание веб-сайта было сложной задачей, с которой могли справиться только крупные технические команды. Сравните это с ИИ, где практически любой человек с подключением к интернету может создавать приложения с помощью моделей с открытым исходным кодом.
Это здорово с точки зрения доступности. Но, как отмечает Аллен Ченг, продуктовые команды выигрывают от «рвов», которые создают конкурентные преимущества, а ресурсы, подобные OpenAI, превращают рвы в мелкие лужицы. Соответственно, реальная ценность заключается в интеграции ИИ в существующие системы для их расширения — а не в том, чтобы развернуть бота и назвать это днём.