Kampuni ya AI ni nini? [Video na Maswali]

Jibu fupi: Kampuni ya AI ni ile ambayo bidhaa yake kuu, thamani, au faida ya ushindani inategemea AI - ondoa AI na ofa hiyo huanguka au inakuwa mbaya zaidi. Ikiwa AI itashindwa kesho na bado unaweza kutoa kwa lahajedwali au programu ya msingi, kuna uwezekano mkubwa unawezeshwa na AI, si AI asilia. Kampuni halisi za AI hutofautisha kupitia data, tathmini, uwasilishaji, na mizunguko mikali ya marudio.

Mambo muhimu ya kuzingatia:

Utegemezi mkuu: Ikiwa kuondoa AI kunaharibu bidhaa, unaangalia kampuni ya AI.

Jaribio rahisi: Ukiweza kuchechemea bila AI, labda umewezeshwa na AI.

Ishara za uendeshaji: Timu zinazojadili hali ya kuteleza, seti za eval, ucheleweshaji, na hali za kushindwa huwa zinafanya kazi ngumu.

Upinzani wa matumizi mabaya: Jenga mipango ya ulinzi, ufuatiliaji, na urejeshaji wa vizuizi kwa ajili ya mifumo inaposhindwa kufanya kazi.

Uangalifu wa mnunuzi: Epuka kuosha akili bandia kwa kutumia mbinu zinazohitaji nguvu, vipimo, na utawala wa data ulio wazi.

"Kampuni ya AI" hutawanywa kwa uhuru kiasi kwamba huhatarisha kila kitu na kutofanya chochote kwa wakati mmoja. Kampuni moja changa inadai hadhi ya AI kwa sababu iliongeza kisanduku cha kukamilisha kiotomatiki. Kampuni nyingine hufunza mifumo, huunda vifaa, husafirisha bidhaa, na kusambaza katika mazingira ya uzalishaji… na bado huingizwa kwenye ndoo hiyo hiyo.

Kwa hivyo lebo inahitaji ncha kali zaidi. Tofauti kati ya biashara asilia ya AI na biashara ya kawaida yenye ujifunzaji mdogo wa mashine huonekana haraka mara tu unapojua cha kutafuta.

Makala ambazo unaweza kupenda kusoma baada ya hii:

🔗 Jinsi upandishaji wa ukubwa wa akili bandia unavyofanya kazi
Jifunze jinsi mifumo inavyoongeza maelezo ili kupanua picha kwa usafi.

🔗 Msimbo wa AI unaonekanaje?
Tazama mifano ya msimbo uliozalishwa na jinsi ulivyopangwa.

🔗 Algoriti ya AI ni nini?
Elewa algoriti zinazosaidia AI kujifunza, kutabiri, na kuboresha.

🔗 Uchakataji wa awali wa akili bandia ni nini?
Gundua hatua zinazosafisha, kuweka lebo, na kupangilia data kwa ajili ya mafunzo.

Kampuni ya AI ni nini: ufafanuzi safi unaodumu ✅

Ufafanuzi wa vitendo:

Kampuni ya AI ni biashara ambayo bidhaa yake kuu, thamani, au faida ya ushindani inategemea akili bandia - ikimaanisha ukiondoa AI, "kitu" cha kampuni huanguka au kuwa mbaya zaidi. (OECD, NIST AI RMF)

Sio "tuliwahi kutumia akili bandia (AI) katika hackathon." Sio "tuliongeza chatbot kwenye ukurasa wa mawasiliano." Zaidi kama:

• Bidhaa hiyo ni mfumo wa AI (au inaendeshwa na moja kutoka mwanzo hadi mwisho) (OECD)

• Ubora wa kampuni unatokana na mifumo, data, tathmini, na marudio (Google Cloud MLOps, NIST AI RMF Playbook - Measure)

• AI si kipengele - ni injini 🧠⚙️

Hapa kuna njia rahisi ya kujikinga na tatizo hili:

Hebu fikiria AI ikishindwa kesho. Kama wateja bado wangekulipa na unaweza kuchechemea kwa kutumia lahajedwali au programu ya msingi, kuna uwezekano mkubwa una AI inayowezeshwa, si AI asilia.

