История с покупкой активов IBM Watson компанией Francisco Partners может стать неожиданностью.
Возможно, в этом объявлении не рассматриваются некоторые причины, по которым искусственный интеллект, зависящий от данных, подобный Watson, может не принести ожидаемых бизнес-прибылей.
В конечном счете потоки данных коротких, эпизодических, клиник и больниц остаются недостаточными для получения значимых (актуальных для бизнеса) прогностических выводов о сложных системах.
На ум приходят три основные причины:
- Условия до и после слишком быстро меняются
- Отсутствуют важные элементы данных
- Логики не достаточно
Условия до и после слишком быстро меняются
Многие магазины недавно перестали инвестировать в избыточные запасы на месте. Дополнительные элементы не приносят дохода и считаются центром затрат. Вместо этого лучше заполнять полки предметами и пополнять их по требованию, когда покупатели их покупают. Продуктовые карты лояльности отслеживают товары на кассе для продуктовых сетей и передают требования для заказов на покупку по требованию для пополнения полок.
Это хорошо работает, когда вчерашние клиенты ведут себя так же, как и завтрашние. Но когда поведение всей клиентской базы резко меняется, стандартный ИИ не может предсказать или предотвратить массовое нарушение доступности запасов.
Пустые полки — это плохо для бизнеса.
Мы можем обвинить covid в сокращении доступной рабочей силы для доставки и хранения товаров на полках. Зимняя погода повлияла и на грузовой транспорт. Возможно, наиболее важно то, что поведение клиентов изменилось таким образом, что управление ИИ ускользнуло от его внимания. Возьмем, к примеру, кофе; многие из нас использовали кофейню для подавляющего большинства нашего потребления и редко варили чашку дома. С домашними офисами, вдохновленными Covid, мы изменили свое поведение почти за одну ночь. Внезапно раз в квартал закупка кофейных зерен должна была происходить еженедельно, и никто не предупредил продуктового ИИ. Жизнь беспорядочна. Предварительные и последующие условия в сложных системах могут измениться в мгновение ока. То, что мы поняли вчера, не означает, что мы можем предсказать завтра.
Отсутствуют важные элементы данных.
GE не стала бы управлять производительностью реактивного двигателя с помощью 15-минутного эпизода сбора данных, разделенного неделями, месяцами или годами. Tesla может спроектировать массовое подключение данных к материнскому кораблю и использует эти непрерывные потоки для расширения возможностей автономного вождения. Машины легко опрашивать с помощью сенсорных технологий.
Люди менее прямолинейны. Covid подчеркнул нашу неспособность эффективно заглянуть за уголки человеческого опыта. Через два года после начала пандемии и по мере того, как омикрон распространяется по стране, недавний пост напоминает нам, что у нас все еще мало возможностей предсказать диапазон нашей уязвимости в любое время. Годы 15-минутных визитов в клинику плюс периодические госпитализации, полные медицинских изображений и рецептурных лекарств, мало что делают для выявления нашего относительного риска, когда мы сталкиваемся с инфекциями SARS-CoV-2. Высокодоходная информация, которая помогла бы разобраться, какие слои населения подвергаются повышенному риску и почему этого недостаточно. Как социальные детерминанты здоровья влияют на результаты? Помогает ли жизнь на высоте? Имеет ли значение гипердезинфицированное детство? Ответы на эти вопросы недоступны, если отсутствуют высокодоходные элементы.
Логики недостаточно
Книга Джорджа Гилдера Жизнь после Google: падение больших данных и рост экономики блокчейна напоминает нам о том, что по замыслу ИИ основан на логике. Тем не менее, логика не является универсальной теорией, поскольку не все вещи могут быть доказаны одним лишь разумом.
Спикер системной биологии однажды поделился этим примером, который относится к процессам разработки лекарств с помощью ИИ.
Сегодня мы открываем лекарства in silico. Это означает, что вместо того, чтобы извлекать вещества из растений и проверять их эффективность в чашках Петри в лаборатории, мы строим модели ожидаемых биологических целей на компьютерных чипах. Затем мы запускаем поток цифровых терапевтических кандидатов мимо этих целей, чтобы предсказать, какие из кандидатов могут демонстрировать предпочтительное поведение в реальной жизни.
Представьте, что нам нужно, чтобы лекарство проникло в ядро клетки, чтобы обеспечить необходимый терапевтический результат, такой как иммунитет, опосредованный вакциной. Эксперты могут разработать цифровую модель ядерного порта (наш биологический вход в ядро наших клеток, где мы храним нашу ДНК). Используя эту модель, сотни и тысячи потенциальных цифровых кандидатов могут быть проверены с помощью ИИ для возможного использования в разработке вакцин. Эти модели имеют практические ограничения. Вакцина против желтой лихорадки, доступная с 1937 года, предшествовала компьютерам и искусственному интеллекту, но остается одной из наших самых эффективных вакцин. Позвольте мне повторить: эта вакцина обеспечивает значительный иммунитет среди населения.
Представьте себе удивление, когда модель скрининга вакцины против желтой лихорадки с помощью искусственного интеллекта была отклонена! ИИ выкинул это как маловероятно эффективное. Четкого проектирования моделей, основанных на трехмерных конфигурациях и поверхностных зарядах (положительных, отрицательных и нейтральных), а также некоторых других параметрах, к сожалению, недостаточно, чтобы объяснить опыт in vivo (в реальной жизни), подтверждающий эффективность вакцины против желтой лихорадки. Если логики электрического заряда и трех измерений недостаточно, то как бы выглядели n-измерения и как мы могли бы туда добраться?
Это не маленькие проблемы. Временная шкала Watson указывает IBM, что после многих лет усилий и различных успехов к 2018 году ситуация изменилась. В некоторых случаях алгоритм может рекомендовать потенциально вредные методы лечения.
Модели на основе ИИ нуждаются в большем количестве данных, более качественных данных и более своевременных данных, чем медицинские встречи, визуализация, лабораторные испытания, носимые устройства и, в основном, все подходы Web 2.0, которые в настоящее время предоставляют.
Как мы решаем эти проблемы?
Мы обеспечиваем веб-3, финансовые стимулы, постоянные и разрешенные высокопроизводительные потоки данных непосредственно из сложных свободноживущих систем. Самое главное, мы полагаемся на непрерывную креативность выражения здоровья человека в толпе для самокорректирующихся алгоритмов.
Действительно, новые бизнес-модели, поддерживаемые web3, оказываются основой нашего следующего направления создания экстремальной ценности. Криптовалюта может быть ранним вариантом использования, но здравоохранение может многое предложить.
Следите за развитием обсуждения в следующих постах.
Комментарии очень приветствуются, так как потребуется деревня, чтобы преднамеренно спроектировать наше предпочтительное будущее.
