Was behindert den Fortschritt der künstlichen Intelligenz? Oder ist es ein Datenproblem?

Eine neue Umfrage von Forrester Consulting im Auftrag von Capital One zeigt, dass ein Mangel an soliden Datengrundlagen und soliden Datenworkflows den Erfolg von Unternehmen im Bereich maschinelles Lernen und künstliche Intelligenz behindert.

Laut einem kürzlich von Capital One veröffentlichten neuen Bericht „Umsetzbares maschinelles Lernen erzielt wichtige Geschäftsergebnisse“, obwohl Unternehmen Maschinen einsetzen Lernen (ML) und künstliche Intelligenz (KI) haben einige Erfolge bei der Einführung in die Produktion erzielt, aber sie würden größere Fortschritte machen, wenn Probleme bei der Datenverwaltung nicht im Weg stünden.

Der Bericht basiert teilweise auf einer Forrester-Umfrage unter 150 Datenmanagement-Entscheidungsträgern in Nordamerika im Juli dieses Jahres, die ergab, dass 73 % der Entscheidungsträger der Meinung sind, dass Transparenz, Nachvollziehbarkeit und Erklärbarkeit wichtig sind von Datenflüssen sind Hindernisse für maschinelles Lernen und Schlüsselthemen bei der Operationalisierung von KI-Anwendungen. Die Umfrage ergab außerdem, dass 57 % der Befragten sagten, interne Silos zwischen ihren Datenwissenschaftlern und Geschäftsbetreibern behinderten den Einsatz von maschinellem Lernen.

David Kang, Senior Vice President und Leiter Datenanalyse bei Capital One, sagte: „Wir befinden uns immer noch in einem Stadium, in dem maschinelle Lernalgorithmen selbst kein Hindernis für den Erfolg der Menschen darstellen.“ Daten! Mit der Entwicklung von Anwendungen für maschinelles Lernen und künstliche Intelligenz ist MLOps (Machine Learning Operations) zu einer eigenständigen Disziplin geworden, in die auch Capital One investiert.

Aber als dieser Bericht herauskam, waren die Datenentscheider am meisten besorgt über die mangelnden Fortschritte beim Aufbau einer soliden Datengrundlage, einschließlich Datentechnik und Dateninfrastruktur, sagte Kang.

"In mancher Hinsicht ist das enttäuschend. Aber in anderer Hinsicht ist es nicht überraschend. Denn die Nutzung von Daten in großem Maßstab erfordert einen kontinuierlichen Fokus auf das Nachdenken und Überdenken aller Funktionen im Datenökosystem – wie sie sind produziert und konsumiert, wie es überwacht wird, wie es anders verwaltet wird – die Transformation des Datenökosystems ist nicht etwas, das man einmal tut und dann vergisst 🎜#Die Ergebnisse von Capital One ähneln denen anderer neuerer Studien. Diese Studien ergaben, dass Datenverwaltungsprobleme das Tempo und Ausmaß der Einführung von maschinellem Lernen und künstlicher Intelligenz verlangsamten. Dazu gehören ein von Databricks im September in Auftrag gegebener MIT Technology Review-Bericht, der die Gefahren einer unsachgemäßen Datenverwaltung für künstliche Intelligenz hervorhob, und eine im August von Collibra in Auftrag gegebene IDC-Studie, in der festgestellt wurde, dass ein Zusammenhang zwischen Unternehmen mit „datenintelligenten“ Merkmalen besteht, z wie Datenkatalogisierung, Vererbung, Qualitätsmanagement und Governance sowie Markterfolg.

Wenn diese Studien eines gemeinsam haben, dann ist es, dass die vorhandenen Technologien für maschinelles Lernen und künstliche Intelligenz zwar immer ausgefeilter werden, die Unternehmen jedoch feststellen, dass sie einige Kernaufgaben im Bereich Datenmanagement nicht erledigt haben die notwendig sind, um diese technologischen Fortschritte zu erreichen.

Unternehmen stellen möglicherweise fest, dass eine ML- oder KI-Anwendung einen positiven Einfluss auf einen begrenzten Proof-of-Concept (POC) hat, unternehmen jedoch nicht die notwendigen Schritte, um eine reibungslose Einführung in die breitere reale Produktion sicherzustellen .

Es kann eine Weile dauern, bis die Technologie, die Sie skalieren möchten, auf dem Markt Wirkung zeigt. Die Versuchung ist immer groß, dass diese Konzepte erste Ergebnisse zeigen und sich dann plötzlich irgendwo mit einer Reihe von Datensilos und einer Reihe anderer Herausforderungen für die Data-Engineering-Infrastruktur wiederfinden.

Data Science ist noch eine recht neue Disziplin und viele Unternehmen haben Schwierigkeiten, offene Stellen zu besetzen. Der Bericht von Capital One ergab, dass 57 % der Befragten angaben, Partnerschaften nutzen zu wollen, um Lücken bei Datenwissenschaftlern zu schließen. Kang sagte, dass der Mangel an internem Fachwissen es für Unternehmen auch wichtiger mache, eine Kerndateninfrastruktur aufzubauen, was es einfacher mache, fortgeschrittenere ML- und KI-Anwendungsfälle darauf aufzubauen und einfacher zu wiederholen.

Die Umfrage von Capital One deckte auch andere Probleme auf, die die Einführung von maschinellem Lernen und künstlicher Intelligenz verlangsamen. Das Unternehmen stellte fest, dass 36 % der Befragten „große, vielfältige und verwirrende Datensätze“ als größtes Hindernis nannten und 38 % KI-Risiken als größte Herausforderung nannten. 38 % nannten Datensilos im gesamten Unternehmen und bei externen Datenpartnern eine Herausforderung für die Reife des maschinellen Lernens.

Der „Schluckauf“ beim Datenmanagement scheint die Investitionen in künstliche Intelligenz und maschinelles Lernen nicht zu bremsen (zumindest noch nicht). Die Umfrage von Capital One ergab, dass 61 % der Entscheidungsträger planen, in den nächsten drei Jahren neue Funktionen und Anwendungen für maschinelles Lernen hinzuzufügen. Mehr als die Hälfte (53 %) der Befragten priorisieren derzeit den Einsatz von maschinellem Lernen zur Verbesserung der Geschäftseffizienz.

Wofür nutzen Unternehmen also maschinelles Lernen? Hier ist ein weiterer interessanter Hinweis aus der Umfrage: Die automatisierte Anomalieerkennung ist der häufigste Anwendungsfall für maschinelles Lernen, wobei 40 % der Befragten dies als ihren häufigsten Anwendungsfall angeben. Dies fand großen Anklang bei Kang, der Capital One beim Aufbau eines auf maschinellem Lernen basierenden Anomalieerkennungssystems half.

Weitere Top-Anwendungsfälle für ML und KI sind: automatisierte Anwendungs- und Infrastrukturaktualisierungen (39 %) und die Erfüllung neuer Regulierungs- und Datenschutzanforderungen für verantwortungsvolle und ethische KI (39 %).

Das obige ist der detaillierte Inhalt vonWas behindert den Fortschritt der künstlichen Intelligenz? Oder ist es ein Datenproblem?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!