Na ndio, kuna eneo la katikati lisilo na mwanga. Kama picha iliyopigwa kupitia dirisha lenye ukungu... si sitiari nzuri, lakini unaelewa 😄

Tofauti ya "kampuni ya AI" dhidi ya "kampuni inayowezeshwa na AI" (sehemu hii inaokoa hoja) 🥊

Biashara nyingi za kisasa hutumia aina fulani ya AI. Hilo pekee halizifanyi kuwa kampuni ya AI. (OECD)

Kawaida kampuni ya AI:

• Huuza uwezo wa akili bandia (AI) moja kwa moja (modeli, marubani wasaidizi, otomatiki mahiri)

• Hujenga mifumo ya akili bandia (AI) ya kibinafsi kama bidhaa kuu

• Ina uhandisi mkubwa wa akili bandia, tathmini, na uwasilishaji kama kazi kuu (Google Cloud MLOps)

• Hujifunza kutokana na data kila mara na kuboresha utendaji kama kipimo muhimu 📈 (Google MLOps Whitepaper)

Kwa kawaida kampuni inayowezeshwa na AI:

• Hutumia akili bandia (AI) ndani ili kupunguza gharama, kuharakisha mtiririko wa kazi, au kuboresha ulengaji

• Bado inauza kitu kingine (bidhaa za rejareja, huduma za benki, vifaa, vyombo vya habari, n.k.)

• Inaweza kuchukua nafasi ya AI na programu ya jadi na bado "iwe yenyewe"

Mifano (ya jumla kwa makusudi, kwa sababu mijadala ya chapa ni burudani kwa baadhi ya watu):

• Benki inayotumia akili bandia (AI) kugundua ulaghai - imewezeshwa na akili bandia (AI)

• Muuzaji anayetumia AI kwa ajili ya utabiri wa orodha ya bidhaa - inayowezeshwa na AI

• Kampuni ambayo bidhaa yake ni wakala wa usaidizi kwa wateja wa AI - huenda ikawa kampuni ya AI

• Jukwaa la kuuza mfumo wa ufuatiliaji, tathmini, na zana za uwasilishaji - kampuni ya AI (miundombinu) (Google Cloud MLOps)

Kwa hivyo ndio… daktari wako wa meno anaweza kutumia akili bandia kwa ajili ya vikumbusho vya kupanga ratiba. Hilo haliwafanyi kuwa kampuni ya akili bandia 😬🦷

Ni nini kinachofanya toleo zuri la kampuni ya AI kuwa nzuri 🏗️

Sio kampuni zote za AI zimejengwa kwa njia sawa, na zingine, kwa kweli, ni za kuvutia na mtaji wa ubia. Toleo zuri la kampuni ya AI huwa na sifa chache zinazojitokeza tena na tena:

• Umiliki wa tatizo wazi: hutatua tatizo maalum, si "AI kwa kila kitu"

• Matokeo yanayoweza kupimika: usahihi, muda uliookolewa, gharama iliyopunguzwa, makosa machache, ubadilishaji wa juu - chagua kitu na ukifuatilie (NIST AI RMF)

• Nidhamu ya data: ubora wa data, ruhusa, utawala, na mizunguko ya maoni si ya hiari (NIST AI RMF)

• Utamaduni wa tathmini: hujaribu mifumo kama watu wazima - yenye vipimo, vipimo vya ukingo, na ufuatiliaji 🔍 (Google Cloud MLOps, Datadog)

• Ukweli wa utekelezaji: mfumo hufanya kazi katika hali mbaya ya kila siku, si tu katika maonyesho

• Ukingo unaoweza kutetewa: data ya kikoa, usambazaji, ujumuishaji wa mtiririko wa kazi, au zana za umiliki (sio tu "tunaita API")

Ishara ya kushangaza inayoonyesha:

• Ikiwa timu inazungumzia kuhusu ucheleweshaji, kuteleza, seti za eval, ndoto za kuota ndoto, na hali za kushindwa, labda wanafanya kazi halisi ya AI. (IBM - Model drift, OpenAI - ndoto za kuota ndoto, Google Cloud MLOps)

• Kama wanazungumzia zaidi kuhusu "kubadilisha ushirikiano na hisia zenye akili," basi... unajua jinsi ilivyo 😅

Jedwali la Ulinganisho: "aina" za kawaida za kampuni za AI na wanachouza 📊🤝

Hapa chini kuna jedwali la kulinganisha la haraka na lisilokamilika kidogo (kama biashara ya kila siku). Bei ni "mitindo ya kawaida ya bei," si nambari kamili, kwa sababu hutofautiana sana.

Tambua kitu. "Kampuni ya AI" inaweza kumaanisha biashara tofauti sana. Baadhi huuza mifumo. Baadhi huuza majembe kwa wajenzi wa mifumo. Baadhi huuza bidhaa zilizokamilika. Lebo moja, ukweli tofauti kabisa.

