Nga: Srini Pallia, drejtor ekzekutiv dhe drejtor menaxhues i Wipro Limited – kompani udhëheqëse e shërbimeve teknologjike dhe konsulencës, e fuqizuar nga IA-ja – i cili drejton një ekip global prej më shumë se 240 mijë punonjësish në 65 vende / Newsweek
Përkthimi: Telegrafi.com
Po afrohej një stuhi e madhe vere. Sistemi i dispeçerisë me IA [inteligjenca artificiale] i ndërmarrjes lokale të shërbimeve publike përcaktoi me saktësi qarkun me shpejtësinë më të lartë të parashikuar të erës si ekspozimin më të madh ndaj rrezikut. Modeli rekomandoi vendosjen e ekipeve në një depo rajonale atje, për të qenë në gatishmëri.
Një mbikëqyrës linjash me 24 vjet përvojë nuk ishte i pajtimit.
Ai u përqendrua te një zonë shërbimi dy qarqe më larg – një brez i ngushtë që mund të anashkalohej lehtë – me linja të vjetra furnizuese nën pemë të rritura, një nënstacioni pranë një përroi të prirur ndaj përmbytjeve, një spitali të madh dhe një ure të mbyllur kohët e fundit në rrugën kryesore të hyrjes – një fakt që nuk pasqyrohej në të dhënat e menaxhimit të ndërprerjeve. Prandaj, ai e anuloi rekomandimin. Plani i tij më i matur e riktheu energjinë në qarkun kritik disa orë më herët sesa plani i algoritmit.
Ky skenar ilustron sfidën më urgjente për IA-në tani: pa një kuptim të thellë dhe të nuancuar të mënyrës se si funksionojnë gjërat në botën reale, edhe modeli më i mirë i IA-së do të jetë funksionalisht i penguar. Kjo është arsyeja pse kaq shumë pilotprojekte dhe prova koncepti të IA-së nuk arrijnë të kalojnë në botën reale.
Në një studim global, përqindja e kompanive që braktisnin shumicën e nismave të tyre të IA-së – para se ato të arrijnë në prodhim – u rrit nga 17 përqind në 42 përqind nga një vit në tjetrin, ndërsa organizatat raportuan mesatarisht se 46 përqind e projekteve anulohen midis provës së konceptit dhe adoptimit të gjerë. Bordet kërkojnë kthime nga investimet e tyre dhe nuk po i arrijnë ato.
Kjo ndodh edhe pse teknologjia po bëhet më e mirë, më e shpejtë, më e lirë dhe më e qasshme. Sot një kompani mund të testojë modele të fuqishme, pa e ndërtuar modelin e vet nga e para. Megjithatë, kalimi nga një demonstrim premtues te një zgjidhje plotësisht funksionale – të cilën njerëzit mund ta përdorin, t’i besojnë dhe të mbështeten tek ajo – mbetet i vështirë për t’u arritur.
Kjo ndodh sepse një sistemi të IA-së i duhen më shumë sesa vetëm të dhënat. Atij i duhet të kuptojë punën – jo çfarë është puna, por si kryhet ajo në të vërtetë në realitetin e operacioneve të përditshme. Sistemit i duhet të kuptojë semantikën e biznesit dhe mënyrën se si përcaktohen përparësitë e punës, si kryhet puna dhe si menaxhohen dështimet.
Për shembull, një sistem i IA-së duhet të dijë se si një bankë e shlyen pagesën kur një udhëzim rutinor rezulton se ka pasoja që lidhen me sanksionet, ose përse një profesionist i trajtimit të kërkesave e konsideron mospërputhjen si çështje administrative dhe një tjetër si shenjë paralajmëruese. Duhet të dijë se cili sinjalizim për mirëmbajtje mund të presë deri në mëngjes dhe cili e sinjalizon rrezikun për sigurinë. Këto dallime rrallëherë shfaqen në një hartë procesi. Ato gjenden në përvojën e njerëzve që janë marrë me përjashtimet, kanë parë pasojat dhe kanë mësuar atë që rregullat formale nuk mund ta përcjellin.
Faza e ardhshme e IA-së varet nga shfrytëzimi i kësaj ekspertize. IA-ja e suksesshme do t’i përfshijë që në fillim në IA njerëzit më me përvojë të një kompanie – jo që të mësojnë si të përdorin një mjet të ri, por si partnerë në përcaktimin e asaj që sistemi i IA-së duhet të dijë, asaj që duhet të bëjë dhe pikës ku duhet të ndalet.
