Företagens AI måste lära sig av erfarenhet
Företagens AI-system samlar data men lär sig inte nödvändigtvis av den, till skillnad från företagets erfarna medarbetare. Nya system kan bara förbättras om de lär sig av konsekvenserna av sina handlingar.
En central utmaning med de allt vanligare AI-systemen i företag är deras oförmåga att lära sig av den dagliga verksamheten. Även om AI kan samla information och minnas tidigare interaktioner, innebär detta inte i sig att den förbättrar sitt beslutsfattande eller sina operationer över tid. Till skillnad från en människa som utvecklas genom sina erfarenheter, behåller många nuvarande AI-system samma kapacitet som de hade vid driftsättningstillfället.
Satya Nadella har betonat skillnaden mellan utbytbara generella modeller och den bestående, interna expertisen i ett företag. Den erfarenhet ett företag samlar – kundåterkoppling, framgångsrika och misslyckade försäljningskampanjer, problem i leveranskedjan eller lösningar inom kundtjänst – är värdefull. Att analysera dessa konkreta händelser och deras konsekvenser kan göra framtidens AI bättre. Att bara samla information utan en inlärningsprocess leder inte till förbättring, vilket gör kontinuerligt lärande till ett centralt mål för AI-utveckling.
Konkurrensfördelen baseras inte längre enbart på användningen av de senaste AI-modellerna, eftersom konkurrenter kan skaffa samma verktyg. Den verkliga fördelen skapas av vad företaget har lärt sig från sin egen historia: sina kunder, sina beslut, sina kampanjer och sina korrigeringar. Satya Nadellas föreslagna "företags-veteran-test" mäter om den expertis som samlats inom organisationen består, även om modellen byts ut. Målet bör vara att bygga en inlärningsloop där mänskligt och AI-kapital växer tillsammans.
Skalan bör göra företaget smartare, inte bara större. Medan traditionell mjukvara kan hantera en miljon transaktioner istället för tiotusentals, bör ett intelligent system förbättra sina operationer med varje ny interaktion. YouTube, Spotify och Amazon har länge utnyttjat strömmar av användarbeteende och feedback för att förbättra sina rekommendationer. Företag bör kräva samma inlärningsförmåga från sina egna AI-system, så att de utvecklas baserat på företagets erfarenhet.