Maschinelles Lernen: 73 % der Unternehmen verlieren ihr Überleben

Jeder weiß, dass maschinelles Lernen (ML) eine der Schlüsseltechnologien der künstlichen Intelligenz und eine zunehmend ausgereifte Anwendungstechnologie ist. Insbesondere kann diese Technologie Veränderungen in der zukünftigen Datenwissenschaft mit sich bringen und es Anwendungsunternehmen ermöglichen, fundierte Entscheidungen auf der Grundlage einer stärkeren Datenanalyse zu treffen und so das Geschäftserlebnis der Benutzer zu verbessern.

In welchen Aspekten und in welchem ​​Ausmaß hat ML derzeit die Betriebssituation von Unternehmen verbessert? Kürzlich führte Forrester Consulting eine Umfrage unter 150 Datenverantwortlichen und Entscheidungsträgern von Unternehmen in Nordamerika durch und kam zu dem Schluss, dass ML bei Geschäftsentscheidungen eine wichtige Rolle spielt. Welche dieser Umfrageergebnisse können uns helfen und daraus lernen?

Schauen wir uns zunächst einige wichtige Informationen an.

• In den von maschinellem Lernen betroffenen Unternehmen ist die automatisierte Anomalieerkennung (Anomaly Detection) die Hauptaufgabe, die in den nächsten ein bis drei Jahren erreicht werden muss.
• Auf dem Weg der Technologieimplementierung Dateninseln, schlechte Erklärbarkeit und geringe Transparenz stellen große Hindernisse für die Weiterentwicklung dar und verlangsamen so den Fortschritt bei der Verbesserung der Technologiereife.
• Wenn wir uns stärker auf Geschäftsergebnisse konzentrieren und Partnerschaften mit Unternehmen aufbauen können, die über viel Erfahrung und nachgewiesene Wirksamkeit in der ML-Technologie verfügen, wird dies der Implementierung dieser Technologie förderlicher sein.

Nur ein Viertel der ML-Anwendungen befindet sich im ausgereiften Stadium

Bezüglich der Entwicklungs- und Releasezeit von maschinellem Lernen wählten die meisten Befragten zwischen 1 und 5 Jahren, was insgesamt 72 % entspricht. . Mehr als die Hälfte von ihnen gab an, dass ihre Apps in ein bis zwei Jahren veröffentlicht wurden. Tatsächlich erfordert eine ausgereifte Strategie für maschinelles Lernen einen Zeitraum von drei Jahren oder mehr. Nur etwa ein Viertel der Unternehmen, die diesen Standard erfüllen, wenden ihn seit mehr als fünf Jahren an, und nur 5 % von ihnen wenden ihn an.

Darüber hinaus planen 53 % der Befragten, die Geschäftseffizienz durch den Einsatz von ML zu verbessern.

In der aktuellen Big-Data- und Datenanalysestrategie entscheiden sich 46 % der Menschen für die Verwendung von Multi-Cloud (einschließlich privater Cloud); 44 % entscheiden sich für die Untersuchung der Stack-Leistung, um Daten besser für die Modellarchitektur zu nutzen; zur Skalierung, um den Anforderungen wachsender Datenmengen gerecht zu werden.

In den nächsten ein bis drei Jahren sind die wichtigsten strategischen Anwendungsrichtungen von ML: automatische Erkennung abnormaler Daten (40 %), automatischer Empfang transparenter Anwendungen und Infrastrukturaktualisierungen (39 %) und Erstellen von KI-Anwendungen Einhaltung neuer regulatorischer und ethischer Anforderungen (39 %) usw.

Das Auflösen von Datensilos im technischen Management ist die größte Herausforderung

Neben den technischen Fähigkeiten steht maschinelles Lernen auch vor erheblichen Herausforderungen im Personal- und Prozessmanagement. Unter ihnen waren 41 % der Meinung, dass der Abbau interner Datensilos die größte Herausforderung sei, und 39 % entschieden sich für die Umwandlung akademischer Modelle in einsetzbare Produkte. Darüber hinaus entschieden sich 38 % dafür, KI-Risiken zu reduzieren bzw. externe Datensilos aufzubrechen, und 36 % glaubten, dass die größte Schwierigkeit in der Verarbeitung großer, vielfältiger und chaotischer Datensätze liege.

