Apakah yang menghalang kemajuan kecerdasan buatan? Atau adakah ia masalah data?

Tinjauan baharu yang dijalankan oleh Forrester Consulting bagi pihak Capital One menunjukkan bahawa kekurangan asas data yang kukuh dan aliran kerja data yang kukuh menghalang perusahaan daripada mencapai kemajuan yang lebih besar dalam pembelajaran mesin dan kecerdasan buatan.

Menurut laporan baharu yang dikeluarkan oleh Capital One baru-baru ini, "Mencapai Hasil Perniagaan Utama dengan Pembelajaran Mesin Boleh Tindakan," walaupun syarikat sedang mengintegrasikan pembelajaran mesin (ML) dan kecerdasan buatan Terdapat beberapa kejayaan mendapatkan (AI) dalam pengeluaran, tetapi mereka akan mencapai kemajuan yang lebih besar jika isu pengurusan data tidak menghalang.

Laporan itu sebahagiannya berdasarkan tinjauan Forrester terhadap 150 pembuat keputusan pengurusan data di Amerika Utara pada Julai tahun ini, yang mendapati bahawa 73% pembuat keputusan percaya bahawa ketelusan, kebolehkesanan dan kebolehjelasan data aliran adalah halangan kepada pembelajaran mesin dan AI isu utama dalam operasi aplikasi. Tinjauan itu juga mendapati bahawa 57% responden berkata silo dalaman antara saintis data mereka dan pengendali perniagaan menghalang penggunaan pembelajaran mesin.

David Kang, naib presiden kanan dan ketua analisis data di Capital One, berkata: "Kami masih di peringkat di mana algoritma pembelajaran mesin itu sendiri bukanlah penghalang kepada kejayaan orang ramai." "

Apabila Capital One menjalankan tinjauan ini, mereka berpendapat cabaran terbesar akan menumpukan pada kebolehkendalian pembelajaran mesin. Dengan pembangunan pembelajaran mesin dan aplikasi kecerdasan buatan, MLOps (operasi pembelajaran mesin) telah menjadi disiplin bebas, dan ia juga merupakan bidang di mana Capital One sedang melabur.

Tetapi apabila laporan ini dikeluarkan, pembuat keputusan data paling bimbang tentang kekurangan kemajuan dalam membina asas data yang kukuh, termasuk kejuruteraan data dan infrastruktur data, kata Kang.

“Dalam beberapa cara, ini mengecewakan Tetapi dalam cara lain, ia tidak menghairankan kerana memanfaatkan data pada skala memerlukan tumpuan yang berterusan untuk memikirkan dan memikirkan semula ekosistem data Setiap keupayaan dalam sistem - bagaimana ia dihasilkan. dan digunakan, cara ia dipantau, cara ia diuruskan dengan cara yang berbeza Perjalanan transformasi ekosistem data masih berterusan. Ini bukan sesuatu yang anda lakukan sekali sahaja dan Memerlukan perhatian yang berterusan adalah serupa dengan kajian terbaru yang lain. Kajian ini mendapati bahawa isu pengurusan data memperlahankan kadar dan tahap penggunaan pembelajaran mesin dan kecerdasan buatan. Ini termasuk laporan Kajian Teknologi MIT yang ditugaskan oleh Databricks pada bulan September yang menyerlahkan bahaya pengurusan data yang tidak betul mengenai kecerdasan buatan dan kajian IDC yang ditugaskan oleh Collibra pada bulan Ogos yang mendapati, terdapat korelasi antara syarikat yang mempunyai ciri-ciri "pintar data" seperti; sebagai pengkatalogan data, pewarisan, pengurusan dan tadbir urus kualiti, dan kejayaan pasaran.

Sekiranya terdapat tema yang sama dalam kajian ini, walaupun kecanggihan pembelajaran mesin dan teknologi kecerdasan buatan yang sedia ada berkembang pesat, perusahaan mendapati bahawa mereka tidak melakukan beberapa pengurusan data teras dengan baik. dan tugas-tugas ini adalah perlu untuk mencapai kemajuan teknologi ini.

Perniagaan mungkin mendapati bahawa aplikasi ML atau AI mempunyai kesan positif pada bukti konsep (POC) terhad tetapi gagal mengambil langkah yang perlu untuk memastikan pelancaran lancar ke dalam pengeluaran dunia nyata yang lebih luas.

Ia mungkin mengambil sedikit masa sebelum teknologi yang anda mahu skala mula memberi kesan dalam pasaran. Godaan sentiasa ada untuk konsep ini mula melihat hasil dan kemudian tiba-tiba mendapati diri mereka di suatu tempat dengan sekumpulan silo data dan sekumpulan cabaran infrastruktur kejuruteraan data yang lain.

Sains data masih merupakan disiplin yang agak baharu, dan banyak syarikat sedang bergelut untuk mengisi kekosongan pekerjaan. Laporan Capital One mendapati bahawa 57% responden berkata mereka berhasrat untuk menggunakan perkongsian untuk mengisi jurang dalam kalangan pengamal sains data. Kang berkata kekurangan kepakaran dalaman juga menjadikannya lebih kritikal bagi perusahaan untuk mewujudkan infrastruktur data teras, menjadikannya lebih mudah untuk kes penggunaan ML dan AI yang lebih maju dibina di atasnya dan lebih mudah untuk diulang.

Penyiasatan Capital One turut menemui isu lain yang memperlahankan penggunaan pembelajaran mesin dan kecerdasan buatan. Syarikat itu mendapati bahawa 36% responden menyebut "set data yang besar, pelbagai dan mengelirukan" sebagai halangan utama, dan 38% menyebut risiko AI sebagai cabaran utama. 38% menyebut silo data merentas organisasi dan rakan kongsi data luaran sebagai cabaran kepada kematangan pembelajaran mesin.

"Kegagalan" pengurusan data nampaknya tidak memperlahankan pelaburan dalam AI dan pembelajaran mesin (sekurang-kurangnya belum lagi). Tinjauan Capital One mendapati bahawa 61% pembuat keputusan merancang untuk menambah keupayaan dan aplikasi pembelajaran mesin baharu dalam tempoh tiga tahun akan datang. Lebih separuh (53%) responden kini mengutamakan memanfaatkan pembelajaran mesin untuk meningkatkan kecekapan perniagaan.

Jadi, untuk apa syarikat menggunakan pembelajaran mesin? Satu lagi berita menarik daripada tinjauan ialah pengesanan anomali automatik ialah kes penggunaan teratas untuk pembelajaran mesin, dengan 40% responden melaporkannya sebagai kes penggunaan teratas mereka. Ini bergema dengan Kang, yang membantu Capital One membina sistem pengesanan anomali berasaskan pembelajaran mesin.

Kes penggunaan teratas lain untuk ML dan AI termasuk: kemas kini aplikasi dan infrastruktur automatik (39%), dan memenuhi keperluan pengawalseliaan dan privasi baharu untuk AI yang bertanggungjawab dan beretika (39%).

Atas ialah kandungan terperinci Apakah yang menghalang kemajuan kecerdasan buatan? Atau adakah ia masalah data?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!