Okazuje się, że nasze nietypowe zachowania konsumenckie podczas pandemii zupełnie zbiły z tropu sztuczną inteligencję – czytamy w MIT Technology Review.
W tygodniu 12-18 kwietnia top 10 wyszukiwań na Amazon.com stanowiły: papier toaletowy, maska na twarz, środek do higieny rąk, ręczniki papierowe, spray Lysol, chusteczki Clorox, maska, Lysol, maski do ochrony przed zarazkami i maska N95.
Ludzie nie tylko szukali, ale też kupowali – i to hurtowo. Tym sposobem mamy nowy best seller numer jeden na Amazonie: „Maska na twarz, opakowanie 50 sztuk”.
Kiedy uderzył Covid-19, zaczęliśmy kupować rzeczy, których nigdy wcześniej byśmy nie kupili. Zmiana była nagła: obudowy do smartfonów, ładowarki do telefonów czy klocki Lego zostały zmiecione z list zakupowych przebojów w ciągu zaledwie kilku dni – pisze MIT Technology Review.
Miało to swoje konsekwencje dla systemów wykorzystujących sztuczną inteligencję. Pogubiły się algorytmy, które na codzień pomagają przy zarządzaniu zapasami, wykrywaniu oszustw, marketingu itp.
Modele uczenia maszynowego, wypracowane na normalnych zachowaniach ludzkich, nie działają już tak, jak powinny.
Są one zaprojektowane tak, aby reagować na zmiany. Ale większość z nich jest również delikatna: źle działają, gdy dane wejściowe zbytnio różnią się od danych, na których były szkolone.
Rajeev Sharma, wiceprezes ds. globalnych w Pactera Edge, firmie konsultingowej zajmującej się sztuczną inteligencją, mówi w rozmowie z publikacją, że błędem jest zakładanie, że można po prostu skonfigurować system oparty na sztucznej inteligencji i tak go zostawić.
Sharma rozmawiał z kilkoma firmami zmagającymi się z tym problemem.
Jedna z firm, która dostarcza sosy i przyprawy do sklepów detalicznych w Indiach, potrzebowała pomocy w naprawieniu swojego zautomatyzowanego systemu zarządzania zapasami, kiedy masowe zamówienia popsuły jej algorytmy predykcyjne.
Prognozy sprzedaży systemu, na którym opierała się firma przy zmianie zamówień, nie pokrywały się już z tym, co faktycznie sprzedawała.
Inna firma, z którą rozmawiał Sharma, wykorzystuje sztuczną inteligencję do oceny nastrojów w artykułach prasowych i dostarcza codziennych rekomendacji inwestycyjnych w oparciu o wyniki.
Ale ponieważ wiadomości są w tej chwili bardziej ponure niż zwykle, porady będą niewiarygodne, mówi Sharma.
Duża firma streamingowa, która nagle stała się niezwykle popularna z powodu wzrostu apetytu na treści wśród subskrybentów, również ma problemy z algorytmami rekomendacji.
Firma wykorzystuje uczenie maszynowe do sugerowania widzom odpowiednich i spersonalizowanych treści, tak aby mogli do nich wracać.
Jednak nagła zmiana w danych abonentów sprawiła, że rekomendacje systemu były mniej dokładne.
Wiele z tych problemów z modelami pojawia się, ponieważ coraz więcej firm kupuje systemy do nauki maszynowej, ale brakuje im wewnętrznego know-how niezbędnego do ich utrzymania.