Το ενενήντα πέντε τοις εκατό των πιλοτικών προγραμμάτων τεχνητής νοημοσύνης (AI) αποτυγχάνουν να έχουν μετρήσιμο αντίκτυπο, σύμφωνα με έρευνα της πρωτοβουλίας NANDA του MIT.
Αυτό το υψηλό ποσοστό αποτυχίας υποδηλώνει ένα σημαντικό χάσμα μεταξύ της συζήτησης του κλάδου σχετικά με τη δυνατότητα και την πραγματική εφαρμογή της τεχνητής νοημοσύνης, με πολλούς οργανισμούς να παραμένουν σε πιλοτική φάση λόγω των προκλήσεων στη διαχείριση δεδομένων.
Οι οργανισμοί αντιμετωπίζουν δυσκολίες στη διαχείριση της κλίμακας, της πολυπλοκότητας και της ευαισθησίας των δεδομένων που απαιτούνται για την ανάπτυξη και την ανάπτυξη της τεχνητής νοημοσύνης. Τα υπάρχοντα μέτρα ανθεκτικότητας δεδομένων είναι συχνά ανεπαρκή για ένα περιβάλλον που βασίζεται στην τεχνητή νοημοσύνη.
Rick Vanover, Αντιπρόεδρος Στρατηγικής Προϊόντων στην Veeam Software, τονίζεται τον κεντρικό ρόλο των δεδομένων σε αυτές τις προκλήσεις.
Ο παγκόσμιος όγκος δεδομένων προβλέπεται να φτάσει τα 181 zettabyte φέτος, τριπλασιάζοντας σε πέντε χρόνια, δημιουργώντας έναν όγκο δεδομένων που υπερβαίνει τις τρέχουσες δυνατότητες χειρισμού πολλών οργανισμών.
Η Gartner αναφέρει ότι το 80% των εταιρικών δεδομένων είναι μη δομημένα, γεγονός που περιόριζε ιστορικά την εξαγωγή αξίας της. Οι τεχνολογίες τεχνητής νοημοσύνης επιτρέπουν πλέον στους οργανισμούς να αντλούν αξία από αυτά τα μη δομημένα δεδομένα.
Η εκθετική αύξηση των δεδομένων, ιδιαίτερα με την εξέλιξη της τεχνητής νοημοσύνης, σημαίνει ότι οι εταιρείες αγωνίζονται να κατηγοριοποιήσουν και να διαχειριστούν τα δεδομένα τους. Αυτό το ζήτημα επιδεινώνει τα προβλήματα που παρουσιάζονται σε πιλοτικά προγράμματα AI.
Παρά τις φιλοδοξίες για ισχυρές πολιτικές τεχνητής νοημοσύνης, η «σκιώδης πληροφορική» παραμένει, με τους υπαλλήλους να πειραματίζονται συχνά με μη εξουσιοδοτημένα εργαλεία τεχνητής νοημοσύνης λόγω της οργανωτικής στασιμότητας στα πιλοτικά προγράμματα.
Η αποτελεσματική υγιεινή δεδομένων, συμπεριλαμβανομένων των εκτιμήσεων επιπτώσεων, παραμένει κρίσιμη για την εφαρμογή της τεχνητής νοημοσύνης. Οι οργανισμοί πρέπει να κατανοούν τα περιουσιακά στοιχεία δεδομένων τους για να αναγνωρίζουν ολοκληρωμένες πληροφορίες και να διασφαλίζουν την ανθεκτικότητά τους.
Η τεχνητή νοημοσύνη μπορεί να βοηθήσει σε βασικές εργασίες διαχείρισης δεδομένων, όπως η ταξινόμηση δεδομένων, η βελτίωση της γενεαλογίας και η ενίσχυση των μέτρων ανθεκτικότητας. Η ιεράρχηση της τεχνητής νοημοσύνης για τη διαχείριση δεδομένων μπορεί να δημιουργήσει θεμελιώδη έλεγχο.
Οι οργανισμοί θα πρέπει να ξεκινούν μικρά, διαχειρίσιμα έργα τεχνητής νοημοσύνης που επιδεικνύουν εξισορρόπηση αξίας καινοτομίας με έλεγχο. Αυτή η σταδιακή προσέγγιση δημιουργεί αυτοπεποίθηση πριν επιχειρήσετε μετασχηματισμούς μεγαλύτερης κλίμακας.
Η συνεχής προσοχή στο κόστος δημιουργίας, απόδοσης και ανθεκτικότητας των μοντέλων τεχνητής νοημοσύνης είναι απαραίτητη για τη δημιουργία βιώσιμων επιχειρηματικών διαδικασιών γύρω από την τεχνητή νοημοσύνη. Η υπερβολική φιλοδοξία χωρίς έλεγχο θέτει σε κίνδυνο τη λειτουργική ανθεκτικότητα.
VIA: DataConomy.com
