Հաշվետվության վերանայում. Appen-ի AI-ի տարեկան վիճակի հաշվետվություն

Appen Limited-ը, որը AI-ի գլոբալ առաջատարն է տվյալների աղբյուրի տրամադրման, տվյալների պատրաստման և մարդկանց կողմից մոդելի գնահատման մասշտաբով, թողարկել է իր ամենասպասված տարեկան «AI-ի վիճակի և մեքենայական ուսուցման հաշվետվություն». 

Արհեստական ​​ինտելեկտի և մեքենայական ուսուցման վիճակի հաշվետվությունը տարեկան զեկույց է, որը կենտրոնացած է արդյունաբերության բոլոր խոշոր ընկերությունների կողմից իրականացվող ռազմավարությունների վրա, որոնք նպաստում են AI-ի հասունացմանը: Վերջին հրատարակությունը ութերորդն է, որը թողարկվել է Appen-ի կողմից, և այն ընդգծում է տվյալների կառավարման և անվտանգության, պատասխանատու արհեստական ​​ինտելեկտի և արտաքին տվյալների մատակարարների լավագույն մոտեցումները և դրանց դերը առաջընթացի առաջընթացի գործում: 

Զեկույցի հիմնական արդյունքները

Զեկույցի հիմնական նպատակները ներառում էին աղբյուրների ստացում, որակ, գնահատում, ընդունում և էթիկա: 

Զեկույցի հիմնական բացահայտումներից մեկն այն էր, որ մասնակիցների 51%-ը համաձայն է, որ տվյալների ճշգրտությունը կարևոր նշանակություն ունի արհեստական ​​ինտելեկտի օգտագործման դեպքում: Հայտնի է, որ ճշգրիտ և բարձրորակ տվյալները շատ կարևոր են արհեստական ​​ինտելեկտի մոդելների հաջողության համար, սակայն շատ բիզնես առաջնորդներ ունեն զգալի բացթողում իդեալական և իրականության մեջ՝ տվյալների ճշգրտության հասնելու հարցում, ասվում է զեկույցում: 

Մեկ այլ կարևոր քայլ այն էր, որ ընկերությունները ավելի ու ավելի են տեղափոխում իրենց ուշադրությունը պատասխանատու AI-ի վրա և հասունացնում են իրենց ռազմավարությունները: Բիզնեսի առաջնորդների և տեխնոլոգների աճող թվով աշխատում են բարելավելու տվյալների որակը, որը խթանում է AI նախագծերը, որոնք նպաստում են ներառական տվյալների հավաքածուներին և անաչառ մոդելներին: Զեկույցում պարզվել է, որ հարցվածների 80%-ը կարծում է, որ տվյալների բազմազանությունը «չափազանց կարևոր» կամ «շատ կարևոր է»: Այն նաև պարզել է, որ հարցվածների 95%-ը համաձայն է, որ սինթետիկ տվյալները կլինեն հիմնական դերակատարը ներառական տվյալների հավաքածուներ ստեղծելու գործում: 

Մարկ Բրայանը Appen-ի գործադիր տնօրենն է: 

«Այս տարվա State of AI զեկույցը ցույց է տալիս, որ հարցվածների 93%-ը կարծում է, որ պատասխանատու AI-ն արհեստական ​​ինտելեկտի բոլոր նախագծերի հիմքն է», - ասաց Բրայանը: «Խնդիրն այն է, որ շատերը բախվում են աղքատ տվյալների հավաքածուներով հիանալի արհեստական ​​ինտելեկտ ստեղծելու փորձերին, և դա զգալի խոչընդոտ է ստեղծում իրենց նպատակներին հասնելու համար»: 

Ահա զեկույցից մի քանի այլ կարևոր կետեր. 

• Սնուցումը. Տեխնոլոգների 42%-ն ասում է, որ արհեստական ​​ինտելեկտի կյանքի ցիկլի տվյալների մատակարարման փուլը շատ դժվար է, և բիզնեսի առաջնորդները ավելի քիչ հավանական է, որ տվյալների աղբյուրը շատ դժվար են համարել (24%):

• Որակ: Հարցվածների կեսից ավելին ասում է, որ տվյալների ճշգրտությունը կարևոր է AI-ի հաջողության համար, սակայն միայն 6%-ն է հայտնել, որ տվյալների ճշգրտությունը գերազանցում է 90%-ը:

• Գնահատում. Մարդկանց մեքենայական ուսուցման կարևորության շուրջ կա մեծ կոնսենսուս, որի 81%-ը նշում է, որ դա շատ կամ չափազանց կարևոր է: 97%-ը հայտնել է, որ մարդու կողմից շրջադարձային գնահատումը կարևոր է մոդելի ճշգրիտ կատարման համար:

• Ընդունում ` Տեխնոլոգները բաժանված են այն հարցում, թե արդյոք իրենց կազմակերպությունն առաջ է գնում, թե նույնիսկ իրենց ոլորտի մյուսների հետ: ԱՄՆ-ի հարցվածներն ավելի հավանական է, որ ասեն, որ իրենց կազմակերպություններն իրենց արդյունաբերության մյուսներից առաջ են արհեստական ​​ինտելեկտի ընդունման հարցում՝ համեմատած եվրոպացի հարցվածների հետ:

• Էթիկա: Հարցվածների 93%-ը համաձայն է, որ պատասխանատու արհեստական ​​ինտելեկտը հիմք է հանդիսանում իրենց կազմակերպության ներսում AI բոլոր նախագծերի համար: 

Սուջաթա Սագիրաջուն Appen-ի արտադրանքի գլխավոր տնօրենն է: 

«AI-ի ջանքերի մեծ մասը ծախսվում է AI-ի կյանքի ցիկլի համար տվյալների կառավարման վրա, ինչը նշանակում է, որ դա անհավատալի ձեռնարկ է AI-ի համար, որը տանում է միայնակ, և այն տարածքն է, որի հետ շատերը պայքարում են», - ասաց Սագիրաջուն: «Բարձրորակ տվյալների ստացումը կարևոր է AI լուծումների հաջողության համար, և մենք տեսնում ենք, որ կազմակերպությունները շեշտում են տվյալների ճշգրտության կարևորությունը»: 

Wilson Pang-ը Appen-ի CTO-ն է: 

«Տվյալների ճշգրտությունը չափազանց կարևոր է AI և ML մոդելների հաջողության համար, քանի որ որակապես հարուստ տվյալները տալիս են ավելի լավ մոդելի արդյունքներ և հետևողական մշակում և որոշումներ կայացնել», - ասաց Պանգը: «Լավ արդյունքների համար տվյալների հավաքածուները պետք է լինեն ճշգրիտ, համապարփակ և մասշտաբային»: 

Դուք կարող եք գտնել AI-ի վիճակի և մեքենայական ուսուցման ամբողջական զեկույցը այստեղ.