인공지능의 발전을 방해하는 것은 무엇인가? 아니면 데이터 문제인가요?

Capital One을 대신하여 Forrester Consulting이 실시한 새로운 설문 조사에 따르면 견고한 데이터 기반과 견고한 데이터 워크플로가 부족하여 기업이 기계 학습 및 인공 지능 분야에서 더 큰 발전을 이루지 못하는 것으로 나타났습니다.

Capital One이 최근 발표한 새 보고서에 따르면 "실행 가능한 기계 학습이 주요 비즈니스 성과를 달성합니다"라고 합니다. 기업이 기계 학습(ML)과 인공 지능(AI)을 프로덕션에 투입하는 데 어느 정도 성공을 거두었지만 데이터 관리 문제가 방해가 되지 않는다면 그들은 더 큰 발전을 이룰 것입니다.

이 보고서는 올해 7월 북미 지역의 데이터 관리 의사 결정자 150명을 대상으로 한 Forrester 설문 조사에 일부 기초하고 있습니다. 그 결과 의사 결정자의 73%가 데이터 흐름의 투명성, 추적성, 설명 가능성이 데이터 관리의 장애물이라고 믿고 있는 것으로 나타났습니다. 머신러닝과 AI 애플리케이션의 운영화. 또한 설문조사에 따르면 응답자의 57%가 데이터 과학자와 비즈니스 운영자 간의 내부 사일로가 머신러닝 배포를 방해한다고 답했습니다.

Capital One의 데이터 분석 책임자인 David Kang은 "우리는 아직 머신러닝 알고리즘 자체가 사람들의 성공에 장애가 되지 않는 단계에 있습니다."라고 말했습니다. "아직은 데이터입니다!" Capital One 커미션은 이 설문 조사를 수행하면서 가장 큰 과제는 기계 학습의 운영화에 초점을 맞추는 것이라고 생각했습니다. 머신러닝과 인공지능 애플리케이션의 발전으로 MLOps(머신러닝 운영)는 독립적인 학문이 되었으며, 캐피탈원이 투자하고 있는 분야이기도 합니다.

그러나 이 보고서가 나왔을 때 데이터 의사결정자들은 데이터 엔지니어링, 데이터 인프라를 포함한 탄탄한 데이터 기반 구축에 진전이 없다는 점을 가장 우려했다고 강씨는 말했습니다.

“어떤 면에서는 실망스럽습니다. 그러나 다른 면에서는 놀라운 일이 아닙니다. 데이터를 대규모로 활용하려면 데이터 생태계의 모든 사람을 생각하고 다시 생각하는 능력, 즉 생산 및 소비 방식에 대한 지속적인 관심이 필요하기 때문입니다. 다양한 방식으로 데이터를 관리하기 위한 데이터 생태계의 혁신 여정은 여전히 ​​진행 중입니다. 이는 한 번 하고 잊어버리는 것이 아닙니다. ”

Capital One의 설문 조사는 다른 최근 연구 결과와 유사합니다. 이러한 연구에서는 데이터 관리 문제로 인해 기계 학습과 인공 지능의 채택 속도와 범위가 느려지는 것으로 나타났습니다. 여기에는 인공 지능에 대한 부적절한 데이터 관리의 위험성을 강조한 9월 Databricks의 의뢰로 작성된 MIT Technology Review 보고서와 8월에 Collibra가 의뢰한 IDC 연구에서 다음과 같은 "데이터 지능" 특성을 가진 기업 간에 상관 관계가 있다는 사실이 포함됩니다. 데이터 카탈로그 작성, 상속, 품질 관리 및 거버넌스, 시장 성공 등이 있습니다.

이러한 연구에 공통된 주제가 있다면 기존 기계 학습 및 인공 지능 기술의 정교함이 빠르게 성장하고 있지만 기업에서는 이를 달성하기 위해 일부 핵심 데이터 관리 작업이 충분히 필요하지 않다는 사실을 깨닫고 있다는 것입니다. 기술 발전.

기업은 ML 또는 AI 애플리케이션이 제한된 개념 증명(POC)에 긍정적인 영향을 미친다는 사실을 발견할 수 있지만 더 넓은 실제 생산으로 원활하게 출시할 수 있도록 필요한 조치를 취하지 못할 수 있습니다.

확장하려는 기술이 시장에 영향을 미치기까지는 다소 시간이 걸릴 수 있습니다. 이러한 개념이 결과를 보기 시작하다가 갑자기 수많은 데이터 사일로와 기타 여러 데이터 엔지니어링 인프라 문제가 있는 어딘가에 있다는 유혹이 항상 존재합니다.

데이터 과학은 여전히 ​​상당히 새로운 분야이며 많은 기업이 채용 공고를 채우기 위해 고군분투하고 있습니다. Capital One의 보고서에 따르면 응답자의 57%가 데이터 과학 실무자 간의 격차를 메우기 위해 파트너십을 활용할 의향이 있다고 답했습니다. 강씨는 사내 전문 지식이 부족하기 때문에 기업이 핵심 데이터 인프라를 구축하는 것이 더욱 중요해지고, 이를 기반으로 보다 발전된 ML 및 AI 사용 사례를 더 쉽게 구축하고 반복하기가 더 쉬워진다고 말했습니다.

Capital One의 설문조사에서는 기계 학습 및 인공 지능의 채택을 지연시키는 다른 문제도 발견했습니다. 이 회사는 응답자의 36%가 "크고 다양하며 혼란스러운 데이터 세트"를 주요 장애물로 꼽았고, 38%는 AI 위험을 가장 큰 과제로 꼽았습니다. 38%는 기계 학습 성숙도에 대한 과제로 조직 및 외부 데이터 파트너 전반의 데이터 사일로를 언급했습니다.

데이터 관리의 "문제"로 인해 AI 및 기계 학습에 대한 투자가 (적어도 아직은) 둔화되지는 않는 것 같습니다. Capital One의 설문조사에 따르면 의사결정자의 61%가 향후 3년 내에 새로운 머신러닝 기능과 애플리케이션을 추가할 계획을 갖고 있는 것으로 나타났습니다. 응답자의 절반 이상(53%)이 현재 비즈니스 효율성 개선을 위해 머신러닝 활용을 우선순위로 두고 있습니다.

그렇다면 기업은 무엇을 위해 머신러닝을 사용합니까? 설문조사에서 얻은 또 다른 흥미로운 소식은 자동화된 이상 탐지가 머신러닝의 주요 사용 사례이며, 응답자의 40%가 이를 최고의 사용 사례로 보고했다는 것입니다. 이는 Capital One이 머신러닝 기반 이상 탐지 시스템을 구축하는 데 도움을 준 강씨의 공감을 불러일으켰습니다.

ML 및 AI의 기타 주요 사용 사례로는 자동화된 애플리케이션 및 인프라 업데이트(39%), 책임감 있고 윤리적인 AI에 대한 새로운 규제 및 개인 정보 보호 요구 사항 충족(39%)이 있습니다.

위 내용은 인공지능의 발전을 방해하는 것은 무엇인가? 아니면 데이터 문제인가요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!