Kecerdasan Buatan: Panduan Lengkap

Selama lima puluh tahun terakhir, bidang penelitian kecerdasan buatan mendorong fitur-fitur luar biasa yang tidak dipahami sebagai AI oleh masyarakat umum. Sebagian besar upaya online kami mencakup bentuk AI (agen virtual, pengenalan pola, iklan bertarget). Namun, semua yang telah dilakukan sejauh ini hanyalah sebutir pasir mengacu pada kesulitan untuk masa depan berpasir. Untuk memposisikan diri kita sesuai dengan kemajuan ini, kita perlu memperoleh pengetahuan tentang prosesnya.

Perusahaan bisnis menjadi semakin sadar bahwa kecerdasan buatan dapat (dan di masa depan – akan) menjadi faktor penentu kesuksesan. Saat ini, properti ini diimplementasikan dalam algoritme analisis data yang memiliki kemampuan untuk menyimpan, memproses, dan menganalisis Big Data dengan benar (bidang manajemen bisnis lain yang sedang berkembang) tetapi akan segera menyertakan algoritme pengoptimalan produk dan teknik keterlibatan pelanggan yang kompleks.

Shutterstock.com | Tatiana Shepeleva

Dalam artikel ini, kami menyajikan panduan lengkap kecerdasan buatan melalui bagian 1) Asal-usul AI; 2) Tujuan AI ; 3) Pendekatan dan Alat ; 4) Isu AI ; 5) Penerapan dalam Kewirausahaan , dan 6) Contoh penerapan AI dalam Bisnis .

ASAL-ASAL KECERDASAN BUATAN

Ide dan Latar Belakang Filosofis

Fondasi ide seputar penciptaan kecerdasan buatan dapat ditelusuri kembali ke robot yang dibangun oleh peradaban Mesir dan Cina serta mitologi Yunani kuno. Menerapkan sifat-sifat manusia pada objek dan ide-ide abstrak adalah salah satu cara orang menalar keberadaan mereka sejak mereka memperoleh kesadaran.

Dengan perkembangan logika dan munculnya bidang penalaran simbolis dari filsafat, penciptaan mesin yang dapat meniru kecerdasan manusia menjadi mungkin untuk dicapai dalam praktik. Penalaran simbolik menyatakan bahwa simbol (angka, grafik, perhitungan, statistik, dll.) Dapat digunakan sebagai pengganti sinonim untuk ekspresi yang lebih panjang untuk menyelesaikan masalah. Ide ini diusulkan pada abad ke-16 oleh Thomas Hobbes, yang dianggap sebagai 'Kakek AI'.

Selanjutnya, seiring kemajuan teknik selama berabad-abad, kedua bidang tersebut mulai berkorelasi. Komputer pertama – Analytical Engine, dirancang pada abad ke-19 oleh Charles Babbage (tetapi baru dibuat pada tahun 1991). Dengan kemajuan teknologi yang berkelanjutan dari awal abad ke-20 dan seterusnya serta meningkatnya kebutuhan akan pemahaman yang lebih baik tentang proses komputasi, berbagai model, dan wacana teoretis diciptakan.

Tes Turing

Alan Turing menerbitkan sebuah karya mendasar tentang masalah ini pada tahun 1950 – makalah Computing Machinery and Intelligence. Dalam makalahnya, ia mengusulkan model mesin Turing yang melaluinya ia membahas kemungkinan teoretis dari apa yang dapat dihitung. Untuk mengurangi apakah kemungkinan komputasi meluas ke bidang kecerdasan manusia, ia menciptakan tes Turing. Tujuan dari tes ini adalah untuk mengidentifikasi apakah mesin dapat meyakinkan interogator yang mencurigakan bahwa itu memang manusia. Tes tampaknya cukup sederhana – tidak ada tugas yang rumit (seperti membuat karya seni asli, misalnya) yang terlibat; untuk lulus, komputer harus dapat berbasa-basi dengan manusia dan menunjukkan pemahaman tentang konteks yang diberikan. Sesederhana kedengarannya dari sudut pandang manusia, realisasi hasil seperti itu terbukti sangat sulit dan, hingga saat ini, tidak dapat dicapai. Masalah utama adalah yang terkait dengan teknologi perangkat keras pada pertengahan abad ke-20 – masalah ruang penyimpanan menyamarkan masalah masa depan terkait realisasi perangkat lunak.

