Hvorfor Enterprise AI er en evolution, ikke en revolution

Af Manoj Chaudhary, CTO

Argumentet for en mere intelligent tilgang til kunstig intelligens.

Det virker som om, man ikke kan gå en dag uden at se endnu en artikel om, hvad AI vil revolutionere. I denne uge spændte det fra farmaceutisk udvikling og udgivelse til minerydning og vores kloaksystemer. Ved siden af dem løber mindst lige så mange holdninger til, hvordan AI i sidste ende vil påvirke menneskeheden, fra “at redde verden” til “at besegle vores skæbne.”

Uanset om man er en AI-“tilhænger” eller en AI-“dommedagsprofet”, er én ting helt sikkert: Når det gjelder kunstig intelligens, kører alle systemer for fuld damp fremad. Men selvom AI har potentialet til at skabe positive forandringer i et omfang, vi næsten ikke kan forestille os, giver det nuværende hovedkulds ræs os så reelt den bedste chance for at nå dertil?

Jeg tilslutter mig en anden vej: En mere gradvis, gennemtænkt og velovervejet tilgang, der giver arbejderne en plads ved bordet. Denne filosofi frembringer kunstig intelligens designet som en kraftforstærker for mennesker, så de kan udrette mere, end enten de eller den kunstige intelligens kunne alene.

Vi vil alle ændre verden

Økonomer har traditionelt haft et rosenrødt syn på ny teknologi. Fordelene er måske ikke fordelt ligeligt, har de argumenteret for, men denne udvikling løfter generelt alle både, uden at nogen stilles ringere. Men en voksende mængde af mere granular data udfordrer disse overbevisninger, hvilket resulterer i modeller, der forudsiger to divergenter veje for en AI-styrket verden.

En af disse er baseret på en top-down, hurtig tilgang til kunstig intelligens. Denne filosofi søger at fremstille AI, der er god nok til at erstatte mennesker, med det endelige mål at afskaffe roller.

Ud over de åbenlyse økonomiske konsekvenser er der andre problemer med denne tilgang. Vi er allerede begyndt at se ulemperne ved den direktørcentrerede “klar, skyd, sigt”-tilgang til kunstig intelligens.

McDonald's netop afsluttet et toårig pilotprogram til sine AI-bestillingsmedarbejdere. McAI misforstod konsekvent ordrer med problemer, der spændte fra at chatbotten tilføjede bacon til nogens is, til en ordre, der blev mistolket som “2.610 Chicken McNuggets.”

Tilsvarende kan en dommer har for nylig afsagt dom imod Air Canada over falske oplysninger, som deres chatbot havde givet en passager. Ræsonnementet så ud til at være, at hvis AI skulle overtage menneskelige roller, var den også nødt til at påtage sig det medfølgende ansvar.

Du kan regne mig ude

Disse sager illustrerer hovedproblemet med nogle virksomheders tilgang til kunstig intelligens: Ved at forsøge at fremtvinge en revolution på deres egen tidsplan ender de med dårligere produkter, en ringere kundeoplevelse, færre arbejdspladser og større risiko – alt sammen for få mærkbare forretningsmæssige fordele.

Der er tilmed en betegnelse for dette, opfundet af MIT-professor Daron Acemoglu og Pascual Restrepo fra Boston University: “så-lken-teknologi.” Denne teknologi plejer blot at være god nok til at erstatte menneskelige job, men ikke god nok til for alvor at forbedre noget.

Det klassiske eksempel er selvbetjeningsteknologi: Det fungerede godt nok til at fjerne nogle, men ikke alle, kassemedarbejderjob, men det fungerede faktisk ikke Nå. Det irriterede såvel kunder som medarbejdere, som følte sig mere pressede end nogensinde, mens de både skulle holde øje med kunderne og styre maskinerne.

Nu ser vi pendulet svinge tilbage i den modsatte retning, i takt med at detailhandlere fjerner, begrænser eller drastisk nedskalerer deres afhængighed af denne teknologi. Nogle kalder dette et modreagere, andre kalder det en korrektion, men jeg ser det som en branchen, der erkender fejlen ved at forsøge at gå fra nul til revolution uden at tage nogen af de mellemliggende skridt. Med andre ord forsøgte de at tvinge en revolution igennem, når de burde have søgt en evolution.

Du ved, det nok skal gå

Jitterbit arbejder allerede på den næste fase af vores produkt-roadmap, og kunstig intelligens spiller en væsentlig rolle i den. Men vi forsøger ikke at “revolutionere” vores produkter. Vi falder ikke i den faldgrube at tilføje AI for AI's egen skyld og ende med funktioner, der i bedste fald er “mådeligt nyttige” og i værste fald irriterende, skræmmende eller meningsløse.

Social-mediegiganten Meta skabte overskrifter for nylig, da den annoncerede, at den ville begynde at træne sine generative AI-modeller på brugerleverede data – uanset om brugerne ville det eller ej. Den sagde ganske vist, at den vil “gennemgå indsigelsesanmodninger i overensstemmelse med relevante databeskyttelseslove”, men det betyder ikke meget steder som USA, der har få sådanne beskyttelser.

EU er imidlertid en helt anden sag. Meta er nu tvunget til at sætte sin AI-udrulning der på pause på grund af pres fra myndighederne, hvilket har medført endnu mere negativ medieopmærksomhed blot et år efter, at virksomheden blev idømt en bøde på $1,3 milliarder for lignende overtrædelser af EU’s privatlivsregler.

Antallet og omfanget af disse regler vil vokse i takt med generativ AI – for ikke at tale the om de startvanskeligheder, som AI-platformene selv vil stå over for, såsom gentagne driftsstop af OpenAIs ChatGPT i begyndelsen af juni. Hvis dit produkt er afhængig af udbuddet fra blot én virksomhed, hvad vil der så ske, hvis den virksomhed står over for en lignende afbrydelse?

Som en del af vores mere evolutions- og infusionsbaserede tilgang til AI-implementering, har vi taget højde for denne mulige udvikling ved at skabe teknologi, der er fuldstændig AI-agnostisk. Det fantastiske ved landskabet for store sprogmodeller (LLM) er det enorme antal tilgængelige muligheder, hvor hver enkelt tilbyder sit eget sæt af fordele.

Vi har længe været forpligtet til at samle det bedste af de løsninger, du elsker, så du kan integrere dem for at opnå større effektivitet og brugervenlighed. Vi anlægger den samme tilstand til AI. Ved at erkende, at AI's sande værdi kommer fra at kunne udnytte dine egne data bedst muligt, vil den næste iteration af Jitterbit-udviklingen give virksomheder frihed til at arbejde uden at være afhængige af en bestemt Gen AI-platform.

Ved at give dig muligheden for at bruge en bred vifte af LLM'er til forskellige opgaver, fra Mistral og Perplexity til Big Techs Copilot og Azure AI, vil du være i stand til problemfrit at skifte mellem værktøjer, hvor dine data – og ikke den specifikke LLM, du vælger – er det vigtigste skelneelement.

I de kommende måneder vil vi tilbyde flere detaljer om disse udviklinger. Men i mellemtiden skal du vide, at Jitterbits AI-evolution vil være velovervejet, den vil være meningsfuld, og den vil være til stor gavn for din arbejdsstyrke og din virksomhed.