Masačūsetsas Tehnoloģiju institūta (MIT) veidotā izdevumā "MIT Technology Review" vēstīts, ka spēja paradumu maiņa izgaismojusi mašīnmācīšanās sistēmu vājo punktu – anomālijas datos.
Tīmeklī, lietojot dažādus pakalpojumus – vai nu klausoties mūziku kādā no straumēšanas servisiem, vai skatoties saturu "YouTube" vai "Netflix", vai iepērkoties e-veikalos – atstājam aiz sevis "nospiedumus", kas ļauj pēc tam algoritmiem pielāgot saturu tieši mums. Mūzika, kas mums varētu patikt, filmas, kas varētu aizraut, preces, kuras mūs varētu interesēt – viss balstīts uz mūsu un vēl daudzu miljonu citu lietotāju pieredzi un iepriekšējo uzvedību. Tas iespējams, pateicoties mākslīgā intelekta apakšnozarei – mašīnmācīšanās jomai. Mašīnmācīšanās ļauj veikt uzdevumus, neizmantojot skaidri ieprogrammētas instrukcijas, bet gan pielāgojot algoritmus procesā, izejot no aizvien bagātīgākas datu un paraugu kopas un tos analizējot.
Mašīnmācīšanās sistēmas, kuru nolūks ir uzlabot lietotāja pieredzi un sniegt labākus pakalpojumus, parasti tiek apmācītas, par pamatu ņemot līdz šim ierastus cilvēku uzvedību un paradumus. Protams, mašīnmācīšanās sistēmu pamatideja ir spēt adaptēties, reaģējot uz izmaiņām, taču šīm izmaiņām ir savas robežas. Kā raksta "MIT Technology Review", liela daļa no šīm sistēmām funkcionē ļoti vāji, kad jaunie dati pārlieku daudz atšķiras no tiem datiem, kas tika izmantoti sākotnējā apmācībā.
Tāpēc nav nekāds pārsteigums, ka mākslīgā intelekta algoritmi apjuka nedēļā, kuras laikā gigantā "Amazon" populārāko preču topā ierastos viedtālruņu vāciņus un lādētājus nomainīja tualetes papīrs, papīra dvieļi, sejas maskas, N95 respiratori, roku dezinfekcijas līdzekļi, "Lysol" aerosols un "Lysol", "Clorox" salvetes. Turklāt cilvēki šīs frāzes ne tikai ievadīja meklētājā, bet arī tiešām pirka, un vairumā. Šīs pārmaiņas februāra beigās notika vien nepilnas nedēļas laikā – cilvēki sāka pirkt lietas, kuras iepriekš šādos mērogos tīmeklī neiegādājās.
Spējā pārmaiņa radīja viļņveida efektu algoritmos, kas nodrošina industrijas darbību – runa ir ne tikai par mārketinga daļu, bet visu fonā notiekošo, ko menedžē mašīnmācīšanās sistemas – piegādes ķēdēm, loģistiku. Tik krasas anomālijas paradumos vienkārši pārsniedza mašīnmācīšanās sistēmu elastības robežas, tāpēc daudzos gadījumos bija nepieciešama manuāla iejaukšanās. Tas ir vēl viens atgādinājums, ka mākslīgais intelekts vismaz pārskatāmā nākotnē aizvien ir jāuztver kā palīgs, nevis cilvēka darba pilnīgs aizvietotājs.
To nesen sarunā ar "Campus" minēja arī "Accenture" Mākslīgā intelekta novirziena vadītājs Ziemeļvalstīs Maksims Naumovs un Rīgas Tehniskās universitātes docente Inese Poļaka.
Liela daļa no problēmām uzņēmumos rodas tieši tāpēc, ka aizvien daļai izpratne par mākslīgā intelekta risinājumiem ir "ieviest un aizmirst" līmenī. Realitātē sekmīgai mākslīgā intelekta sistēmu darbībai ilgtermiņā nepieciešama arī apmācītu speciālistu līdzdarbība.
Šarma arī uzskata, ka pašreizējā krīze ir lielisks apliecinājums nepieciešamībai mašīnmācīšanās sistēmu apmācībā iekļaut arī anomālus, ekstrēmus piemērus. Eksperts uzskata, ka mākslīgais intelekts jātrenē, datu kopās iekļaujot arī tādus nestandarta gadījumus kā pagājušā gadsimta 30. gadu ekonomiskā krīze, 1987. gada akciju tirgus sabrukums un 2008. gada finanšu krīze.