Para peneliti masih mencoba membuat perangkat lunak yang akan lulus tes Turing dan mempresentasikannya di Kompetisi Turing tahunan. Hadiah Leobner sebesar $100.000 dalam bentuk tunai masih menunggu perangkat lunak pertama yang terbukti hidup.

AI – Bidang Studi

Berdasarkan filosofi, logika, matematika, sibernetik, ilmu saraf dan kemajuan teknologi informasi, bidang studi kecerdasan buatan lahir pada tahun 1956 di sebuah konferensi di Dartmouth College. Pakar John McCarthy dan Marvin Minsky menjadi nama terkemuka dalam upaya luas untuk menciptakan mesin cerdas selama lima puluh tahun ke depan.

Secara alami, untuk menciptakan kecerdasan seseorang harus mengetahui apa itu kecerdasan. Namun, definisi abstrak kecerdasan sebagai milik manusia (dan beberapa hewan) yang dimanifestasikan dalam logika, penalaran, pembelajaran melalui pengalaman, alat pengetahuan, kreativitas, dan segudang lainnya, tidak dapat begitu saja diterjemahkan ke dalam simbol dan menghasilkan perasaan. mesin.

Komputer-Catur dan Sistem Pakar

Para ilmuwan menerapkan pendekatan dan metode yang berbeda untuk membangun kecerdasan buatan. Salah satu pendekatannya adalah evolusi perangkat lunak permainan catur. Karena kenyataan bahwa jauh lebih mudah untuk mencapai efisiensi tinggi melalui teknik brute force – yang berarti bahwa komputer menghitung algoritme solusi berdasarkan prinsip biaya minimal untuk kerusakan maksimum yang mungkin terjadi untuk sejumlah gerakan di masa depan – perangkat lunak permainan catur melakukannya tidak terlalu fokus pada membangun perasaan tetapi lebih pada teknik pencarian lanjutan dan perangkat keras berkelanjutan untuk database besar.

Di sisi lain, sistem pakar dikembangkan untuk memberikan bantuan ahli di industri yang berbeda. Dengan membuat basis data pengetahuan yang mahir dan menggabungkan perangkat lunak pembelajaran mesin – yang memungkinkan mesin membuat prediksi dan memberikan konsultasi mengenai data yang diberikan; serta perangkat lunak interaksi (berdasarkan pengembangan bahasa alami) – para ilmuwan memperluas properti 'mesin cerdas' mereka. Prestasi ini sekarang digunakan dalam sistem navigasi, kedokteran serta bisnis.

Musim Dingin AI

Setelah kegembiraan awal dengan bidang penelitian AI, segera menjadi jelas bahwa hasil yang solid akan membutuhkan lebih banyak waktu daripada yang diantisipasi dan diumumkan. Setelah laporan ALPAC dan Lighthill, yang menunjukkan kemajuan yang tidak memuaskan dalam proyek AI (masalah dengan perangkat lunak bahasa alami, kemajuan yang lambat), aliran investasi dihentikan – Musim Dingin AI pertama dimulai pada tahun 1974 dan berlangsung hingga awal 1980-an ketika pemerintah Inggris memulai Proyek AI sebagai respons terhadap upaya Jepang terkait pemrograman logika. Namun, pada tahun 1987, karena runtuhnya pasar komputer serba guna dan penurunan pendanaan, AI Winter kedua muncul dan berlangsung selama lima tahun.

Pada periode 'musim dingin', penelitian AI berlanjut dengan nama berbeda yang akan menjadi sub-kategori bidang di masa depan – pemrograman evolusioner, pembelajaran mesin, pengenalan suara, penambangan data, robotika industri, mesin pencari, dan banyak lainnya.

Di mana AI sekarang?

Bidang penelitian kecerdasan buatan memungkinkan banyak kemajuan yang dianggap sebagai 'umum' saat ini – hasil mesin pencari yang ditentukan dan dipersonalisasi, perangkat lunak asisten pribadi yang cerdas – Siri, Google Terjemahan, sistem navigasi kendaraan, berbagai peningkatan robotika, dan banyak lagi lainnya.