Ob es sich um Datensilos, Modelltransformation oder Datensatzchaos handelt, es spiegelt die Kluft zwischen Wissenschaft und Kommerzialisierung wider, insbesondere bei der Modelltransformation, bei der Verwendung von ML und deren Anwendung auf Anwendungsfälle. Bei der Skalierung gibt es viele Den Menschen fällt es schwer, die Transparenz, Nachvollziehbarkeit und Erklärbarkeit von Datenflüssen klar darzustellen.

Aus diesem Grund wird das Management, wenn die Aussicht auf eine ML-Implementierung unklar ist, davon ausgehen, dass es schwierig ist, den Geschäftswert einer auf maschinellem Lernen basierenden Geschäftsimplementierung zu erkennen. Und wenn es keinen klaren Zusammenhang mit der Kapitalrendite gibt, wird die Absicht der Manager, in diese Technologie zu investieren, deutlich sinken. 73 % der Befragten glauben, dass maschinelles Lernen immer noch vor Herausforderungen in Bezug auf Datentransparenz, Rückverfolgbarkeit und Interpretierbarkeit steht. Die Unsicherheit der Investitionsabsichten hat die Schwierigkeiten bei der Technologieimplementierung verschärft und es muss sich noch ein positiver Kreislauf bilden.

Zwei Drittel der Entscheidungsträger werden den Einsatz von ML immer noch verstärken

Doch selbst angesichts vieler Herausforderungen zittern Entscheidungsträger immer noch, wenn sie Entscheidungen über maschinelles Lernen treffen, aber die meisten davon Die Befragten Der Autor ist der Ansicht, dass die Anwendung von ML immer noch sehr notwendig ist. Zwei Drittel der Entscheidungsträger (67 %) glauben, dass die umfassende Ausweitung des Einsatzes der ML-Technologie für die strategische Planung des Unternehmens sehr wichtig ist. 66 % der Befragten halten es für wichtig, das derzeit verwendete Toolset um technische Fähigkeiten und Anwendungen des maschinellen Lernens zu erweitern.

Auf Unternehmensebene sind die drei Bereiche, in denen maschinelles Lernen voraussichtlich eine Rolle spielen wird, unter anderem: Plattformfreigabe von Daten, Verfolgung von Datenflüssen innerhalb des Unternehmens und schnellere Maßnahmen.

Was die Zusammenarbeit mit Dritten betrifft, gaben 37 % der Befragten an, dass sie eine Zusammenarbeit aufgebaut haben und beabsichtigen, Partnerschaften aufzubauen; 30 % gaben an, dass sie eine kooperative Beziehung haben, aber nicht bereit sind, daraus etwas zu entwickeln mehr. Für tiefe Partnerschaften. Darüber hinaus gaben 19 % bzw. 11 % der Befragten an, Kooperationspläne zu haben bzw. Interesse an einer Zusammenarbeit im nächsten Jahr zu haben.

Mehr als 60 % der Befragten gaben an, dass sie Partnerschaften nutzen, um ihre Defizite beim maschinellen Lernen und den Personalmangel auszugleichen, was darauf hindeutet, dass eine Win-Win-Kooperation immer noch ein wichtiger Weg zur Entwicklung dieser Technologie ist. Die Zusammenarbeit mit Dritten mit Erfahrung im Bereich maschinelles Lernen kann Synergien bei der Modellentwicklung, der Personalschulung und der Nutzung weiterer Datenquellen schaffen.

Artikelreferenz und Bildquelle:

Die Operationalisierung von maschinellem Lernen führt zu wichtigen Geschäftsergebnissen

Das obige ist der detaillierte Inhalt vonMaschinelles Lernen: 73 % der Unternehmen verlieren ihr Überleben. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!