Kjo fillon me gjetjen e përjashtimeve. Shumica e rrjedhave të punës duken të rregullta në letër. Në praktikë, ato përmbajnë vendime që kërkojnë gjykim, zgjidhje anësore, historikun e klientëve, kërkesa rregullatore dhe kushte të cilat ndryshojnë sipas stinës, gjeografisë, produktit ose rrethanave. Një model i trajnuar vetëm mbi rrjedhën standarde ose mbi variante të thjeshta mund të funksionojë në mënyrë të admirueshme – deri në çastin kur rrjedha standarde nuk zbatohet më. Gjithashtu, mes të dhënave rutinë të trajnimit fshihen disa modele përjashtimesh, gjë që e bën të vështirë që modelet të mësojnë nga ato përjashtime.
Kjo do të thotë gjithashtu që të matet ajo që ka rëndësi. Një model mund ta zvogëlojë kohën e nevojshme për të përfunduar një detyrë, por vetëm shpejtësia thotë pak për vlerën e biznesit. Matjet e duhura mund të përfshijnë humbjet e shmangura, më pak telefonata të përsëritura, rikthimin më të shpejtë të një shërbimi kritik, përmirësimin e pajtueshmërisë ose më shumë kohë që njerëzit e kualifikuar të përqendrohen në raste të vështira. Matjet duhet të jenë gjithëpërfshirëse – përtej produktivitetit të drejtpërdrejtë – dhe të njohin e të pasqyrojnë veçoritë e biznesit në të cilin kompania vepron në të vërtetë.
Së fundi, organizatat duhet të vendosin se sa gabime mund të përballojë procesi. Rekomandimi i një produkti për një blerës dhe lëshimi i një pagese me vlerë të lartë janë që të dyja forma automatizimi. Ato nuk duhet të trajtohen në të njëjtën mënyrë. Punonjësit me përvojë mund të ndihmojnë në përcaktimin se kur IA-ja duhet të sugjerojë, kur mund të ndërmarrë veprime dhe kur një person duhet të mbetet përgjegjës për vendimin. Përgjegjësia përfundimtare i takon gjithmonë njeriut.
E kemi parë këtë duke ndodhur në praktikë. Duke punuar me një sigurues të specializuar amerikan dhe duke shfrytëzuar Wipro Intelligence-n, e ndërtuam një sistem IA-je për t’i ndihmuar nënshkruesit e sigurimeve të përpunonin dokumentet e dendura dhe jokonsistente që shoqërojnë paraqitjet komplekse të rrezikut tregtar: raporte inspektimi, dosje lidhëse, formularë dhe raporte të vlerësimit të rrezikut.
Teknologjia mund të nxirrte më shumë se 100 pika të dhënash përkatëse dhe të identifikonte anomali, por puna e vërtetë ishte të përcaktohej se çfarë nënkuptonin ato sinjale. Nënshkruesit me përvojë të sigurimeve ndihmuan të dallohej mospërputhja e padëmshme nga ekspozimi material, i identifikuan hollësitë narrative që duhet të nxisnin rishikim dhe vendosën kufij të qartë se kur sistemi mund ta përshpejtonte vendimin dhe kur duhej t’ia kthente rastin një personi. Rezultati nuk ishte një nënshkrues IA-je. Ishte një nënshkrues më i shpejtë: koha e trajtimit ra nga një orë në disa minuta, ndërsa gjykimi njerëzor mbeti aty ku kishte më shumë rëndësi.
Për drejtorët ekzekutivë, mesazhi është i qartë. IA-ja nuk mund të trajtohet si projekt teknologjik që i dorëzohet ekipit të teknologjisë. Është projekt i ridizajnimit të biznesit që duhet të drejtohet nga niveli më i lartë. Filloni me një rrjedhë pune ku një vendim më i mirë ose një zgjidhje më e shpejtë ka vlerë të qartë; vendosini njerëzit që e njohin më mirë atë punë pranë njerëzve që ndërtojnë teknologjinë; jepuni një përkufizim të përbashkët të suksesit; dhe, përshtateni modelin me detyrën konkrete që keni përpara – bazuar në njohuritë e ekspertëve tuaj operacionalë. Jo të gjitha rrjedhat e punës kërkojnë modelet më të mëdha dhe më të sofistikuara.
Kompanitë që do ta bëjnë IA-në të funksionojë do të jenë ato që e kuptojnë se ku ndodhet tashmë aseti i tyre më i vlefshëm i IA-së – në mendjet e njerëzve dinë se si kryhen vërtet gjërat. /Telegrafi/