Beberapa pencapaian penting antara lain:

• Deep Blue IBM menjadi komputer pertama yang memenangkan permainan catur melawan juara catur – Garry Kasparov, pada tahun 1997.
• Sistem penjawab pertanyaan IBM Watson memenangkan kuis Jeopardy melawan lawan yang mahir pada tahun 2011.
• Eugene Goostman, seorang chatbot meyakinkan anggota juri tes Turing bahwa itu adalah anak laki-laki berusia 13 tahun dari Ukraina pada tahun 2014. Namun, Eugene melewati hukuman minimum dengan 33%. Hasil seperti itu pada dasarnya tidak dianggap lulus dari tes Turing karena sebagian besar bergantung pada kondisi eksternal (seorang anak dari negara yang tidak berbahasa Inggris dapat dimaafkan karena tidak cukup dalam obrolan ringan, sementara penutur asli orang dewasa tidak akan melakukannya). telah). Selama tahun 2015, para pengembang Eugene diharapkan untuk mempertahankan kemenangan mereka dan membuktikan bahwa mereka menemukan perangkat lunak hidup (yang kemungkinan besar tidak mereka lakukan).

Seperti yang dapat dicatat dari semua yang dinyatakan di atas, jelas bahwa masalah sulit dari kecerdasan buatan belum banyak mengalami kemajuan besar dalam lima puluh tahun terakhir. Akibatnya, para ahli memperkirakan setidaknya lima puluh tahun lagi trial and error untuk meniru kecerdasan manusia. Ini terlalu luas dan kompleks untuk diselesaikan dalam waktu singkat. Namun, kemajuan yang dibuat selama pencarian sejauh ini telah sangat memengaruhi dan membentuk dunia tempat kita tinggal.

TUJUAN KECERDASAN BUATAN

Tujuan 'akhir' dari upaya kecerdasan buatan adalah untuk menciptakan mesin cerdas yang mampu menalar, merencanakan, memecahkan masalah, berpikir abstrak, memahami ide-ide kompleks, belajar dengan cepat dan belajar dari pengalaman (yang merupakan definisi kecerdasan manusia yang disepakati). Dalam praktiknya, kecerdasan yang ditiru secara artifisial ini adalah untuk mencerminkan kemampuan yang luas dan mendalam untuk memahami lingkungannya sehingga dapat mengetahui apa yang harus dilakukan dalam situasi yang mungkin tak terbatas. Untuk memposisikan dirinya secara memadai di lingkungan, AI harus cerdas secara sosial (artinya ia harus mampu memahami dan bereaksi dengan benar terhadap spektrum luas fitur abstrak dan sifat alam semesta yang dapat dipahami – misalnya, emosi). Untuk dapat mengelola masalah secara optimal, perlu mampu mengimplementasikan kreativitas dalam fungsinya. Semua properti yang disebutkan dikaitkan dengan tujuan jangka panjang studi AI – kecerdasan umum.

Namun, untuk mencapai tujuan seperti itu, para ilmuwan harus fokus pada berbagai konsep kompleks yang merupakan blok bangunannya, baik secara individual maupun dalam korelasi. Pembangun mesin cerdas masa depan perlu menerapkan dalam pekerjaan mereka studi empiris sistem cerdas yang ada (terutama manusia) serta hasil eksplorasi teoretis dan analisis kemungkinan sistem kecerdasan (dan mekanisme dan representasinya). Faktor-faktor ini penting untuk penyelesaian masalah yang terkait dengan sistem cerdas yang ada serta merancang mesin cerdas atau semi-cerdas baru. Pada dasarnya, ini berarti bahwa pandangan penuh tentang kompleksitas tugas harus diperoleh karena dengan membatasi upaya hanya pada satu bidang (misalnya, teknik), upaya tersebut tidak akan memberikan hasil yang memuaskan. Tidak mungkin membuat pesawat terbang tanpa pemeriksaan burung.

Deduksi, penalaran, pemecahan masalah

Pada awal penelitian AI, proses penalaran diinduksi melalui peniruan langkah demi langkah proses manusia dalam memecahkan teka-teki atau deduksi logis. Namun, pendekatan ini sangat bergantung pada sumber daya komputasi dan memori komputer yang pada saat itu agak terbatas. Isu-isu ini menunjukkan perlunya meniru proses penilaian langsung pada manusia daripada penalaran yang disengaja. Penilaian langsung dapat dilihat sebagai pengetahuan bawah sadar intuitif yang mengatur arah tindakan yang disengaja.

