Часто задаваемые вопросы

Популярные вопросы об искусственном интеллекте среди специалистов по закупкам включают следующее.

Должны ли организации изменить свои процессы, чтобы  приспособиться к ИИ? Должен ли ИИ работать с существующими процессами?

В целом ИИ можно применять к существующим процессам, поэтому вам не нужно что-то исправлять, прежде чем вы сможете начать пользоваться преимуществами ИИ. В то же время, если есть один совет о том, как подготовиться к использованию ИИ сейчас и через три-пять лет, постарайтесь собрать как можно больше данных, даже если вы не можете обработать все эти данные. прямо сейчас. Когда у вас есть доступ к большим объемам данных, вы сможете извлечь из них неожиданную пользу в будущем. Чтобы подготовиться к извлечению выгоды из данных захвата ИИ, даже если вы не знаете, как их использовать

Закупается ли ИИ только крупными организациями? Есть ли экономическое обоснование для небольших  закупочных организаций?

Думайте о машинном обучении как о новой форме программного обеспечения. Программное обеспечение сегодня широко используется во всех типах предприятий, больших и малых. Если вы Deutsche Telekom или Walmart, у вас могут быть совсем другие потребности в программном обеспечении, чем если бы вы были малым бизнесом. Если вы малый и средний бизнес, вы, вероятно, не станете создавать собственное приложение для машинного обучения, точно так же, как вы, вероятно, не будете кодировать свое собственное программное обеспечение. Вы просто ищете подходящих поставщиков программного обеспечения для удовлетворения ваших потребностей, и они уже начинают появляться.

Существует ли Forrester Wave или Gartner Magic Quadrant для ИИ в сфере закупок?

В настоящее время такого ресурса нет, потому что области применения ИИ очень широки. В приложениях для закупок большая часть ценности ИИ сегодня встроена в существующие решения, например, существующие решения для управления контрактами или аналитики закупок. ИИ — это скорее средство реализации, чем само приложение, хотя многие люди, кажется, ищут новое конкретное приложение.

Как выглядит управление ИИ? Как вы управляете машинным обучением?

Когда дело доходит до ИИ, существует три типа моделей взаимодействия человека и машины.

Первый называется «человек в цикле», что в основном означает, что что бы ни делала машина, всегда есть человек, который видит результат и одобряет, не одобряет и так далее. Это хороший подход, если эти решения являются сверхкритическими или если необходимо принять довольно небольшое количество таких решений, и они имеют большую ценность.

Затем есть «человек в цикле», что означает, что машина делает все сама, но есть и человек, контролирующий процесс, что действительно хорошо работает, когда у вас есть рутинная задача.

Третий вариант — «человек вне цикла», который позволяет машинному обучению работать и выходить из-под контроля, и у вас нет возможности вмешаться. Примером человеческого внецикла являются финансовые рынки и высокочастотный трейдинг. В этом случае важна скорость, которая требует, чтобы вы позволили машине принимать решения, потому что люди слишком медлительны, чтобы вмешиваться.

Всякий раз, когда вы применяете машинное обучение, вы должны думать о том, какую модель вы хотите применить. «Человек в курсе», я изменю или одобрю каждое решение, «человек в цикле», человек активно контролирует или «человек вне цикла, я позволяю машине работать и доверяю ей делать его работа.

Является ли машинное обучение предвзятым, если оно полагается на людей для обучения?

ИИ настолько хорош или плох, насколько поведение мы показываем ИИ в наших обучающих данных. Для некоторых приложений вы действительно можете избавиться от человеческого фактора. Например, вы можете научить машину объективно различать доброкачественные и злокачественные заболевания кожи, такие как рак. Кроме того, есть другие приложения, в которых очень сложно оставаться беспристрастным. Все больше и больше ИИ используется для обработки кандидатов в сотрудники, а также для просмотра резюме и приложений. Очень сложно исключить человеческий фактор из этого процесса. Если у рекрутеров или разработчиков ИИ есть предубеждения по признаку пола, этнической принадлежности или чего-то подобного, все эти предубеждения могут быть закодированы в процессе. Чтобы попытаться оставаться беспристрастным, вам нужно более одного источника данных для обучения или, в качестве альтернативы, строгий процесс проверки на предвзятость.