Aina kuu za makampuni ya AI (na wanachokosea) 🧩

Hebu tuende kwa undani zaidi, kwa sababu hapa ndipo watu hujikwaa.

1) Makampuni ya mfano wa kwanza 🧠

Mifumo hii hujengwa au kurekebishwa. Nguvu zao kwa kawaida huwa:

• vipaji vya utafiti

• uboreshaji wa hesabu

• tathmini na mizunguko ya marudio

• miundombinu ya huduma yenye utendaji wa hali ya juu (Google MLOps Whitepaper)

Mtego wa kawaida:

• Wanadhania "modeli bora" kiotomatiki ni sawa na "bidhaa bora."
  Haifanyi hivyo. Watumiaji hawanunui mifumo, wananunua matokeo.

2) Kampuni za AI za kwanza kwa bidhaa 🧰

Hizi huingiza AI ndani ya mtiririko wa kazi. Zinashinda kupitia:

• usambazaji

• UX na ujumuishaji

• mizunguko imara ya maoni

• uaminifu zaidi kuliko akili mbichi

Mtego wa kawaida:

• Wanapuuza tabia ya mfumo wa kielelezo porini. Watumiaji halisi watavunja mfumo wako kwa njia mpya na za ubunifu. Kila siku.

3) Makampuni ya AI ya miundombinu ⚙️

Fikiria ufuatiliaji, ugawaji, utawala, tathmini, upangaji. Wanashinda kupitia:

• kupunguza maumivu ya upasuaji

• usimamizi wa hatari

• kufanya AI iweze kurudiwa na salama (NIST AI RMF, Google Cloud MLOps)

Mtego wa kawaida:

• Wanajenga kwa ajili ya timu zilizoendelea na kuwapuuza wengine wote, kisha wanajiuliza kwa nini uasilishaji ni wa polepole.

4) Makampuni ya AI yanayozingatia data 🗂️

Hizi zinalenga katika mifumo ya data, uwekaji lebo, data ya sintetiki, na utawala wa data. Zinashinda kupitia:

• kuboresha ubora wa mawimbi ya mafunzo

• kupunguza kelele

• utaalamu wa kuwezesha (MIT Sloan / Andrew Ng kuhusu AI inayozingatia data)

Mtego wa kawaida:

• Wanasimamia "data hutatua kila kitu." Data ina nguvu, lakini bado unahitaji uundaji mzuri wa modeli na mawazo thabiti ya bidhaa.

Kinachoonekana ndani ya kampuni ya AI chini ya kifuniko: mrundiko, takriban 🧱

Ukichungulia nyuma ya pazia, makampuni mengi halisi ya AI yana muundo sawa wa ndani. Sio kila wakati, lakini mara nyingi.

Safu ya data 📥

• ukusanyaji na ulaji

• uwekaji lebo au usimamizi dhaifu

• faragha, ruhusa, uhifadhi

• mizunguko ya maoni (marekebisho ya watumiaji, matokeo, mapitio ya kibinadamu) (NIST AI RMF)

Safu ya modeli 🧠

• kuchagua mifumo ya msingi (au mafunzo kuanzia mwanzo)

• urekebishaji mzuri, uchanganyaji, uhandisi wa haraka (ndio, bado una thamani)

• mifumo ya urejeshaji (utafutaji + cheo + hifadhidata za vekta) (karatasi ya RAG (Lewis et al., 2020), Oracle - utafutaji wa vekta)

• seti za tathmini na seti za majaribio (Google Cloud MLOps)

Safu ya bidhaa 🧑💻

• UX inayoshughulikia kutokuwa na uhakika (viashiria vya kujiamini, hali za "mapitio")

• ulinzi (sera, kukataa, kukamilisha salama) (NIST AI RMF)

• ujumuishaji wa mtiririko wa kazi (barua pepe, CRM, hati, tiketi, n.k.)

Safu ya Ops 🛠️

• ufuatiliaji wa kuteleza na uharibifu (IBM - Model drift, Google Cloud MLOps)

• mwitikio wa tukio na urejeshaji (Uber - usalama wa kupelekwa)

• usimamizi wa gharama (hesabu inaweza kuwa mnyama mdogo mwenye njaa)

• utawala, ukaguzi, udhibiti wa ufikiaji (NIST AI RMF, muhtasari wa ISO/IEC 42001)

Na sehemu ambayo hakuna mtu anayeitangaza:

• michakato ya kibinadamu - wakaguzi, uhamasishaji, QA, na maoni ya wateja.
  AI haimaanishi "kuiweka na kuisahau." Ni kama bustani. Au kama kumiliki rakuni kipenzi. Inaweza kuwa nzuri, lakini itaharibu kabisa jikoni yako ikiwa hutaangalia 😬🦝