AI melakukan upaya untuk mencapai tujuan penilaian langsung melalui kombinasi dari:

• Embodied Agents (entitas otonom yang dapat berinteraksi dengan lingkungan dan ditampilkan sebagai tubuh robot nyata/simulasi virtual tiga dimensi);
• Keterampilan Sensorimotor (kombinasi persepsi lingkungan melalui sensor dan bereaksi dengan keterampilan motorik – misalnya, robot merasakan bahwa seseorang mendekat dan menawarkan tangan sebagai salam – robot bereaksi dengan berjabat tangan dengan orang tersebut);
• Neural Networks (simulasi struktur dan proses dalam sistem saraf, terutama otak manusia: menghitung nilai dari input; pembelajaran mesin; pengenalan pola; sifat adaptif);
• Pendekatan Statistik (pendekatan matematis untuk resolusi masalah tertentu).

Representasi pengetahuan

Untuk meniru manusia, AI perlu memasukkan sejumlah besar pengetahuan tentang objek, propertinya, kategori, dan hubungan satu sama lain. Selain itu, ia harus menerapkan situasi dan keadaan, sebab, akibat, dan gagasan abstrak. Bidang AI menggunakan pendekatan ontologis untuk representasi pengetahuan - yaitu, pengetahuan didalilkan dalam set konsep yang hubungannya didefinisikan dalam domain.

Masalah

• Ketidakmungkinan pernyataan benar/salah – semuanya memiliki pengecualian;
• Luasnya pengetahuan manusia membuat pembuatan ontologi komprehensif hampir tidak mungkin;
• Bentuk-bentuk pengetahuan sub-sadar dan sub-simbolis harus dimasukkan.

Solusi

• AI statistik – resolusi matematis dari masalah tertentu;
• AI terletak – sistem sebagai entitas otonom melalui interaksi dengan lingkungan mengembangkan perilaku dasar;
• Kecerdasan Komputasi – komputer yang cukup memahami konsep, sehingga mampu memberikan ontologi lebih lanjut dengan sendirinya (melalui Internet, misalnya).

Perencanaan otomatis

AI harus mampu membangun solusi yang kompleks dan dioptimalkan dalam ruang multidimensi dan melakukan realisasi strategi/urutan tindakan ini. Dengan kata lain, agen cerdas harus mampu memvisualisasikan potensi masa depan (analisis prediktif), menetapkan tujuan tindakan (pengambilan keputusan) dan melakukan dengan cara yang akan memaksimalkan efisiensi (nilai) proses.

Sasaran ini harus ditangani baik offline (untuk lingkungan yang diketahui) dan online (untuk lingkungan yang tidak terduga). Para ilmuwan masih harus berurusan dengan masalah skenario yang tidak terduga – ketika mesin diharapkan untuk bereaksi secara cerdas.

Pembelajaran mesin

Pembelajaran mesin adalah konstruksi dan studi algoritme yang memungkinkan sistem AI membuat prediksi dan keputusan berdasarkan input data dan pengetahuan yang diperoleh melaluinya.

Ini dapat difokuskan pada:

• pengenalan pola yang tidak diawasi dalam aliran input (misalnya, mendefinisikan surat spam dari surat non-spam dalam sistem surat elektronik);
• klasifikasi dan pembentukan hubungan yang diawasi (terprogram) dalam data input (misalnya memandu email spam dan non-spam ke dalam kategori yang berbeda dalam sistem).

Pembelajaran mesin digunakan di berbagai bidang teknologi informasi seperti penyaringan spam (disebutkan sebagai contoh di atas), pengenalan karakter optik, personalisasi mesin pencari, visi komputer dan penambangan data (analisis prediktif).

Peningkatan lebih lanjut dari algoritma pembelajaran mesin harus dikaitkan dengan kecerdasan komputasi mesin secara keseluruhan.

Pemrosesan bahasa alami

Pemrosesan dan generasi bahasa alami adalah salah satu isu sentral yang ditangani oleh bidang studi kecerdasan buatan. Tidak mengherankan bahwa tes Turing berkisar pada kemampuan mesin untuk berkomunikasi (setidaknya tampaknya) dengan hati-hati – mesin yang akan dapat memahami kata-kata yang diucapkan atau ditulis dalam konteksnya dan dapat merespons dengan tepat adalah sesuatu yang dapat dicirikan sebagai entitas cerdas (karena melibatkan sifat abstrak – kecerdasan sosial, pengetahuan, persepsi, pemecahan masalah, dll.).

Persepsi Mesin

Persepsi mesin merupakan kemampuan interpretasi input yang menyerupai proses persepsi manusia melalui indera. Isu penting yang coba diatasi adalah persepsi komprehensif, transmisi ke inti cerdas entitas, dan sistem respons (yaitu, persepsi mesin menemui kesulitan dalam fitur teknik dan komputasi).

• Visi – mengumpulkan informasi berdasarkan citra dunia luar berdimensi tinggi dan mengubahnya menjadi algoritme/solusi untuk masalah tertentu (saat ini, mesin dapat menggunakan pengenalan wajah dan penilaian estetika tetapi masih ada jalan panjang pengembangan di depan);
• Pendengaran – kemampuan untuk memproses data audio seperti musik atau ucapan (saat ini: pengenalan suara, penerjemah suara);
• Sentuhan – kemampuan untuk memproses sifat permukaan dan ketangkasan agar dapat berinteraksi secara efektif dan cerdas dengan lingkungan.

Robotika

Tujuan dalam robotika menggabungkan teknik dengan studi kecerdasan buatan dan berkisar pada pertanyaan tentang:

• manipulasi objek;
• navigasi;
• lokalisasi;
• pemetaan;
• perencanaan gerak.

PENDEKATAN DAN ALAT AI

Pendekatan

Dari munculnya penelitian AI pada 1950-an, banyak pendekatan telah dilakukan melalui penerapan pengetahuan di berbagai industri dan kalangan akademis. Pendekatan-pendekatan ini berkembang sebagai jawaban atas kekurangan yang ditunjukkan oleh masing-masing dari mereka terkait dengan realisasi tujuan – kecerdasan umum. Ketika penelitian AI kehilangan dana selama musim dingin AI, disintegrasi pendekatan adalah satu-satunya cara untuk memperoleh investasi untuk studi berkelanjutan. Apa yang dapat disimpulkan dari sudut pandang hari ini adalah bahwa semua pendekatan ini sangat penting untuk kompleksitas kecerdasan buatan yang luas dan semuanya berkontribusi besar pada proses (tidak peduli seberapa lambat atau kurang kemajuan yang menggembirakan dari proses itu sendiri) .

Konektivitas

Menggabungkan teknik dan pengetahuan neurologi, teknologi informasi, dan sibernetika, para ilmuwan mencapai simulasi kecerdasan dasar pada 1950-an. Pendekatan itu ditinggalkan pada dekade berikutnya dan muncul kembali pada 1980-an.

Prestasi

• pemrosesan sensorik;
• perilaku jaringan saraf;
• pengetahuan tentang sistem regulasi.

Simbolisme

Pendekatan tersebut menyatakan bahwa kecerdasan manusia dapat disimulasikan secara eksklusif melalui manipulasi simbol. Ini juga disebut 'kecerdasan buatan kuno yang baik' - GOFAI dan sukses dalam simulasi kecerdasan tinggi pada 1960-an - terbatas pada program demonstrasi terbatas.

Prestasi

• sistem pakar

Simulasi Kognitif

Pendekatan simulasi kognitif diwujudkan dalam tes psikologi yang dilakukan untuk memperoleh pengetahuan tentang keterampilan pemecahan masalah manusia. Hasilnya harus diformalkan untuk mengembangkan program yang akan mensimulasikan sifat-sifat kecerdasan manusia ini.

Prestasi

• dasar untuk penelitian kecerdasan buatan – pembelajaran mesin, pemrosesan bahasa alami, dll.

Logika

Perwakilan dari pendekatan logis berpendapat bahwa kecerdasan manusia pada dasarnya memacu dari penalaran abstrak dan pemecahan masalah dan dengan demikian dapat diperlakukan dengan teknik logika.

