Rapportagebeoordeling: Appen’s Jaarlijkse State of AI-rapport

Appen Limited, een wereldleider in AI op het gebied van datasourcing, datapreparatie en modelbeoordeling door mensen op grote schaal, heeft zijn zeer verwachte jaarlijkse “State of AI en Machine Learning-rapport” gepubliceerd.

De State of AI en Machine Learning-rapport is een jaarlijks rapport dat zich richt op de strategieën die door bedrijven van alle maten in verschillende branches worden geïmplementeerd om hun AI-maturiteit te vergroten. De laatste editie is de achtste die door Appen is uitgegeven en benadrukt de belangrijkste benaderingen van datamanagement en -beveiliging, verantwoorde AI en externe dataproviders en hun rol bij het bevorderen van vooruitgang.

Belangrijkste bevindingen van het rapport

De belangrijkste conclusies van het rapport hadden betrekking op sourcing, kwaliteit, evaluatie, adoptie en ethiek.

Een van de belangrijkste bevindingen van het rapport was dat 51% van de deelnemers het erover eens is dat datanauwkeurigheid essentieel is voor hun AI-gebruik. Het is algemeen bekend dat nauwkeurige en hoogwaardige data cruciaal is voor het succes van AI-modellen, maar veel zakelijke leiders hebben een aanzienlijke kloof tussen ideaal en realiteit in het bereiken van datanauwkeurigheid, volgens het rapport.

Een andere belangrijke conclusie was dat bedrijven hun focus steeds meer verleggen naar verantwoorde AI en hun strategieën laten rijpen. Een toenemend aantal zakelijke leiders en technologie-experts werkt aan het verbeteren van de datakwaliteit die AI-projecten aandrijft, wat inclusieve datasets en onbevooroordeelde modellen bevordert. Het rapport vond dat 80% van de respondenten van mening is dat datadiversiteit “extreem belangrijk” of “zeer belangrijk” is. Het vond ook dat 95% van de respondenten het erover eens is dat synthetische data een sleutelspeler zal zijn bij het creëren van inclusieve datasets.

Mark Brayan is CEO bij Appen.

“Dit jaarlijkse State of AI-rapport vindt dat 93% van de respondenten van mening is dat verantwoorde AI de basis vormt voor alle AI-projecten”, zei Brayan. “Het probleem is dat veel moeite hebben om geweldige AI te bouwen met slechte datasets, en dat creëert een aanzienlijke hindernis om hun doelen te bereiken.”

Hier zijn enkele van de andere belangrijkste conclusies uit het rapport:

• Sourcing: 42% van de technologie-experts zegt dat de datasourcingfase van de AI-levenscyclus zeer moeilijk is, en zakelijke leiders waren minder geneigd om datasourcing als zeer moeilijk te melden (24%).
• Kwaliteit: Meer dan de helft van de respondenten zegt dat datanauwkeurigheid essentieel is voor het succes van AI, maar slechts 6% meldden dat ze een datanauwkeurigheid van meer dan 90% hadden bereikt.
• Evaluatie: Er is een sterk consensus over het belang van human-in-the-loop machine learning, met 81% die zegt dat het zeer of extreem belangrijk is. 97% meldden dat human-in-the-loop evaluatie belangrijk is voor nauwkeurige modelprestaties.
• Adoptie: Technologie-experts zijn verdeeld over of hun organisatie voorop loopt of gelijk is met anderen in hun branche. Amerikaanse respondenten zijn meer geneigd om te zeggen dat hun organisaties voorop lopen in hun branche bij het adopteren van AI in vergelijking met Europese respondenten.
• Ethiek: 93% van de respondenten is het erover eens dat verantwoorde AI de basis vormt voor alle AI-projecten binnen hun organisatie.

Sujatha Sagiraju is Chief Product Officer bij Appen.

“De meeste AI-inspanningen worden besteed aan het beheren van data voor de AI-levenscyclus, wat betekent dat het een enorm onderwerp is voor AI-leiders om alleen te behandelen – en het is het gebied waar veel moeite mee hebben”, zei Sagiraju. “Het sourcen van hoogwaardige data is essentieel voor het succes van AI-oplossingen, en we zien dat organisaties de belangrijkheid van datanauwkeurigheid benadrukken.”

Wilson Pang is CTO bij Appen.

“Datanauwkeurigheid is essentieel voor het succes van AI- en ML-modellen, omdat kwalitatief rijke data betere modeluitvoer en consistente verwerking en besluitvorming oplevert”, zei Pang. “Voor goede resultaten moeten datasets nauwkeurig, omvattend en schaalbaar zijn.”

U kunt het volledige State of AI en Machine Learning-rapport hier vinden.