Mifumo ya biashara: jinsi kampuni za akili bandia zinavyopata pesa 💸

Makampuni ya AI huwa yanaangukia katika maumbo machache ya kawaida ya uchumaji mapato:

• Kulingana na matumizi (kwa kila ombi, kwa kila tokeni, kwa dakika, kwa kila picha, kwa kila kazi) (Bei ya OpenAI API, OpenAI - tokeni)

• Usajili unaotegemea kiti (kwa kila mtumiaji kwa mwezi) (Bei ya Microsoft 365 Copilot)

• Bei inayotegemea matokeo (nadra, lakini yenye nguvu - inayolipwa kwa kila ubadilishaji au tiketi iliyotatuliwa)

• Mikataba ya biashara (usaidizi, uzingatiaji, SLA, uwasilishaji maalum)

• Leseni (kwenye kifaa, iliyopachikwa, mtindo wa OEM) (NVIDIA)

Mvutano unaowakabili makampuni mengi ya AI:

• Wateja wanataka matumizi yanayoweza kutabirika 😌

• Gharama za akili bandia (AI) zinaweza kubadilika kulingana na matumizi na uchaguzi wa modeli 😵

Kwa hivyo kampuni nzuri za AI zina ujuzi mzuri sana katika:

• kuelekeza kazi kwa mifano ya bei nafuu inapowezekana

• matokeo ya kuhifadhi

• maombi ya kupanga

• kudhibiti ukubwa wa muktadha

• kubuni UX ambayo hukatisha tamaa "ond zisizo na kikomo za haraka" (sote tumefanya hivyo…)

Swali la handaki: ni nini kinachofanya kampuni ya AI iweze kutetewa 🏰

Hii ndiyo sehemu ya viungo. Watu wengi hudhani handaki ni "mfano wetu ni bora zaidi." Wakati mwingine ni bora zaidi, lakini mara nyingi ... sivyo.

Faida za kawaida za kujilinda:

• Data ya umiliki (hasa maalum kwa kikoa)

• Usambazaji (uliopachikwa katika mtiririko wa kazi ambao watumiaji tayari wanaishi ndani yake)

• Gharama za kubadilisha (ujumuishaji, mabadiliko ya michakato, tabia za timu)

• Uaminifu wa chapa (hasa kwa vikoa vyenye manufaa makubwa)

• Ubora wa uendeshaji (usafirishaji wa akili bandia inayoaminika kwa kiwango kikubwa ni mgumu) (Google Cloud MLOps)

• Mifumo ya kibinadamu ndani ya kitanzi (suluhisho mseto zinaweza kufanya kazi vizuri zaidi kuliko otomatiki halisi) (NIST AI RMF, Sheria ya EU AI - usimamizi wa kibinadamu (Kifungu cha 14))

Ukweli usiofurahisha kidogo:
Kampuni mbili zinaweza kutumia mfumo uleule wa msingi na bado zikawa na matokeo tofauti sana. Tofauti kwa kawaida huwa ni kila kitu kinachozunguka mfumo - muundo wa bidhaa, evals, mizunguko ya data, na jinsi zinavyoshughulikia kushindwa.

Jinsi ya kutambua kuosha kwa kutumia akili bandia (pia inajulikana kama "tuliongeza mng'ao na tukaiita akili") 🚩

Ukitathmini kampuni ya AI ni nini porini, angalia bendera hizi hatari:

• Hakuna uwezo dhahiri wa akili bandia ulioelezewa: uuzaji mwingi, hakuna utaratibu

• Uchawi wa onyesho: onyesho la kuvutia, hakuna kutajwa kwa kesi za ukingo

• Hakuna hadithi ya tathmini: hawawezi kuelezea jinsi wanavyojaribu uaminifu (Google Cloud MLOps)

• Majibu ya data ya mkono-wimbi: haijulikani data inatoka wapi au jinsi inavyosimamiwa (NIST AI RMF)

• Hakuna mpango wa ufuatiliaji: wanafanya kama mifumo haielekei (IBM - Model drift)

• Hawawezi kuelezea hali za kushindwa: kila kitu "kiko karibu kikamilifu" (hakuna kilicho) (OpenAI - ndoto za usiku)

Bendera za kijani (kinyume chake kinachotuliza) ✅:

• Zinaonyesha jinsi zinavyopima utendaji

• Wanazungumzia kuhusu mapungufu bila hofu

• Wana njia za mapitio ya kibinadamu na ongezeko (NIST AI RMF, Sheria ya EU AI - usimamizi wa kibinadamu (Kifungu cha 14))