Prestasi

• representasi pengetahuan;
• perencanaan otomatis;
• pembelajaran mesin;
• pemrograman logika.

Anti-Logika

Penentang pendekatan logika menyatakan bahwa tidak ada prinsip umum yang dapat menangkap kompleksitas perilaku cerdas.

Prestasi

• menunjukkan kurangnya efisiensi pendekatan logika dalam hal visi mesin dan pemrosesan bahasa alami

Pengetahuan

Pendekatan berbasis pengetahuan mulai banyak diterapkan dalam studi penelitian kecerdasan buatan sejak munculnya sistem pakar dan peningkatan kapasitas penyimpanan sistem operasional.

Prestasi

• implementasi ke dalam sistem pakar;
• salah satu elemen penting dari kecerdasan umum.

Abstrak

Pendekatan abstrak muncul dari kebutuhan untuk mengatasi spektrum kecerdasan manusia yang sub-simbolis dan intuitif untuk memberikan solusi optimal untuk masalah kecerdasan buatan.

Prestasi

• persepsi komputer;
• robotika;
• pembelajaran mesin;
• pengenalan pola.

Terletak

Pendekatan kecerdasan buatan yang terletak atau baru berfokus pada masalah teknik dasar dan menolak eksklusivitas pendekatan simbolik. Tujuannya adalah untuk membangun mesin realistis yang dapat eksis di lingkungan nyata.

Prestasi

• keterampilan motorik;
• keterampilan sensorik;
• persepsi komputer.

Statistik

Pendekatan statistik menggunakan alat matematika yang terukur dan dapat diverifikasi dan menggabungkannya dengan ekonomi untuk memecahkan masalah tertentu. Pendekatan ini dikritik dalam hal pengabaian terhadap tujuan intelijen umum.

Prestasi

• berhasil mengatasi masalah tertentu

Peralatan

Bidang studi kecerdasan buatan telah menghadapi masalah yang tak terbatas dalam pencariannya untuk realisasi. Namun, itu menerapkan beragam metode di mana masalah dapat berhasil diatasi.

Metode Pencarian dan Pengoptimalan

Mencari banyak solusi yang mungkin, menghilangkan solusi yang tidak mungkin mengarah pada tujuan tertentu (atau keseluruhan) dan memilih jalur yang optimal dapat menjadi cara yang efisien untuk menyelesaikan masalah. Algoritma penalaran, perencanaan dan robotika dibuat dengan bantuan teknik pencarian berdasarkan optimasi.

Teori optimasi matematika dibentuk dengan memulai pencarian solusi dengan tebakan cerdas dan maju ke arah penyempurnaannya (juga disebut sebagai 'mendaki bukit': memilih titik acak di lanskap dan maju dalam gerakan acak menuju puncak bukit).

Komputasi evolusioner mengikuti prinsip 'survival of the fittest' – serangkaian tebakan didalilkan, melalui penyempurnaan beberapa tebakan jatuh, dan dengan demikian solusi optimal muncul dengan sendirinya.

Logika sebagai Metode Solusi

Logika digunakan untuk memecahkan masalah terkait perencanaan otomatis dan pembelajaran mesin, serta pemrograman logika. Ini digunakan untuk menentukan validitas melalui atribusi benar / salah, mengungkapkan fakta tentang objek, properti dan hubungannya yang penting untuk ontologi dalam representasi pengetahuan.

Metode lain

• Algoritme probabilitas untuk memfilter dan analisis prediksi aliran data;
• Pengklasifikasi dan metode pembelajaran statistik;
• Jaringan saraf tiruan;
• Bahasa pemrograman (berbeda sesuai dengan kebutuhan spesifik sub-kategori AI).

MASALAH KECERDASAN BUATAN

Sebagian besar peneliti di bidang kecerdasan buatan menyatakan bahwa kecerdasan umum dalam mesin akan dicapai dalam lima puluh tahun ke depan. Meskipun kami tidak dapat mengkonfirmasi pernyataan seperti itu, tampaknya masuk akal bahwa kemajuan akan terjadi, dan akan mengubah dunia sepenuhnya. Akibatnya, berbagai masalah pasti akan muncul.

