AI inişinin üç ana acı noktasını bilmiyor musunuz? Gelecekte işten çıkarılmaya dikkat edin!
Yapay zekanın inmesi ne kadar zor? IBM bunun için işten çıkarılıyor!
İngiliz teknoloji web sitesi The Register'a göre, bir IBM kaynağı Watson sağlık departmanının çalışanlarının% 50 ila% 70'ini işten çıkarmak üzere olduğunu açıkladı.
Watson Health, IBM'in "bilişsel bilgi işlem" programında bir kıyaslama projesidir. Günümüzde Watson sağlık işten çıkarmaları, IBM'in yıllar içindeki çabalarının temelde başarısız olduğunu ilan etmekle eşdeğerdir. Ve IBM, yapay zeka inişinin bazı sıkıntılı noktalarıyla karşılaştığı için başarısız oldu.
AI tıbbi bakımı nasıl yeterince güvenilir görünüyor?
Watson Health, doktorların kanser, kronik hastalıklar ve salgın hastalıklar gibi "sağlık katilleriyle" başa çıkmalarına yardımcı olmak için yapay zeka teknolojisini kullanmak üzere 2015 yılında kuruldu.
Bu yıl, yapay zeka kavramı henüz büyük bir ateş haline gelmedi ve büyük verinin gücü buzdağının görünen ucunu henüz ortaya çıkardı. Watson, insanlara hala çok yabancı olan bu kavramlar aracılığıyla küresel tıp camiasını taradı.
Ancak yapay zeka çağının ortaya çıkmasıyla birlikte insanlar daha fazla düşünmeye başladı. Tıbbi verilerin hassasiyeti ve mahremiyeti, elde etmenin zorluğu, veri setlerinin yanlışlığı ve eksikliği ve bilgi paylaşımının zorluğu, yavaş yavaş kamuoyuna açık hale geldi. Yapay zekanın doktorların yerini alıp alamayacağı da kamuya açık bir mesele haline geldi.
Sadece bu değil, giderek daha fazla sermaye oyuncusu yapay zeka tıbbi pazarına girmeye başladı ve IBM, benzeri görülmemiş bir rekabet baskısıyla karşılaştı.
Şu anda IBM'in karşılaştığı asıl sorun, binlerce yapay zeka ürünü arasındaki avantajlarının nasıl vurgulanacağıdır. Bu noktada, IBM açıkça ortalığı karıştırdı.
Model geçerliliği, pazar tanınmasından yoksundur
IBM, ürünlerini tanıtmak için, pazar payı, veri toplu hacmi, şirket birleşmeleri vb. Gibi başarılarını sergilemek için medya, reklam ve diğer araçları kullanır, ancak sezgisel bir bilgi vermez ve modelin etkinliği konusunda kolayca anlaşılabilir. Pazarın kabul ettiği cevap.
Modelin geçerlilik hesaplaması test setine bağlıdır. İki tür test seti vardır: biri, mevcut veri tabanlarından ayrı olarak bölünmüş bir veri setidir; diğeri, endüstri tarafından performans hesaplaması için birleşik bir standart olarak tanınan bir veri setidir.
İlk veri seti türü çoğu model eğitimine dahil edilecektir. Ancak, test setinin mevcut veri setinin bir bölümünü bölmesi gerektiğinden, veri kollektifinin yeterli olmaması çok utanç verici olacaktır. Sonuç olarak, test setinin basitçe göz ardı edildiği durumlar vardır.
Endüstride tanınan standart test seti şu anda yalnızca ses ve görüntü alanlarında mevcuttur.Örneğin, tanıdık ImageNet, Profesör Li Feifei tarafından oluşturulan görüntü test setidir. Böyle bir test seti endüstri tarafından yaygın olarak kullanıldığından, bunlardan türetilen performans parametreleri karşılaştırılabilir.
Daha da önemlisi, model her zaman sabit bir örnek kaynağı olan bir veri kümesinde eğitilirse, muhtemelen gereğinden fazla uyuyor ve bu nedenle yaygın uygulama senaryolarına uyum sağlayamıyor.
Bu nedenle, tıbbi bakım gibi bir alanda endüstride tanınan bir standart test setinin oluşturulması, inişin acı noktalarını çözmenin anahtarıdır.
Ürünler çok pahalı ve gerçekleştirilmesi zor
Günümüzde, veri toplama ve veri işleminin zorluğu, AI ürünlerinin yüksek üretim maliyetinin ana nedeni haline geldi. Ancak bu, geniş kullanıcı tabanlarına ve zengin kullanıcı davranış verilerine sahip şirketler için de bir fırsat haline geldi. Ancak Watson Health açıkça bu kategoriye girmiyor.
AI ürünleri için, yüksek Ar-Ge maliyetleri bir yöndür ve daha sonraki yinelemelerin maliyetini tahmin etmek daha da zordur.Ayrıca, geliştirmenin ilk aşamalarında, AI ürünlerinin çoğu yardımcı ürünlerdir ve çok fazla insan gücü ve malzeme kaynağı serbest bırakamaz.
Çok maliyetli olan ve kullanılıp kullanılmadığını bilmeyen yüksek teknoloji ürünü bir ürün için, birçok müşteri doğal olarak cesaretini kıracaktır. MD Anderson Kanser Araştırma Merkezi, IBM'in AI ürünlerini 39 milyon dolara satın aldı, ancak AI analizinin sonuçlarına ve AI ile "işbirliği yapan" doktorların perişan olduğuna inanamadı.
Peki, AI ürünleri nasıl başarılı bir şekilde gerçekleştirilebilir? Büyük şirketler için mevcut çözüm, B2B'yi terk etmek ve sadece B2C yapmaktır.
Sözde B2B, işletmenin özel ihtiyaçlarına göre özelleştirilmiş AI veya çoğu kurumsal uygulama senaryosuna uygulanabilen kapsamlı araştırma ve geliştirme işlevlerine sahip AI anlamına gelir.
Büyük şirketlerin yüksek işçilik maliyetleri nedeniyle, tıpkı Waston Health'in yaptığı gibi, şirket için yapay zekayı özelleştirirseniz, fiyat şirketin bütçesini kolayca aşabilir. Ve kapsamlı işlevlere sahip yapay zekanın araştırılması ve geliştirilmesi, bugünün pazar bölümlemesi ve uzun kuyruk bağlamında, açıkça ticari olarak rekabetçi değildir.
Ve B2C yani tüketicilerin çoğunluğuna uygun AI hizmetlerinin geliştirilmesi, büyük firmaların marka etkisi açısından oldukça kolaydır.
Küçük ve orta ölçekli şirketler ne olacak? B2B tek çıkış yoludur. Küçük ve orta ölçekli şirketler, özellikle başlangıç şirketleri, veri hacmi ile sınırlıdır ve yapay zekanın doğruluğunu hiçbir şekilde garanti edemez. B2B projelerinde veriler genellikle müşteriler tarafından sağlanır, bu nedenle yetersiz veriden kaynaklanan utançtan kaçınılabilir.
Ayrıca küçük ve orta ölçekli işletmelerin düşük iş gücü maliyeti, B2B'de daha rekabetçi avantajlara sahip bir grup olan işletmelerin yatırımlarını da azaltabilir.
Veri ikilemi
Birçok devin veri hacmi önemli olsa da, bu büyüklük yalnızca belirli alanlardadır. Mevcut büyük devler, model eğitimi için daha önce topladıkları kullanıcı verilerine güveniyor.
Tıbbi veriler, gizliliği ve hassasiyeti nedeniyle, çeşitli yazılımlar tarafından yasal olarak toplanabilen kullanıcı verileri değildir. Bu nedenle, internet devleri bile bu alandaki ürün geliştirmedeki yetersiz veri nedeniyle engellenecektir.
Sadece bu değil, tıbbın karmaşıklığından dolayı, verilerinin işlenmesi tıbbi geçmişe sahip yapay zeka profesyonellerinin katılımını da gerektiriyor.Bu da bir yetenek boşluğu yaratıyor ve bu da devlerin tıbbi verileri işlemedeki verimsizliğine ve yeteneğine yol açıyor.
Örnek olarak pnömoniyi ele alalım: AI'nın hangi hastaların sağlıklı olduğunu, hangilerinin pnömoniye sahip olduğunu ve hangilerinin pnömoniden daha ciddi hastalıkları olduğunu tespit etmek için X ışınlarını kullanmasına izin vermek istiyorsanız ... Bunu yargılamak için aşağıdaki ilkeleri gerektirir: temiz akciğer lobları olan sağlıklı bir kişi. Akciğerlerin bulanık lobları zatürredir ve akciğerlerdeki simetrik gölgeler pnömokonyozdur ... Bu nedenle profesyonel bir adam tarafından işaretlenmelidir.
Vücudun sadece bir kısmı için sayısız olası teşhis vardır ve AI tıbbi tedavisinin zorluğu açıktır.
Forbes bir keresinde yapay zeka araştırma ve geliştirme için Watson'ın, zaman alıcı ve maliyetli olan veri setini iyileştirmek için profesyonel bir tıbbi danışmanlık ekibi tutması gerektiğini bildirdi.
Çekirdeği okuyun
Veri ikilemi gelecekte daha önemli olacak
Herhangi bir malın çıkarılması, yavaş yavaş piyasa alanı arayışından piyasa derinliği arayışına kayacaktır. Aynısı AI ürünleri için de geçerlidir. Pazar gittikçe daha kapsamlı bir şekilde bölündükçe, uzun kuyruklu pazar ticari rekabetin odağı haline gelecektir; bu, araştırma ve geliştirme için uzun kuyruklu pazarın doğru bir şekilde konumlandırılıp konumlandırılmamasının bir şirketin, özellikle de yeni bir şirketin hayatta kalmasının anahtarı haline geldiği anlamına gelir.
Bununla birlikte, uzun kuyruk piyasasının geniş beklentileri olmasına rağmen, veri hacmi sığ piyasanınkinden çok daha küçüktür ve bu da AI eğitimini daha fazla zorlaştırır.
Dahası, birçok uzun kuyruk piyasasında veri işleme, işleme personelinin profesyonelliği için daha yüksek gereksinimlere sahiptir. Örneğin, şirketlerin boşanma davalarını yürüten hâkimler için bir AI geliştirmesi gerekiyorsa, yasal hükümlerin yorumlanması profesyonel ve deneyimli hâkimler tarafından yapılmalıdır. Teorik olarak bunu başarmak zordur.
neden? Her şeyden önce, sektördeki veri işlemcilerinin mevcut durumu hala en altta, bu nedenle yeteneklerin çekiciliğinden yoksunlar. İkincisi, veri işleme, yeteneklerin girişinin önündeki engelleri kaldıran belirli miktarda AI arka plan bilgisi gerektirir.
Yazar: Sheep Breeze
Referans bağlantısı:
Yeniden yazdırmanız gerekirse, lütfen arka planda bir mesaj bırakın ve yeniden yazdırma şartnamelerine uyun.
