Pembelajaran Mesin: 73% daripada Perusahaan Hilang dalam Kelangsungan Hidup

Seperti yang kita sedia maklum, pembelajaran mesin (ML) ialah salah satu teknologi utama kecerdasan buatan dan teknologi aplikasi yang semakin matang. Secara khususnya, teknologi ini boleh membawa perubahan kepada sains data masa hadapan, membolehkan syarikat aplikasi membuat keputusan terdorong berdasarkan lebih banyak analisis data, sekali gus meningkatkan pengalaman perniagaan pengguna.

Jadi, dalam aspek apakah dan sejauh manakah ML telah meningkatkan status operasi perusahaan pada masa ini? Baru-baru ini, Forrester Consulting menjalankan tinjauan terhadap 150 pemimpin data syarikat dan pembuat keputusan di Amerika Utara dan menyimpulkan beberapa prestasi penting ML dalam keputusan operasi perniagaan. Manakah antara kesimpulan tinjauan ini boleh membantu kami dan belajar daripada kami?

Mari kita lihat beberapa maklumat penting dahulu.

• Antara perniagaan yang terjejas oleh pembelajaran mesin, pengesanan anomali automatik (Pengesanan Anomali) ialah tugas utama yang perlu dicapai dalam tempoh satu hingga tiga tahun akan datang ;
• Pada laluan pelaksanaan teknologi, silo data, kebolehtafsiran yang lemah dan ketelusan yang rendah merupakan halangan utama yang menghalang kemajuan, sekali gus memperlahankan penambahbaikan jadual kematangan teknologi .
• Adalah lebih berfaedah untuk memberi tumpuan lebih kepada hasil perniagaan dan mewujudkan perkongsian dengan syarikat yang mempunyai banyak amalan dan keberkesanan yang terbukti dalam teknologi ML ini teknologi.

Hanya satu perempat daripada aplikasi ML berada di peringkat matang

Dalam pembangunan pembelajaran mesin dan Dalam dari segi masa keluaran, kebanyakan responden memilih antara 1 dan 5 tahun, mencakupi sejumlah 72%. Antaranya, lebih separuh berkata apl mereka dikeluarkan dalam masa 1 hingga 2 tahun. Malah, strategi pembelajaran mesin yang matang memerlukan tempoh pemendakan selama tiga tahun atau lebih Hanya kira-kira satu perempat daripada syarikat yang memenuhi piawaian ini telah menggunakannya selama lebih daripada lima tahun, dan hanya 5% daripada mereka telah menggunakannya.

Selain itu, 53% responden merancang untuk meningkatkan kecekapan perniagaan dengan memanfaatkan ML.

Dalam data besar dan strategi analisis data semasa, 46% orang memilih untuk menggunakan berbilang awan (termasuk awan peribadi); prestasi , supaya dapat menggunakan data dengan lebih baik untuk seni bina model; 41% memilih untuk mengembangkan skala untuk memenuhi keperluan volum data yang semakin meningkat.

Dalam tempoh satu hingga tiga tahun akan datang, arahan aplikasi strategik utama ML ialah: pengesanan automatik data tidak normal (40%), aplikasi telus automatik Menerima dan kemas kini infrastruktur (39%), serta menjadikan aplikasi AI mematuhi keperluan peraturan dan etika baharu (39%), dsb.

Menyelesaikan silo data dalam pengurusan teknikal ialah yang paling mencabar

Kecuali Keupayaan teknikal, pembelajaran mesin juga menghadapi cabaran besar dalam pengurusan kakitangan dan proses. Antaranya, 41% percaya bahawa memecahkan silo data dalaman adalah yang paling mencabar, dan 39% memilih untuk menukar model akademik kepada produk yang boleh digunakan. Di samping itu, 38% memilih untuk mengurangkan risiko AI dan memecahkan silo data luaran masing-masing, dan 36% percaya bahawa kesukaran terbesar terletak pada pemprosesan set data berskala besar, pelbagai dan huru-hara.

Sama ada silo data, transformasi model atau kekeliruan set data, jurang antara akademia dan pengkomersialan dicerminkan. jurang, terutamanya dalam transformasi model, ialah apabila menggunakan ML dan memanjangkannya kepada kes penggunaan, ramai orang mendapati bahawa ketelusan, kebolehkesanan dan kebolehjelasan aliran data sukar ditunjukkan dengan jelas.

Atas sebab ini, apabila prospek pelaksanaan ML tidak jelas, pihak pengurusan akan percaya bahawa sukar untuk melihat nilai perniagaan dalam pelaksanaan perniagaan berdasarkan pembelajaran mesin. Dan jika tiada hubungan yang jelas dengan pulangan pelaburan, niat pengurus untuk melabur dalam teknologi ini akan menurun dengan ketara. 73% daripada responden percaya bahawa pembelajaran mesin masih menghadapi cabaran dalam ketelusan data, kebolehkesanan dan kebolehtafsiran Ketidakpastian niat pelaburan telah memburukkan lagi kesukaran pelaksanaan teknologi, dan kitaran murni masih belum terbentuk.

Dua pertiga daripada pembuat keputusan masih akan meningkatkan penggunaan ML

Walau bagaimanapun, walaupun dalam menghadapi banyak Cabaran, pembuat keputusan sudah pasti berhati-hati apabila membuat keputusan untuk melabur dalam pembelajaran mesin, tetapi kebanyakan orang yang ditemu bual percaya bahawa penerapan ML masih sangat diperlukan. Dua pertiga daripada pembuat keputusan (67%) percaya bahawa meningkatkan aplikasi teknologi ML secara menyeluruh adalah sangat penting untuk perancangan strategik organisasi. 66% daripada responden berpendapat adalah penting untuk menambah keupayaan teknikal dan aplikasi pembelajaran mesin pada set alat yang sedang digunakan.

Di peringkat perniagaan, tiga bidang teratas di mana pembelajaran mesin dijangka memainkan peranan termasuk: platform data bersama perkongsian, perusahaan Jejaki aliran data dalam organisasi anda dan pacu tindakan yang lebih pantas.

Bagi kerjasama dengan pihak ketiga pula, 37% daripada responden menyatakan bahawa mereka telah menjalin kerjasama dan berhasrat untuk membangunkan rakan kongsi. perhubungan; 30% mengatakan mereka mempunyai hubungan kerjasama, tetapi tidak bersedia untuk mengembangkannya menjadi perkongsian yang lebih mendalam. Selain itu, 19% dan 11% responden menyatakan mereka mempunyai rancangan kerjasama atau berminat untuk bekerjasama pada tahun hadapan.

Lebih 60% daripada responden mengatakan bahawa mereka menggunakan perkongsian untuk mengimbangi kekurangan mereka dalam pembelajaran mesin dan kekurangan kakitangan, menunjukkan bahawa kerjasama menang-menang adalah masih Ia adalah cara yang penting untuk membangunkan teknologi ini. Bekerjasama dengan pihak ketiga yang berpengalaman dalam bidang pembelajaran mesin boleh mewujudkan sinergi dalam pembangunan model, latihan kakitangan dan perlombongan lebih banyak sumber data.

Rujukan artikel dan sumber imej:

Pengoperasian Pembelajaran Mesin Mencapai Hasil Utama Perniagaan

Atas ialah kandungan terperinci Pembelajaran Mesin: 73% daripada Perusahaan Hilang dalam Kelangsungan Hidup. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!