Terutama, sistem AI memiliki kemampuan pemrosesan data dan analisis prediktif yang jauh melampaui kemampuan manusia. Untuk mencapai kinerja yang optimal, mereka agak otonom, diatur oleh seperangkat aturan yang dipilih dengan cermat untuk mencapai semacam tujuan. Namun, karena otonomi mereka, mereka dapat tampil dalam ketidakseimbangan mengenai pengguna mereka – jika masalah potensial tidak ditangani dalam pemrograman, sistem akan melakukannya – jika memenuhi tujuan (dan tidak mungkin bagi manusia untuk memprediksi semua situasi yang mungkin terjadi. dan algoritma yang memadai untuk mereka). Masalah tersebut harus diatasi dengan memberikan kriteria keselamatan yang jelas untuk meminimalkan kerusakan jika terjadi kesalahan. Selain itu, atribusi tanggung jawab yang tepat adalah pertanyaan yang perlu dijawab mengenai upaya kecerdasan buatan.

Selanjutnya, ketika kecerdasan umum muncul, manusia harus mendefinisikan sistem moral yang dengannya mereka akan menyusun sistem AI tetapi juga aturan moral yang dengannya mereka akan memposisikan diri dalam kaitannya dengan sistem AI. Pertanyaan tentang etika dalam kecerdasan buatan sangat kompleks – bagaimana menentukan apakah suatu sistem diprogram untuk berperilaku dan mengklaim makhluk hidup atau makhluk hidup?

Selain itu, siapa yang akan bertanggung jawab atas pengambilan keputusan terkait AI umum? Sementara kita semua diperkenalkan pada peluang positif dan maju yang akan dibawa oleh teknologi AI – penghentian penyakit, perjalanan ruang angkasa, pengurangan pekerjaan, dll., kita tampaknya lupa bahwa manusia mampu melakukan penghancuran besar-besaran untuk mendapatkan kekuasaan dan uang. Jelas, beberapa peraturan tentang penggunaan sistem AI harus dibuat.

APLIKASI AI DALAM KEWIRAUSAHAAN

Data Besar dan Analisis Khusus

Selama beberapa tahun terakhir, pertumbuhan eksponensial dalam kemampuan teknologi (terutama penyimpanan dan komputasi), masuknya data telah meningkat pesat. Saat ini, perusahaan dapat mengumpulkan dan memproses Big Data dalam bentuk terstruktur dan tidak terstruktur (gambar, video) dan menganalisisnya untuk mendapatkan wawasan berharga mengenai strategi bisnis. Salah satu masalah manajemen Big Data adalah kurangnya ahli yang dapat memahami dan mempraktikkannya. Berbagai solusi perangkat lunak telah disajikan untuk menyederhanakan proses – seperti sistem pakar dan analisis prediktif. Jelas, ini adalah produk dari studi kecerdasan buatan.

Namun, seiring dengan berkembangnya algoritme, demikian juga pengaruhnya terhadap manajemen data. Pembelajaran mesin adalah algoritma prediktif dan pengambilan keputusan berbasis data yang dapat, bila dikombinasikan dengan pemrosesan bahasa alami, menyajikan informasi dan solusi yang dapat digunakan (dan berharga) mengenai strategi bisnis (periklanan, hubungan pelanggan, pembinaan karyawan) dengan tujuan keseluruhan meningkatkan produktivitas dan keterlibatan pelanggan (kepuasan), daya saing di pasar dan pertumbuhan.

Optimalisasi Produk dan Layanan

Algoritma kecerdasan buatan akan diimplementasikan tidak hanya di bidang manajemen bisnis tetapi juga dalam efisiensi dan keinginan produk. Misalnya, mesin pemotong rumput akan dapat memotong rumput tanpa partisipasi manusia. Selain itu, mereka akan dapat melakukan tugas-tugas konstruktif yang terspesialisasi dan dipersonalisasi seperti tidak mencabut bunga. Semua ini akan berkontribusi pada kepuasan pelanggan karena ini mewakili penurunan eksponensial yang terus menerus dari kebutuhan waktu dan usaha dari pelanggan untuk efisiensi dan nilai yang dimaksimalkan.