• Wanaelewa mahitaji ya faragha na kufuata sheria (NIST AI RMF, Muhtasari wa Sheria ya EU AI)

• Wanaweza kusema “hatufanyi hivyo” bila kuanguka kihisia 😅

Kama unaunda moja: orodha ya vitendo ya kuwa kampuni ya AI 🧠📝

Ikiwa unajaribu kuhama kutoka "kuwezeshwa na AI" hadi "kampuni ya AI," hii hapa njia inayoweza kutekelezwa:

• Anza na mtiririko mmoja wa kazi unaowaumiza watu wa kutosha kiasi kwamba watalipa ili kuurekebisha

• Matokeo ya kifaa mapema (kabla ya kupima)

• Jenga seti ya tathmini kutoka kwa watumiaji halisi (Google Cloud MLOps)

• Ongeza mizunguko ya maoni kutoka siku ya kwanza

• Fanya vizuizi viwe sehemu ya muundo, si wazo la baadaye (NIST AI RMF)

• Usijenge kupita kiasi - safirisha kabari nyembamba inayotegemeka

• Chukua uwasilishaji kama bidhaa, si hatua ya mwisho (Google Cloud MLOps)

Pia, ushauri usio na mantiki unaofanya kazi:

• Tumia muda mwingi zaidi kuhusu kinachotokea wakati akili bandia (AI) inakosea kuliko wakati ni sahihi.
  Hapo ndipo uaminifu unapopatikana au kupotea. (NIST AI RMF)

Muhtasari wa kumalizia 🧠✨

Kwa hivyo ... jinsi kampuni ya AI ilivyo inategemea uti wa mgongo rahisi:

Ni kampuni ambapo AI ni injini, si mapambo. Ukiondoa AI na bidhaa ikaacha kufanya kazi (au ikapoteza mwelekeo), labda unaangalia kampuni halisi ya AI. Ikiwa AI ni kifaa kimoja tu kati ya vingi, ni sahihi zaidi kukiita kinachowezeshwa na AI.

Na zote mbili ziko sawa. Ulimwengu unahitaji zote mbili. Lakini lebo ni muhimu unapowekeza, kuajiri, kununua programu, au kujaribu kujua kama unauziwa roboti au kipande cha kadibodi chenye macho ya google 🤖👀

Mfano halisi: Kujenga kampuni ya usaidizi wa AI triage 

Hali

Hebu fikiria kampuni ndogo ndogo inayojenga msaidizi wa usaidizi wa AI kwa maduka ya biashara ya mtandaoni ya mtindo wa Shopify. Huu ni mfano wa kubuni, si utafiti halisi wa kesi ya kampuni.

Bidhaa hiyo haiongezi tu chatbot kwenye dawati la usaidizi. Kazi yake kuu ni kusoma tiketi za wateja zinazoingia, kuainisha tatizo, kupendekeza jibu, kuripoti kesi za hatari ya kurejeshewa pesa, na kuelekeza chochote kinachohisiwa na wakala wa kibinadamu.

Ondoa AI, na bidhaa hiyo huanguka zaidi na kuwa kifaa cha msingi cha kuweka lebo. Hilo huifanya iwe karibu zaidi na kampuni ya AI kuliko nyongeza ya dawati la usaidizi linalowezeshwa na AI, kwa sababu thamani kuu inategemea uainishaji, utabiri, urejeshaji, na uboreshaji endelevu.

Kile ambacho msaidizi anahitaji

Ili kumfanya msaidizi awe na ufanisi, timu itahitaji:

Tikiti za usaidizi kwa wateja kutoka miezi 3-6 iliyopita, huku data ya faragha ikiondolewa

Orodha ya sera zilizoidhinishwa za kurejesha pesa, kurejesha, usafirishaji, na punguzo

Mifano ya majibu "mazuri" ya kibinadamu

Seti ya kategoria za tikiti, kama vile bidhaa iliyoharibika, uwasilishaji wa kuchelewa, ombi la kurejeshewa pesa, agizo lililokosekana, swali la bidhaa, na mteja aliyekasirika

Sheria za wakati ambapo akili bandia (AI) lazima iongezeke badala ya kujibu

Kitufe rahisi cha maoni kwa mawakala: "imekubaliwa", "imehaririwa", au "imekataliwa"

Mfano wa maelekezo

Wewe ni msaidizi wa usaidizi wa triage kwa duka la biashara ya mtandaoni. Soma kila ujumbe wa mteja na urudishe mambo manne: kategoria ya tiketi, kiwango cha dharura, jibu linalopendekezwa, na kama mwanadamu lazima alipitie kabla ya kutuma.

Daima ongeza mizozo ya kurejeshewa pesa, vitisho vya kisheria, madai ya matibabu, masuala ya malipo, jumbe za matusi, na visa ambapo maelezo ya agizo la mteja hayapo.

Tumia hati za sera zilizoidhinishwa na duka pekee. Ikiwa jibu halipo kwenye sera, sema kwamba ukaguzi wa kibinadamu unahitajika. Usibuni sheria za kurejeshewa pesa, tarehe za uwasilishaji, misimbo ya punguzo, au taarifa za ufuatiliaji.

Jinsi ya kuijaribu

Kabla ya kuuza hii kama bidhaa halisi, timu inapaswa kufanya tathmini ndogo.

Kwa mfano:

Jaribu tiketi 100 za usaidizi za zamani ambapo kategoria sahihi tayari inajulikana

Jumuisha angalau tiketi 20 zisizokamilika zenye makosa ya tahajia, nambari za mpangilio zilizokosekana, lugha ya kihisia, au masuala mengi katika ujumbe mmoja

Linganisha kategoria ya AI dhidi ya kategoria ya binadamu

Angalia kama sheria za uongezaji wa bei zilifuatwa

Waombe mawakala wawili wa usaidizi wakadirie majibu yaliyopendekezwa kama "yanayoweza kutumwa", "yanahitaji kuhaririwa", au "yasiyo sahihi"

Fuatilia matokeo kila wiki, si mara moja tu katika onyesho

Matokeo

Matokeo ya kielelezo: kulingana na muda wa tiketi 100 za sampuli kabla na baada ya kutumia mtiririko wa kazi.

Kujipima kwa mikono: Tiketi 100 × dakika 2.5 kila moja = dakika 250

Triage inayosaidiwa na AI: Tiketi 100 × sekunde 45 muda wa ukaguzi kila moja = dakika 75

Muda uliokadiriwa kuokolewa: dakika 175 kwa kila tiketi 100, au 70%

Lengo la usahihi wa kategoria kabla ya uzinduzi: angalau tiketi 90 kati ya 100 zilizoainishwa kwa usahihi

Lengo la usalama wa ongezeko: 0 halikuweza kuongezwa katika kategoria zinazohitajika za ukaguzi wa kibinadamu

Mnunuzi anaweza kuthibitisha nambari hizi kwa kufanya jaribio lile lile la tiketi 100 ndani ya dawati lake la usaidizi na kulinganisha uainishaji wa AI na lebo za kihistoria za wanadamu.

Ni nini kinachoweza kwenda vibaya

Hatari kubwa si kwamba akili bandia inasikika vibaya. Ni kwamba inasikika kuwa na uhakika huku ikiwa imekosea.

Makosa ya kawaida ni pamoja na:

Kuruhusu ahadi ya AI kurejeshewa pesa ambayo haiwezi kuidhinisha

Kutumia hati za sera zilizopitwa na wakati

Kupima "majibu mazuri" pekee badala ya uelekezaji sahihi

Kupuuza kesi za ukingo kama vile kurudisha pesa, vitisho, au wateja walio katika mazingira magumu

Kuruka ukaguzi wa kibinadamu kwa tiketi zenye hatari kubwa

Kudai "95% otomatiki" bila kuelezea kile kilichojaribiwa

Kampuni kubwa ya AI ingechukulia haya kama matatizo ya usanifu wa bidhaa, si kama maelezo ya chini ya ardhi yasiyo ya kawaida.

Kuchukua kwa vitendo

Mfano huu unaonyesha tofauti kati ya thamani halisi ya AI na mapambo ya AI. Kampuni hiyo si "AI" kwa sababu inatumia modeli mahali fulani kwenye rundo. Ni kampuni ya AI kwa sababu uainishaji, urejeshaji, tathmini, upandaji, na mizunguko ya maoni ndiyo injini ya bidhaa.

Maswali Yanayoulizwa Mara kwa Mara

Ni nini kinachohesabiwa kama kampuni ya AI dhidi ya kampuni inayowezeshwa na AI?

Kampuni ya AI ni ile ambapo bidhaa kuu, thamani, au faida ya ushindani inategemea AI - kuondoa AI na ofa hiyo huanguka au kuwa mbaya zaidi. Kampuni inayowezeshwa na AI hutumia AI kuimarisha shughuli (kama vile utabiri au ugunduzi wa ulaghai) lakini bado inauza kitu ambacho kimsingi si AI. Jaribio rahisi: ikiwa AI itashindwa kesho na bado unaweza kufanya kazi na programu ya msingi, kuna uwezekano mkubwa una AI inayowezeshwa.

