Gartner прогнозирует следующую главу ИИ: возможности, риски и барьеры внедрения

Машинное обучение и искусственный интеллект приближаются к стадии пика завышенных ожиданий в цикле хайпа.

В вебинаре директор-аналитик Gartner Питер Кренски обозначил текущее состояние машинного обучения и искусственного интеллекта, следующие пять лет и некоторые вызовы, вероятно, влияющие на внедрение, разработку и развертывание.

По словам Кренски, ML и ИИ приближаются к стадии пика завышенных ожиданий в цикле хайпа. Augmented и virtual reality уже достигли «ямы разочарования», которая следует за пиком, а автономные автомобили и дроны прошли пик, но еще не достигли дна цикла.

Тем не менее, все еще есть большой объем необъясненных отраслей для ИИ и ML. «Только 40 процентов топ-исполнителей рассматривают искусственный интеллект как gamechanger», — сказал Кренски. «Так что есть много зеленого поля внутри множества разных типов организаций, даже целых отраслей, которые только макают пальцы в то, что возможно с машинным обучением».

Один из факторов в пользу продолжающегося развития ИИ и ML — выравнивание между академическими, научными и корпоративными основными концепциями. Более 90 процентов отрасли пишут ИИ и ML алгоритмы и платформы на Python, многие используют те же open-source библиотеки (Apache, TensorFlow) и ту же облачную инфраструктуру (AWS, Azure).

Это выравнивание ведет к большей синергии через отрасль, что может быть ценным при найме талантов в будущем.

Через отрасль идет стабильная миграция в облако, пока около 30-45 процентов продолжают запускать ИИ или ML on-premises. Во многих случаях Кренски считает, что организации тратят слишком много на построение ИИ или ML программы, избегая дешевых альтернатив вроде предобученных моделей и облачной инфраструктуры, когда результаты были бы похожими.

«Мы должны привыкнуть к тому, что инфраструктура машинного обучения в облаке и постоянно эволюционирующий набор проприетарных и open-source компонентов — это новая норма», — сказал Кренски. «Каждый год есть новый open-source фреймворк, о котором мы не говорили два года назад, и теперь мы говорим о нем все время».

Смотря на то, как ИИ внедряется, Gartner имеет четыре модели:

• Pass the baton (Передача эстафеты) — ИИ работает над утомительной частью задачи, а человеческий оператор завершает остальное.
• Symbiosis (Симбиоз) — ИИ способен покрывать слабости человека, например, обрабатывая огромные объемы данных за секунды.
• Augmented analytics (Расширенная аналитика) — ИИ используется как тренер или гид для человеческого оператора, предоставляя аналитику или инсайты из данных. Примером этого может быть недавний ИИ-проект, предложивший пропущенные слова или предложения в древнегреческих начертах.
• Sanity check (Проверка на вменяемость) — ИИ выполняет большинство функций, но имеет человеческого оператора на дежурстве для отслеживания ошибок. Например, бот поддержки клиентов, передающий сложные случаи человеку.

В опросе Gartner большинство бизнес-лидеров сказали, что навыки персонала — главный вызов для внедрения ИИ и ML, на 56 процентов. Кренски упомянул в вебинаре, что большинство ML-разработчиков молоды, имеют менее пяти лет опыта и были на своей работе менее двух лет.

Помимо этого, Gartner видит успех проекта как имеющего множественных сотрудников с разной экспертизой. Data scientists, data engineers, ML-специалисты и доменные эксперты все имеют отличную роль в разработке ИИ или ML проекта, но часто организации полагаются на data engineers с широкими знаниями.

Второй по величине вызов — понимание выгод и использований ИИ. В вебинаре Кренски рекомендовал, что организации должны правильно управлять ИИ-проектом и не инвестировать во все области, вместо этого фокусируясь на нескольких ключевых зонах, которые имеют финансовый смысл.

Область данных и качество — третий по величине вызов и тот, который Кренски считает, должен быть топом списка. Без правильного управления данными, проверок качества и управления данными ИИ или ML проект гораздо более вероятно провалится.