IBM wydał miliardy na Watson Health. Pomysł wyglądał imponująco. Sieć neuronowa miała pomagać onkologom dobierać leczenie. Technologia była, dane były, marka była. Efekt okazał się znacznie słabszy od oczekiwań. W 2022 roku dział został sprzedany.
Problem nie tkwił wyłącznie w modelu. Watson próbował rozwiązać problem, którego nikt precyzyjnie nie zdefiniował. Jakie decyzje miał podpowiadać? Na podstawie jakich danych? Jak miało to wpisywać się w rzeczywisty workflow lekarza? Te pytania zadano zbyt późno.
Teraz inny przykład. Każdego dnia twoja poczta odfiltrowuje spam. Nawet nie zastanawiasz się, jak to działa. A stoi za tym sieć neuronowa, która przetwarza miliardy wiadomości i uczy się na podstawie twoich działań. Nie widzisz AI. Widzisz czystą skrzynkę odbiorczą.
Różnica między tymi dwiema historiami nie polega na mocy technologii. Polega na tym, jak precyzyjnie zdefiniowano problem przed rozpoczęciem prac.
Gdzie sieć neuronowa się sprawdza
Pierwsza sytuacja to taka, w której człowiek nieuchronnie zaczyna popełniać błędy z powodu skali albo monotonii. Kontrola jakości na linii produkcyjnej, moderacja treści, weryfikacja dokumentów. Wszędzie tam, gdzie specjalista przetwarza setki jednostek podczas jednej zmiany i pod koniec dnia traci koncentrację. Nie dlatego, że jest słabym specjalistą, tylko dlatego, że uwaga ma fizyczne granice. Sieć neuronowa takich granic nie ma.
Druga sytuacja to taka, w której zadania nie da się rozwiązać ręcznie. Wykrywanie oszustw w strumieniu transakcji bankowych, personalizacja dla milionów użytkowników, wyszukiwanie anomalii w dużych zbiorach danych. Żaden analityk nie przejrzy miliona rekordów i nie znajdzie w nich wzorca w rozsądnym czasie. Sieć neuronowa to zrobi.
Jeśli zadanie nie należy do żadnej z tych kategorii, wdrożenie z dużym prawdopodobieństwem nie przyniesie efektu. Można poświęcić miesiące na development i otrzymać “inteligentną” funkcję, która działa gorzej niż proste rozwiązanie. Tak jak w przypadku Watsona. Technologia była, ale korzyści nie było.
Nasze podejście
W Elpixel przed każdym wdrożeniem zadajemy jedno pytanie. Czy da się rozwiązać ten problem bez sieci neuronowej?
Jeśli tak, wybieramy prostsze i szybsze rozwiązanie. Jeśli nie, budujemy to tak, aby efekt był widoczny w produkcie, a nie tylko na slajdzie. Mniej błędów, szybsze przetwarzanie, trafniejsze decyzje, mniej pracy ręcznej.
Filtra spamu w poczcie nikt nie nazywa “produktem AI”. A właśnie tak wygląda dobre wdrożenie. Technologia jest na swoim miejscu, rozwiązuje konkretny problem, a użytkownik dostaje rezultat, nawet nie wiedząc, że stoi za nim sieć neuronowa.
