Intelligence artificielle

Cette crise aidera-t-elle à mettre l'IA autonome sur la bonne voie?

Cette crise aidera-t-elle à mettre l'IA autonome sur la bonne voie?


La pandémie COVID-19 sert de signal d'alarme à toutes les startups de l'IA, de la robotique et des voitures sans conducteur: arrêtez de créer des démos éblouissantes et discutez de la possibilité future d'une IA à usage général. Au lieu de cela, concentrez-vous sur le déploiement de solutions réelles qui peuvent fonctionner 24h / 24 avec une intervention humaine minimale et offrir une véritable valeur ajoutée aux utilisateurs.

Photo de CDC sur Unsplash

Des millions d'Américains ont commencé à travailler à domicile au milieu de la pandémie actuelle. Les détaillants ont eu des problèmes d'approvisionnement alors que les consommateurs nerveux accumulent tout, du papier hygiénique au savon pour les mains.

Partout dans le monde, le géant chinois du commerce électronique JD a commencé à tester un robot de livraison autonome de niveau 4 à Wuhan et à gérer ses entrepôts automatisés 24h / 24 pour faire face à une augmentation de la demande.

Du coup, les machines autonomes doivent être meilleures que la simple preuve de concept. Ils ne peuvent plus dépendre du support technique sur site pour les boîtiers périphériques. Ils doivent être suffisamment robustes pour fonctionner indépendamment dans diverses situations réelles.

À certains égards, l'épidémie accélère un avenir automatisé qui est déjà en route. Il a révélé des problèmes qui existent depuis longtemps sur la scène de l'IA: les mots à la mode et le jugement des gens du cloud hype, ce qui rend difficile de voir de réels progrès.

L'industrie doit entreprendre les réformes indispensables aux systèmes autonomes du monde réel dans les trois domaines suivants:

Alors que des machines IA plus autonomes sont déployées dans le monde réel, les mesures conventionnelles telles que la vitesse, le temps de cycle ou le taux de réussite ne peuvent plus représenter l'image complète. Nous devons mesurer la fiabilité du système sous des incertitudes avec des mesures de robustesse telles que le nombre moyen d'interventions humaines.

Nous avons besoin de plus d'outils et de normes de l'industrie pour évaluer les performances globales du système dans un large éventail de scénarios, car la vie réelle, contrairement à un environnement contrôlé, est imprévisible.

Si un robot de livraison peut atteindre une vitesse maximale de 4 mph mais ne peut pas terminer une seule livraison sans assistance humaine, le robot ne crée pas beaucoup de valeur pour ses utilisateurs.

DevOps a vu le jour il y a quelques années pour raccourcir le cycle de développement et fournir en permanence des logiciels de haute qualité. Par rapport à l'ingénierie logicielle, l'IA ou le ML est beaucoup moins mature. 87% des projets ML ne sont jamais mis en production. Cependant, récemment, nous avons commencé à voir de plus en plus de MLOps ou d'AIOps.

Cela marque une transition cruciale de la recherche en IA / ML vers des produits réels qui sont utilisés et testés tous les jours. Cela nécessite un changement important de mentalité pour se concentrer sur l'assurance qualité plutôt que sur des modèles ML de pointe. Je ne dis pas que nous ne pouvons pas avoir les deux en même temps, mais à ce jour, nous avons vu beaucoup plus d'accent sur ce dernier.

La récente fermeture de Starsky Robotics nous rappelle que nous sommes encore à des années de solutions totalement autonomes. Cela ne signifie pas que la robotique IA ne peut pas apporter de valeurs immédiates aux humains. Comme mentionné dans un article précédent que j'ai écrit, même si les humains ont besoin de gérer les cas marginaux 15% du temps, cela signifie toujours que les entreprises peuvent réduire les coûts de main-d'œuvre et d'intégration.

Cependant, actuellement, les entreprises d'IA ont tendance à dépenser beaucoup plus de ressources pour construire des systèmes autonomes et beaucoup moins de temps à penser à la gestion des erreurs et au transfert transparent entre les machines et les humains.

Nous avons besoin d'un meilleur moyen de gérer et de communiquer les erreurs, en particulier pour les produits ML, car ML est plus probabiliste et moins transparent. Par conséquent, afficher le niveau de confiance des prédictions du modèle ou cadrer vos prédictions sous forme de suggestions plutôt que de décisions sont des moyens de gagner la confiance des utilisateurs.

Nous devons classer les erreurs en différents niveaux, concevoir différents protocoles en conséquence et prioriser la minimisation des erreurs fatales qui arrêtent le système et nécessitent une intervention humaine. Si des erreurs fatales se produisent et que le système ne fonctionne plus, pouvons-nous réagir rapidement et dépanner à distance?

La partie la plus difficile est d'identifier les inconnues inconnues, erreurs que les systèmes ne peuvent pas détecter. Par conséquent, il est également essentiel d'avoir une communication bidirectionnelle et de permettre aux utilisateurs de signaler les erreurs ou de choisir d'activer le plan de secours précédemment convenu.

Le coronavirus oblige les entreprises à adopter plus rapidement l'automatisation et à passer au cloud. Étant donné que moins de personnes contrôlent un plus grand nombre de robots, avons-nous le bon outil et la bonne technologie pour transmettre rapidement toutes les informations pertinentes à ce décideur? Y a-t-il suffisamment de capteurs sur chaque robot pour fournir une image complète?

Aujourd'hui, nous comptons sur la saisie tactile comme les ordinateurs ou les tablettes pour contrôler les robots. S'agit-il toujours de la meilleure interface, car la quantité d'informations monte en flèche et le temps de réponse reste court? Faut-il reconsidérer les interfaces homme-machine qui vont au-delà de l'interface tactile, par exemple vocale, VR / AR ou cerveau-machine?

Nous devons également décider qui devrait être en contrôle. Alors que les machines deviennent plus intelligentes, devrions-nous toujours faire le dernier appel?

Par exemple, qui devrait contrôler un robotaxi autonome? La voiture elle-même? Le conducteur de la sécurité humaine? Quelqu'un qui surveille une flotte de robotaxis à distance? Les passagers? Dans quelle situation? Ou devrait-il s'agir d'une codécision avec un jugement pondéré de la part des humains et des machines? Quelle est l’implication éthique? L'interface peut-elle prendre en charge la codécision en plusieurs étapes?

En fin de compte, comment concevons-nous l'IA centrée sur l'homme pour nous assurer que les machines autonomes améliorent notre vie, pas pire? Comment automatiser les bons cas d'utilisation pour augmenter les humains? Comment construire une équipe hybride qui offre de meilleurs résultats et permet aux humains et aux machines d'apprendre les uns des autres?

Il y a encore beaucoup de questions auxquelles nous devons répondre. Et la pandémie actuelle nous pousse à y répondre plus rapidement afin que les systèmes autonomes potentiels puissent tenir leur promesse. Si les fabricants de ces systèmes peuvent se concentrer sur les trois domaines que j'ai décrits ci-dessus, ils seront mieux placés pour tirer des conclusions clés plus rapidement. Et cela nous assurera que nous allons dans la bonne direction.

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer