1. februarja, 2020

Osem AI trendov, ki jih napovedujemo za leto 2020

es 300x93 - Osem AI trendov, ki jih napovedujemo za leto 2020

Roger Magoulas, podpredsednik Radarja pri O’Reilly, je pripravil nekakšen pregled novosti v avtomatizaciji, strojni opremi, orodjih, razvoju modelov in vsega, kar bo oblikovalo (ali pospešilo) umetno inteligenco (AI) v letu 2020.

1. Kazalci nakazujejo vsesplošno pospešitev uvajanja AI
V letu 2020 vidimo prostor, kjer lahko AI takoj vstopi, saj je vse pripravljeno za pospešeno uvajanje, v igri pa je proizvodnja predvsem bolj izpopolnjenih in zmogljivejših različic strojne opreme, ki povečuje zmogljivost AI za hitrejše izračunavanje rezultatov na podlagi večjih nizov podatkov, poenostavljena orodja, ki demokratizirajo dostop do celotnega sklopa AI, majhna orodja, ki omogočajo AI na skoraj kateri koli napravi in dostop do AI orodij prek oblaka, ki omogočajo dostop do virov AI od kjerkoli.

Vključevanje podatkov iz številnih virov, zapleteni poslovni in logični izzivi ter konkurenčne spodbude za izboljšanje uporabnosti podatkov skupaj dvigajo AI in tehnologije za avtomatizacijo iz opcije na izbiro v nujno potrebne, oziroma zahtevane s strani strank. AI procesi imajo edinstvene zmogljivosti, s katerimi se lahko spopadejo z vse bolj raznolikimi vrstami nalog za avtomatizacijo – naloge, ki kljubujejo tradicionalnim procesnim logikam in programiranju, na primer prepoznavanje slike, povzetek, označevanje, zapleteno spremljanje in odzivanje.

Dejansko je v naših raziskavah leta 2019 več kot polovica anketirancev izjavila, da bo AI (natančneje globoko učenje) del njihovih prihodnjih projektov in izdelkov – in večina podjetij naj bi začela uvajati strojno učenje.

2. Meja med podatki in AI izginja
Dostop do količine podatkov, potrebnih za AI, preizkušeni primeri uporabe za AI uporabnike in podjetja ter bolj dostopna orodja za gradnjo aplikacij so drastično narasli, kar je spodbudilo nove AI in pilotne projekte.

Da bi ostali konkurenčni, se bodo morali znanstveniki, ki se ukvarjajo s podatki, do potankosti seznaniti napravami in globokim učenjem. Hkrati se sedanji sistemi AI opirajo na modele, ki obdelujejo ogromne količine podatkov, zato bodo AI strokovnjaki zahtevali kakovostne podatke in njihov varen in učinkovit prenos. Ko se bosta ti dve disciplini združili, bodo podatkovni strokovnjaki potrebovali osnovno razumevanje AI, strokovnjaki za AI pa bodo potrebovali temelje v trdnih praksah podatkov in po vsej verjetnosti tudi bolj formalno zavezanost k upravljanju s podatki.

3. Razvijajo se nova (in enostavnejša) orodja, infrastrukture in strojna oprema
Smo v zelo empirični dobi strojnega učenja. Orodja za razvoj strojnega učenja morajo upoštevati vse večji pomen podatkov, eksperimentiranja, iskanja modelov, uvajanja modelov in spremljanja. Hkrati je upravljanje z različnimi fazami razvoja AI lažje z rastočim ekosistemom odprtokodnih okvirov in knjižnic, platform v oblakih, lastniških programskih orodij in SaaS.

4. Pojavljajo se novi modeli in metode
Medtem ko poglobljeno učenje še naprej vzbuja veliko zanimivih raziskav, so celovite rešitve večinoma hibridni sistemi. V letu 2020 bomo slišali več o bistveni vlogi drugih komponent in metod – vključno z Bayesovo in drugimi metodami, ki temeljijo na modelih, iskanju po drevesnih strukturah, evoluciji, grafih znanja, simulacijskimi platformami in drugimi. Pričakujemo tudi, da se bodo pojavili novi primeri načina globokega učenja. In morda bomo priča začetku vznemirljivega razvoja metod strojnega učenja, ki ne bodo temeljile na nevronskih mrežah.

5. Nov razvoj omogoča nove aplikacije
Razvoj tehnologije računalniškega vida in govora/glasu (“oči in ušesa”) pripomore k ustvarjanju novih izdelkov in storitev, ki omogočajo izdelavo oblačil po meri in zahtevah stranke, vožnjo avtonomnih robotov za spravilo pridelkov ali zagotavljanje logike za klepete z »izkušenimi« roboti. Delo na robotiki (“roke in noge”) in avtonomnih vozilih je privlačno in zato vse bližje trgu.

Obstaja tudi nov val start-up podjetij, ki z novimi AI in tehnologijami za avtomatizacijo ciljajo na “tradicionalne podatke”. Ti podatki vključuje besedila (nove rešitve NLP in NLU; chatboti), časovne vrste in časovne podatke, transakcijske podatke in dnevnike.

In tako tradicionalni prodajalci programske opreme za podjetja kot tudi startup podjetja hitijo, da bi ustvarili AI aplikacije, ki so usmerjene v posebne panoge ali področja. To je v skladu z ugotovitvami nedavne raziskave McKinsey: podjetja uporabljajo AI na področjih, kjer so že investirala v osnovno analitiko.

6. Pravičnost ravnanja – deluje na predpostavki, da vsi podatki niso verodostojni
Če upoštevamo zagotovljeno kakovost programske opreme, morajo uporabniki, ki delajo na AI modelih, domnevati, da imajo njihovi podatki vgrajene ali sistemske pomanjkljivosti in druga vprašanja, povezana s verodostojnostjo – na primer tudi kot predpostavka, da v programski opremi lahko obstajajo napake – in da so zato potrebni formalni postopki, da se te težave odkrijejo, popravijo in rešijo.

Zaznavanje odklonov in zagotavljanje verodostojnosti seveda ni enostavno in je najučinkovitejše, če je predmet pregleda in potrjevanja iz različnih sklopov perspektiv. To pomeni vgradnjo namerne raznolikosti v procese, ki se uporabljajo za odkrivanje nepoštenosti in pristranskosti – kognitivno raznolikost, družbenoekonomsko raznolikost, kulturno raznolikost in fizično raznolikost, da bi izboljšali postopek in zmanjšali tveganje, da bi spregledali kaj kritičnega.

7. Možnost, da nas stroj prevara, ostaja resen izziv
Pri prevarah in manipulaciji deepfakes lahko avtomatizirani sistemi zaznavanja iščejo nenaravne vzorce premikanja, nedosledno osvetlitev, izkrivljanje obraza, neskladja med gibi ust in govorom ter pomanjkanje majhnih, vendar izrazitih posameznih gibov obraza (na primer, kako Donald Trump stisne ustnice, preden odgovori na vprašanje).

Toda deepfakes prevare postajajo vse boljše. Avtomatske metode odkrivanja manipulacij bo treba razvijati tako hitro, kot se bodo začele nove oblike zavajanja strojev. Toda samodejno odkrivanje morda ni dovolj. Sami modeli za zaznavanje se prav tako lahko zlorabijo na tak način, da ostanejo skriti pred detektorji. V nekaj mesecih po izdaji algoritma, ki na primer opazi nenaravne utripajoče vzorce, je naslednja generacija deepfake generatorjev vključila utripanje v svoje sisteme.

Programi, ki lahko samodejno vodno žigosajo in prepoznajo slike, kadar jih posnamejo ali spremenijo ali uporabijo tehnologijo veriženja blokov za preverjanje vsebine iz zaupanja vrednih virov bi lahko bili delna rešitev, ko pa se bodo deepfakes algoritmi še izboljšali, se bo zaupanje v pristnost digitalne vsebine močno zmanjšalo. Neki predpisi s tem v zvezi seveda morajo obstajati, vendar neka jasna pot do učinkovitih predpisov, ki ne bi posegali v inovacije, še zdaleč ni začrtana.

8. Če želite v celoti izkoristiti AI tehnologije, boste morali izpopolniti celotno organizacijo
Ker orodja AI postajajo lažja za uporabo, se primeri uporabe AI širijo in uvajajo projekti AI, v AI projektih pa sodelujejo večdisciplinarne skupine. Podatkovna pismenost bo potrebna tudi pri zaposlenih zunaj tradicionalnih podatkovnih skupin – Gartner dejansko pričakuje, da bo 80% organizacij začelo izvajati notranje pobude za podatkovno opismenjevanje, da bi s tem v letu 2020 izboljšale usposobljenost svojih zaposlenih.
Toda v nenehni potrebi za usposabljanje in za uspeh pri izvajanju AI in ML bodo morala podjetja sprejeti celovitejši pristop k prekvalifikaciji celotne delovne sile. Za mnoga podjetja bo to morda težak, vendar tudi najprimernejši postopek. Ključnega pomena je tudi možnost, da se ekipe redno vključujejo v širšo skupnost, ker si lahko ogledajo široko paleto primerov uspešnih izvedb AI primerov in rešitev.

Preobrazba pomeni tudi ponovno razmišljanje o raznolikostih. Z razširitvijo dojemanja kako pomembna je raznolikost za odkrivanje vprašanj glede avtentičnosti in verodostojnosti, postaja raznolikost še bolj kritična za organizacije, ki želijo uspešno uresničiti doslej že preizkušene in resnično uporabne AI modele in s tem povezane tehnologije. Ker pričakujemo, da večina AI projektov širi in izboljšuje nabor človeških opravil, je splošno široko vključevanje človeškega elementa lahko ključni dejavnik vsesplošnega sprejemanja in uspeha te tehnologije.

Vir:

Electronic Specifier Ltd.
2020_282_10
https://www.electronicspecifier.com
Tags: