Нет недостатка в новостях, связанных с ИИ, которые попадают в заголовки. В то время как одни говорят о появлении злобных роботов, другие представляют себе мир после работы, в котором ИИ делает людей устаревшими. Эти футуристические истории интересны, однако они могут затруднить рационализацию текущего состояния ИИ и того, как он может повысить реальную ценность нашей повседневной жизни.

Реальность такова, что сегодня все системы ИИ в значительной степени зависят от данных. Вопреки тому, во что нас уверяют СМИ, системы ИИ не работают в вакууме. То, как эти системы проектируются, строятся и обслуживаются, определяет их успех. «Мусор на входе, мусор на выходе» относится к системам ИИ, особенно к тем, которые поддерживают бизнес-пользователей.

Дальновидные бизнес- и ИТ-лидеры ищут практические способы использования аналитики и искусственного интеллекта, чтобы позволить внутренним и внешним командам персонализировать взаимодействие и управлять рабочим процессом и распределением ресурсов.

По данным Gartner, к 2018 году 50 % взаимодействий агентов службы поддержки будут зависеть от аналитики в реальном времени. Gartner также прогнозирует, что к 2020 году использование виртуальных помощников клиентов (VCA) вырастет на 1 000 %.

Не все ИИ созданы одинаковыми

Среди жаргона технологической индустрии, появившегося за последние несколько лет, даже некоторые из величайших умов в области искусственного интеллекта изо всех сил пытаются четко определить технологию. Однако большинство экспертов сходятся во мнении, что ИИ можно разделить на категории Искусственный общий интеллект и Искусственный прикладной интеллект.

Ниже я дал краткие объяснения того и другого. Я не хочу, чтобы этот блог был научным глубоким погружением в ИИ, а скорее предоставлял некоторый базовый контекст для ИТ-организаций, рассматривающих ИИ для управления корпоративными услугами (ESM).

Искусственный общий интеллект

Общество AGI определяет общий искусственный интеллект как «развивающуюся область, направленную на создание «мыслящих машин»; то есть системы общего назначения с интеллектом, сравнимым с человеческим разумом (и, возможно, в конечном итоге намного превосходящим общий человеческий интеллект)».

Эта неограниченная форма ИИ предназначена для демонстрации навыков понимания и рассуждения с широтой и глубиной знаний, которые позволяют ему легко перемещаться между совершенно не связанными между собой темами и вариантами использования, как это может делать человек. AGI остается неуловимым. На самом деле, большинство экспертов сходятся во мнении, что мы еще не достигли уровня интеллекта даже шестилетнего человека, не говоря уже о полноценном общечеловеческом интеллекте. Не совсем подходящий возраст для начала карьеры в ESM.

Даже системам, использующим узкий подход к AGI, как правило, не хватает фокуса и глубокого знания предметной области, а также возможностей продукта и интеграции, необходимых для удовлетворения даже самых основных требований предприятия.

Прикладной искусственный интеллект

Искусственный прикладной интеллект обычно определяется как применение искусственного интеллекта для создания высокофункциональной системы, которая воспроизводит и, возможно, превосходит человеческий интеллект для определенной цели. При довольно расплывчатом определении мало того, что основанные на правилах чат-боты и роботизированные технологии автоматизации процессов часто неправильно классифицируются как прикладной ИИ, также существуют значительные различия между возможностями, обнаруженными в прикладных системах ИИ в целом.

Включая машинное обучение (ML), обработку естественного языка (NLP) и тесную интеграцию с внешними системами записи, более продвинутые формы прикладного ИИ выходят за рамки сканирования баз знаний и автоматизации рутинных задач для интеллектуальной корреляции и предоставления ценной информации и услуг пользователям в в реальном времени. Более того, объединение этих возможностей позволяет автономным агентам становиться более разговорчивыми, что позволяет им давать рекомендации и/или запускать рабочие процессы для выполнения запросов как агентов поддержки, так и бизнес-пользователей.

Например, передовая прикладная система искусственного интеллекта может собирать справочную информацию о сотрудниках, такую ​​как имя пользователя, должность, местоположение и авторизованные ресурсы, из разрозненных источников данных. Имея возможность эффективно находить, анализировать и агрегировать этот тип информации, отделы поддержки могут более эффективно применять передовые методы предоставления услуг и автоматизировать рутинные задачи, такие как сброс паролей, предоставление доступа к системе, ответы на вопросы о льготах и ​​/ или заработной плате, а также эскалация пользователей. на соответствующие каналы поддержки.

Кроме того, автономные агенты, использующие машинное обучение, могут обучаться с использованием внутренних и внешних данных не только для ответов на вопросы, но и для самообучения и улучшения ответов на запросы пользователей.

Ключевые выводы

Все, что нужно, — это просто ввести в Google запрос «AI Fails», чтобы увидеть, что нам еще предстоит пройти долгий путь, прежде чем AGI будет готов для предприятия.

Сегодня прикладной ИИ обеспечивает значительную ценность для бизнеса. Тем не менее узкоспециализированная прикладная система ИИ может быть слишком ограничивающей. Широкий дизайн может привести к тому, что система будет менее точной, не будет иметь достаточных знаний в предметной области и/или потребует значительных усилий по настройке и интеграции. Все это увеличивает общую стоимость владения системой и время ее окупаемости.

С точки зрения ESM подготовка данных — это отчасти искусство, отчасти наука. Крайне важно, чтобы эксперты в предметной области привлекались к процессу моделирования данных и рабочих процессов на раннем этапе, чтобы гарантировать, что система ИИ достигает бизнес-целей.

Успешная инициатива AI для ESM должна, в первую очередь, быть сосредоточена на предоставлении информации и действий, которые повышают качество обслуживания и операционную производительность для всех сотрудников.