CONTOH IMPLEMENTASI AI DALAM BISNIS

Selain upaya signifikan IBM dalam kecerdasan buatan sejak awal, perusahaan besar seperti Google dan Facebook juga harus memperhatikan kemungkinan AI karena sejumlah besar data dan manajemen kompleks serta proses penentuan strategi. Di sini kita akan melihat tiga perusahaan ini dan keterlibatan mereka dalam AI.

IBM

Selain kesuksesan signifikan yang diterima IBM secara publik dengan upaya mereka dalam teknologi AI seperti algoritma permainan catur Deep Blue dan sistem Watson yang kompleks, manfaat sebenarnya terletak pada properti yang dikuasai teknologi mereka dan penerapannya dalam bisnis. Algoritma Deep Blue berhasil memproses sejumlah besar analisis prediktif berdasarkan memaksimalkan efisiensi sesuai dengan aturan catur dan menunjukkan bahwa dengan perumusan tujuan yang jelas, tidak perlu (karena tidak mungkin) untuk menutupi kemungkinan solusi secara manual – komputer melakukannya secara mandiri dan, terbatas pada tujuan yang diprogram untuknya, dioptimalkan sedemikian rupa sehingga bahkan seorang juara catur tidak dapat mengesampingkan prosesnya.

Sistem Watson dikembangkan sebagai algoritme tanya jawab real-time yang berhasil memahami dan memproses bahasa alami serta menalar jawaban yang benar dan menghasilkannya dalam bahasa alami – memenangkan kuis Jeopardy saat beroperasi offline. Itu dibuat berdasarkan pembelajaran mesin karena itu akan menjadi pendekatan yang memakan waktu dan mungkin tidak efektif untuk mengimplementasikan ontologi pengetahuan yang luas ke dalamnya secara manual.

Kemajuan ini sangat signifikan untuk strategi bisnis karena mengoptimalkan pemrosesan luas konten yang relevan dan memungkinkan komunikasi konstruktif untuk menyajikan wawasan dan melakukan keputusan berdasarkan proses analitis ini.

Saat ini, IBM berfokus pada penerapan algoritme mereka di lingkungan berbasis cloud dan membuat database untuk perawatan kesehatan, bisnis, dan pendidikan.

Google

Google telah menggunakan fitur kecerdasan buatan untuk personalisasi dan spesifikasi mesin pencari mereka, mengembangkan Google Translate yang merupakan alat pemrosesan dan generasi bahasa alami yang memadai (selain kekurangannya dalam hal konteks dan makna sub-simbolis) serta menerapkan sistem saraf. strategi jaringan dalam pengelolaan database besar mereka. Strategi saraf ini dirancang untuk mengenali pola dan membuat keputusan dengan sangat cepat. Juga, algoritma pembelajaran mesin disertakan yang berarti bahwa sistem belajar melalui pengalaman dan dengan demikian bekerja lebih efektif.

Facebook

Profil Facebook adalah wadah peleburan untuk data terstruktur dan tidak terstruktur: daftar teman, halaman yang disukai, grup yang bergabung. Untuk mengoptimalkan pengalaman pelanggan, Facebook menerapkan kecerdasan buatan untuk mengenali pola perilaku pengguna individu (di domain Facebook, serta online secara umum, ) dan penawaran sesuai dengan kecenderungan dan minat tertentu. Upaya mereka menuju menciptakan agen cerdas yang akan dapat berinteraksi dengan pengguna dan memberikan informasi berharga secara instan.

Mempertimbangkan teori Moore tentang pertumbuhan eksponensial teknologi dan pengetahuan, kita dapat memprediksi bahwa penggambaran fiksi ilmiah tentang masa depan sebenarnya sudah dekat, terutama jika kita mempertimbangkan kompleksitas tujuan. Meskipun ada banyak masalah mengenai realisasi AI dan teka-teki etika mengenai beragam spektrum AI, kemajuan sedang terjadi dan akan membawa banyak fitur positif dengannya. Dalam bisnis, ini akan memungkinkan strategi yang dirancang untuk pengguna individu – meningkatkan kepuasan dan menghasilkan keuntungan bagi perusahaan. Ini akan memiliki konsekuensi yang lebih luas dalam kedokteran, ekonomi berkelanjutan, pengurangan kemiskinan dan pendidikan. Kita hanya harus berharap bahwa kemajuan akan selalu memenuhi tujuan altruistiknya.