Ninawezaje kujua haraka kama biashara ni kampuni ya AI?

Fikiria kitakachotokea ikiwa AI itaacha kufanya kazi. Ikiwa wateja bado wangelipa na biashara inaweza kulegea pamoja na lahajedwali au programu za kawaida, labda sio AI asilia. Makampuni halisi ya AI pia huwa yanazungumzia kwa maneno halisi ya uendeshaji: seti za tathmini, ucheleweshaji, kuteleza, ndoto za kuona mambo bila mpangilio, ufuatiliaji, na hali za kushindwa. Ikiwa yote ni uuzaji na hakuna utaratibu, hiyo ni alama nyekundu.

Je, ni lazima ufundishe mfumo wako mwenyewe ili uwe kampuni ya AI?

Hapana. Makampuni mengi ya AI hujenga bidhaa imara juu ya mifumo iliyopo na bado yanahitimu kama AI asilia wakati AI ndiyo injini ya bidhaa. Kinachojalisha ni kama mifumo, data, tathmini, na mizunguko ya marudio huendesha utendaji na utofautishaji. Data ya umiliki, ujumuishaji wa mtiririko wa kazi, na tathmini kali zinaweza kuunda faida halisi hata bila mafunzo kuanzia mwanzo.

Ni aina gani kuu za makampuni ya AI, na hutofautianaje?

Aina za kawaida ni pamoja na wajenzi wa mifumo ya msingi, programu wima za AI (kama vile zana za kisheria au za kimatibabu), waendeshaji wa majaribio wa kazi ya maarifa, majukwaa ya MLOps/mifumo ya uendeshaji wa mifumo, biashara za data na lebo, AI ya pembeni/kwenye kifaa, washauri/waunganishaji, na watoa huduma za tathmini/usalama. Zote zinaweza kuwa "kampuni za AI," lakini zinauza vitu tofauti sana: mifumo, bidhaa zilizokamilika, au miundombinu inayofanya AI ya uzalishaji kuwa ya kuaminika na inayoweza kutawaliwa.

Je, mrundiko wa kawaida wa kampuni ya AI unaonekanaje chini ya kofia?

Kampuni nyingi za AI zinashiriki mrundikano wa data: safu ya data (ukusanyaji, uwekaji lebo, utawala, mizunguko ya maoni), safu ya modeli (uteuzi wa modeli ya msingi, urekebishaji mzuri, utafutaji wa RAG/vekta, vyumba vya tathmini), safu ya bidhaa (UX kwa kutokuwa na uhakika, ulinzi, ujumuishaji wa mtiririko wa kazi), na safu ya uendeshaji (ufuatiliaji wa kuteleza, mwitikio wa matukio, udhibiti wa gharama, ukaguzi). Michakato ya kibinadamu - wakaguzi, upandaji, QA - mara nyingi ndio uti wa mgongo usio na sifa.

Ni vipimo gani vinavyoonyesha kampuni ya AI inafanya "kazi halisi," si maonyesho tu?

Ishara yenye nguvu zaidi ni matokeo yanayopimika yanayohusiana na bidhaa: usahihi, muda unaookolewa, gharama iliyopunguzwa, makosa machache, au ubadilishaji wa juu zaidi - unaounganishwa na njia iliyo wazi ya kutathmini na kufuatilia vipimo hivyo. Timu halisi huunda vigezo, hujaribu kesi za ukingo, na kufuatilia utendaji baada ya kupelekwa. Pia hupanga wakati modeli imekosea, si tu wakati iko sahihi, kwa sababu uaminifu unategemea utunzaji wa kushindwa.

Kampuni za AI kwa kawaida hupataje pesa, na ni mitego gani ya bei ambayo wanunuzi wanapaswa kuzingatia?

Mifumo ya kawaida hujumuisha bei inayotegemea matumizi (kwa kila ombi/tokeni/kazi), usajili unaotegemea kiti, bei inayotegemea matokeo (nadra), mikataba ya biashara na SLA, na leseni za AI iliyopachikwa au iliyo kwenye kifaa. Mvutano muhimu ni utabiri: wateja wanataka matumizi thabiti huku gharama za AI zikibadilika kulingana na matumizi na chaguo la modeli. Wauzaji hodari hudhibiti hili kwa kuelekeza kwenye modeli za bei nafuu, kuhifadhi kwenye akiba, kupanga, na kudhibiti ukubwa wa muktadha.

Ni nini kinachofanya kampuni ya AI iweze kujitetea ikiwa kila mtu anaweza kutumia mifumo inayofanana?

Mara nyingi handaki si "modeli bora" tu. Utetezi unaweza kutoka kwa data ya kikoa cha wamiliki, usambazaji ndani ya mtiririko wa kazi ambao watumiaji tayari wanaishi, kubadilisha gharama kutoka kwa ujumuishaji na tabia, uaminifu wa chapa katika maeneo yenye vipaumbele vikubwa, na ubora wa uendeshaji katika usafirishaji wa AI unaoaminika. Mifumo ya kibinadamu katika mzunguko inaweza pia kufanya kazi vizuri zaidi kuliko otomatiki halisi. Timu mbili zinaweza kutumia modeli moja na kupata matokeo tofauti sana kulingana na kila kitu kinachoizunguka.

Ninawezaje kutambua uoshaji wa akili bandia ninapotathmini muuzaji au kampuni changa?

Jihadhari na madai yasiyoeleweka bila uwezo dhahiri wa akili bandia (AI), "uchawi wa majaribio" bila kesi za ukingo, na kutoweza kuelezea tathmini, utawala wa data, ufuatiliaji, au hali za kushindwa. Madai ya kujiamini kupita kiasi kama "karibu na ukamilifu" ni ishara nyingine ya onyo. Ishara za kijani ni pamoja na kipimo cha uwazi, mapungufu yaliyo wazi, mipango ya ufuatiliaji wa kuteleza, na njia zilizofafanuliwa vyema za mapitio ya kibinadamu au njia za upandishaji. Kampuni inayoweza kusema "hatufanyi hivyo" mara nyingi inaaminika zaidi kuliko ile inayoahidi kila kitu.

Marejeleo

1. OECD - oecd.ai

2. OECD - oecd.org

3. Taasisi ya Kitaifa ya Viwango na Teknolojia (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. Mwongozo wa Usimamizi wa Hatari wa AI wa NIST (AI RMF) - Kipimo - nist.gov

5. Google Cloud - MLOps: Uwasilishaji endelevu na mabomba ya kiotomatiki katika kujifunza kwa mashine - google.com

6. Google - Mwongozo wa Mtaalamu wa MLOps (Whitepaper) - google.com

7. Google Cloud - MLOps ni nini? - google.com

8. Mfumo bora wa tathmini ya Datadog - LLM - datadoghq.com

9. IBM - Uendeshaji wa Mfano - ibm.com

10. OpenAI - Kwa nini mifumo ya lugha huleta mawazo yasiyo na maana - openai.com

11. OpenAI - bei ya API - openai.com

12. Kituo cha Usaidizi cha OpenAI - Tokeni ni nini na jinsi ya kuzihesabu - openai.com

13. ya Microsoft - Microsoft 365 Copilot - microsoft.com

14. Shule ya Usimamizi ya MIT Sloan - Kwa nini ni wakati wa akili bandia inayozingatia data - mit.edu

15. NVIDIA - AI ya makali ni nini? - nvidia.com

16. IBM - Edge dhidi ya wingu AI - ibm.com

17. Uber - Kuongeza kiwango cha usalama wa uwekaji wa modeli ya ML - uber.com

18. Shirika la Kimataifa la Viwango (ISO) - Muhtasari wa ISO/IEC 42001 - iso.org

19. arXiv - Kizazi Kilichoongezwa Urejeshaji kwa Kazi za NLP Zinazozingatia Maarifa (Lewis et al., 2020) - arxiv.org

20. Oracle - Utafutaji wa Vekta - oracle.com

21. Sheria ya Akili Bandia (EU) - Usimamizi wa binadamu (Kifungu cha 14) - artificialintelligenceact.eu

22. Tume ya Ulaya - Mfumo wa Udhibiti kuhusu AI (Muhtasari wa Sheria ya AI) - europa.eu

23. YouTube - youtube.com

24. Duka la Msaidizi wa AI - Jinsi upandishaji wa kiwango cha AI unavyofanya kazi - aiassistantstore.com

25. Duka la Msaidizi wa AI - Msimbo wa AI unaonekanaje - aiassistantstore.com

26. Duka la Msaidizi wa AI - Algoritimu ya AI ni nini - aiassistantstore.com

27. Duka la Msaidizi wa AI - Usindikaji wa awali wa AI ni nini - aiassistantstore.com

Pata Akili ya Kielektroniki ya Hivi Punde katika Duka Rasmi la Msaidizi wa Akili ya Kielektroniki

Kuhusu Sisi