Gartner:будущее искусственного интеллекта и вызовы

Машинное обучение и искусственный интеллект приближаются к пику завышенных ожиданий в цикле ажиотажа.

На вебинаре директор-аналитик Gartner Питер Кренски рассказал о текущем состоянии машинного обучения и искусственного интеллекта, ближайших пяти годах и некоторых проблемах, которые могут повлиять на внедрение, разработку и развертывание.

По словам Кренски, машинное обучение и искусственный интеллект приближаются к пиковой стадии завышенных ожиданий в цикле ажиотажа. Дополненная и виртуальная реальность уже достигли «корыта разочарования», следующего за пиком, а автономные транспортные средства и дроны прошли пик, но еще не достигли дна цикла.

Тем не менее, существует еще большое количество незадействованных отраслей для ИИ и МО. «Только 40% лучших специалистов считают искусственный интеллект революционным фактором, — сказал Кренски. "Итак, есть много зеленых площадей в самых разных организациях, даже в целых отраслях, которые только начинают осваивать возможности машинного обучения".

Одним из факторов в пользу дальнейшего развития ИИ и машинного обучения является соответствие между академическими, научными и корпоративными основными концепциями. Более 90% представителей отрасли пишут алгоритмы и платформы ИИ и машинного обучения на Python, многие используют одни и те же библиотеки с открытым исходным кодом (Apache, TensorFlow) и одну и ту же облачную инфраструктуру (AWS, Azure).

Такое согласование приводит к большей синергии в отрасли, что может оказаться полезным при найме талантов в будущем.

В отрасли наблюдается постоянная миграция в облако, при этом от 30 до 45 процентов продолжают использовать ИИ или машинное обучение локально. Кренски считает, что во многих случаях организации тратят слишком много средств на разработку программ искусственного интеллекта или машинного обучения, избегая более дешевых альтернатив, таких как предварительно обученные модели и облачная инфраструктура, когда результаты будут схожими.

«Мы должны привыкнуть к тому, что инфраструктура машинного обучения находится в облаке, а постоянно развивающийся набор проприетарных компонентов и компонентов с открытым исходным кодом становится новой нормой, — сказал Кренски. — Каждый год появляется новая инфраструктура с открытым исходным кодом, о которой мы не говорили. около двух лет назад, а теперь мы говорим об этом все время».

Что касается реализации искусственного интеллекта, Gartner предлагает четыре модели:

• Передайте эстафетную палочку:ИИ возьмет на себя утомительную часть задачи, а остальную часть сделает человек-оператор.
• Симбиоз. ИИ способен компенсировать человеческие слабости, например, обрабатывая огромное количество данных за считанные секунды.
• Дополненная аналитика. ИИ используется в качестве тренера или руководства для человека-оператора, предоставляя аналитику или ценные сведения на основе данных. Примером этого может быть недавний проект искусственного интеллекта, который предложил пропущенные слова или предложения в древнегреческих гравюрах.
• Проверка работоспособности. ИИ выполняет большую часть функций, но в резерве находится человек-оператор, который следит за ошибками. Например, бот службы поддержки, который передает сложные случаи человеку.

В опросе, проведенном Gartner, большинство бизнес-лидеров заявили, что основной проблемой для внедрения ИИ и машинного обучения были навыки персонала (56%). Кренски упомянул на вебинаре, что большинство разработчиков машинного обучения молоды, имеют опыт работы менее пяти лет и работают менее двух лет.

Кроме того, Gartner видит успех проекта в наличии нескольких сотрудников с разным опытом. Специалисты по данным, инженеры данных, специалисты по машинному обучению и эксперты в предметной области играют различную роль в разработке проекта ИИ или машинного обучения, но часто организации полагаются на инженеров данных с широкими знаниями.

Второй самой большой проблемой было понимание преимуществ и способов использования ИИ. На вебинаре Кренски рекомендовал организациям правильно управлять проектом ИИ и не вкладывать средства во все области, вместо этого сосредоточившись на нескольких ключевых зонах, которые имеют финансовый смысл.

Объем и качество данных — третья по значимости проблема, и, по мнению Кренски, она должна стоять на первом месте в списке. Без надлежащего управления данными, проверки качества и управления данными проект AI или ML с большей вероятностью потерпит неудачу.