Varför företags-AI är en evolution, inte en revolution

Av Manoj Chaudhary, CTO

Argumenten för ett mer intelligent förhållningssätt till artificiell intelligens.

Det verkar som om man inte kan gå en enda dag utan att se ännu en artikel om vad AI kommer att revolutionera. Den här veckan sträckte det sig från läkemedelsutveckling och publicering till minröjning och vår avloppssystem. Vid sidan av dem finns minst lika många uppfattningar om hur AI till slut kommer att påverka mänskligheten, från “rädda världen” till “besegla vårt öde”.”

Oavsett om du är en AI-“zoomer” eller en AI-“doomer” är en sak säker: när det gäller artificiell intelligens går alla system för fullt. Men även om AI har potential att skapa positiva förändringar i en skala vi knappt kan föreställa oss, ger denna halsbrytande rusning oss verkligen den bästa chansen att nå dit?

Jag förespråkar en annan väg: Ett mer inkrementellt, genomtänkt och medvetet tillvägagångssätt som ger arbetstagarna en plats vid bordet. Denna filosofi producerar AI som är utformad som en kraftmultiplikator för människor, vilket gör att de kan åstadkomma mer än vad antingen de eller AI:n skulle kunna på egen hand.

Vi vill alla förändra världen

Ekonomer har traditionellt haft en ljus syn på ny teknik. Fördelarna kanske inte fördelas jämnt, har de hävdat, men denna utveckling lyfter i regel alla båtar, utan att någon lämnas sämre ställd. Men en växande samling av mer detaljerad data utmanar dessa uppfattningar, vilket resulterar i modeller som förutspår två skilda vägar för en AI-förstärkt värld.

En av dessa är baserad på en uppifrån-och-ned-inriktad snabb eldgivningsmetod för AI. Denna filosofi strävar efter att producera AI som är tillräckligt bra för att ersätta människor, med det ultimata målet att eliminera roller.

Utöver de uppenbara ekonomiska konsekvenserna finns det andra problem med detta tillvägagångssätt. Vi har redan börjat se nackdelarna med det verkställande-centrerade “färdig, skjut, sikta”-tillvägagångssättet för AI.

McDonald's har just avslutat ett tvåårigt pilotprogram för sina AI-beställningsmottagare. McAI missförstod konsekvent beställningar, med problem som sträckte sig från att chatboten lade till bacon i någons glass, till en beställning som felaktigt tolkades som att gälla “2 610 Chicken McNuggets”.”

På samma sätt kan en domare har nyligen avkunnat en dom mot Air Canada på grund av felaktig information som deras chattbot gav till en passagerare. Resonemanget, tycktes det, var att om AI skulle ta över mänskliga roller, behövde den också ta på sig det tillhörande ansvaret.

Du kan räkna bort mig

Dessa fall illustrerar huvudproblemet med vissa företags syn på AI: Genom att försöka tvinga fram en revolution på sin egen tidslinje slutar det med att de får sämre produkter, en dålig kundupplevelse, färre jobb och större risker – allt för få påtagliga affärsfördelar.

Det finns till och med en term för detta, myntad av MIT-professorn Daron Acemoglu och Boston Universitys Pascual Restrepo: “sådär-teknologi” (so-so technology). Denna teknologi tenderar att vara precis tillräckligt bra för att ersätta mänskliga jobb, men inte tillräckligt bra för att förbättra någonting på ett meningsfullt sätt.

Det klassiska exemplet är självutcheckningsteknik: Det fungerade tillräckligt bra för att eliminera vissa, men inte alla, kassörstjänster, men det fungerade faktiskt inte Nå väl. Det irriterade både kunder och anställda, som fann sig mer ansträngda än någonsin tidigare när de tvingades att både övervaka kunder och sköta maskinerna.

Nu ser vi pendeln svänga tillbaka åt andra hållet, i takt med att detaljhandlare eliminerar, begränsar eller kraftigt drar ner på sin användning av denna teknologi. Vissa kallar detta för ett motreaktion, andra för en korrigerande åtgärd, men jag ser det som att en bransch inser misstaget i att försöka gå från noll till revolution utan att göra något av stegen däremellan. Med andra ord försökte de tvinga fram en revolution, när de borde ha eftersträvat en evolution.

Du vet att det kommer att ordna sig

Jitterbit har redan arbetat med nästa fas av vår produktfärdplan, och AI spelar en stor roll i den. Men vi försöker inte “revolutionera” våra produkter. Vi kommer inte att falla i fällan att klistra på AI för AI:ns egen skull och hamna med funktioner som i bästa fall är “milt användbara” och i värsta fall irriterande, skrämmande eller meningslösa.

Sociala medier-jätten Meta skapade nyligen rubriker när den tillkännagav att den skulle börja träna sina generativa AI-modeller på användartillhandahållen data – oavsett om användarna ville det eller inte. Företaget uppgav visserligen att det kommer att “granska invändningsförfrågningar i enlighet med relevant dataskyddslagstiftning”, men det betyder lite på platser som USA, som har få sådana skydd.

EU är dock en helt annan historia. Meta tvingas nu att avbryta sin AI-lansering där på grund av påtryckningar från tillsynsmyndigheterna, vilket har lett till ännu mer negativ uppmärksamhet i medierna bara ett år efter att företaget bötfälldes med $1,3 miljarder för liknande integritetskränkningar inom EU.

Antalet och omfattningen av dessa regler kommer att växa i takt med generativ AI – för att inte tala om de växtvärk som själva AI-plattformarna kommer att ställas inför, såsom upprepade avbrott för OpenAIs ChatGPT i början av juni. Om din produkt är beroende av utbudet från endast ett företag, vad händer om det företaget ställs inför en liknande störning?

Som en del av vårt mer evolutions- och infusionsbaserade tillvägagångssätt för AI-implementering har vi förberett oss för denna eventualitet genom att skapa teknik som är helt AI-agnostisk. Det fantastiska med landskapet för stora språkmodeller (LLM) är det enorma utbudet av alternativ, där vart och ett erbjuder sina egna fördelar.

Vi har länge varit engagerade i att samla det bästa av de lösningar du älskar, vilket gör att du kan integrera dem för ökad effektivitet och användbarhet. Vi tillämpar samma synsätt på AI. Genom att inse att AI:s verkliga värde kommer från att bäst kunna utnyttja din egen data, kommer nästa iteration av Jitterbits utveckling att ge företag friheten att arbeta utan att vara beroende av någon viss Gen AI-plattform.

Genom att ge dig kraften att använda ett brett utbud av LLM:er för olika uppgifter, från Mistral och Perplexity till Big Techs Copilot och Azure AI, kommer du att kunna växla sömlöst mellan verktyg, där din data – inte den specifika LLM du väljer – är den avgörande faktorn.

Under de kommande månaderna kommer vi att erbjuda mer information om dessa utvecklingar. Men under tiden kan du vara säker på att Jitterbits AI-utveckling kommer att vara avsiktlig, den kommer att vara meningsfull och den kommer att vara till stor nytta för din personal och din verksamhet.