Przegląd raportu: Rocznego raportu Appen o stanie sztucznej inteligencji

Appen Limited, globalny lider w dziedzinie sztucznej inteligencji, dostarczający źródła danych, przygotowanie danych i ocenę modeli przez ludzi w skali, opublikował swój bardzo oczekiwany roczny raport „Stan sztucznej inteligencji i uczenia maszynowego”.

Raport o stanie sztucznej inteligencji i uczenia maszynowego to raport roczny, który koncentruje się na strategiach wdrożonych przez firmy wszystkich rozmiarów z różnych branż, które rozwijają swoją dojrzałość sztucznej inteligencji. Ostatnia edycja jest ósmą opublikowaną przez Appen i podkreśla najlepsze podejścia do zarządzania danymi i bezpieczeństwa, odpowiedzialnej sztucznej inteligencji oraz roli zewnętrznych dostawców danych w rozwoju postępów.

Główne wnioski z raportu

Główne wnioski z raportu dotyczyły pozyskiwania, jakości, oceny, wdrożenia i etyki.

Jednym z głównych wniosków z raportu było to, że 51% uczestników zgadza się, że dokładność danych jest kluczowa dla ich przypadku użycia sztucznej inteligencji. Jest powszechnie wiadomo, że dokładne i wysokiej jakości dane są niezbędne do sukcesu modeli sztucznej inteligencji, ale wielu liderów biznesu ma znaczącą lukę między ideałem a rzeczywistością w osiąganiu dokładności danych, zgodnie z raportem.

Innym kluczowym wnioskiem było to, że firmy coraz częściej przesuwają swoją uwagę na odpowiedzialną sztuczną inteligencję i dojrzewanie swoich strategii. Coraz większa liczba liderów biznesu i technologów pracuje nad poprawą jakości danych, które napędzają projekty sztucznej inteligencji, co sprzyja inkluzywnym zbiorom danych i niezbyt znanym modelom. Raport wykazał, że 80% respondentów uważa, że różnorodność danych jest „bardzo ważna” lub „niezwykle ważna”. Stwierdzono również, że 95% respondentów zgadza się, że dane syntetyczne będą kluczowym graczem w tworzeniu inkluzywnych zbiorów danych.

Mark Brayan jest dyrektorem generalnym Appen.

„W tym roku raport o stanie sztucznej inteligencji stwierdza, że 93% respondentów uważa, iż odpowiedzialna sztuczna inteligencja jest podstawą wszystkich projektów sztucznej inteligencji”, powiedział Brayan. „Problem polega na tym, że wiele firm staje przed wyzwaniem budowania wielkiej sztucznej inteligencji z słabymi zbiorami danych, co tworzy znaczącą przeszkodę na drodze do osiągnięcia ich celów”.

Oto niektóre z innych kluczowych wniosków z raportu:

• Pozyskiwanie: 42% technologów twierdzi, że etap pozyskiwania danych w cyklu życia sztucznej inteligencji jest bardzo trudny, a liderzy biznesu byli mniej skłonni do zgłaszania pozyskiwania danych jako bardzo trudnego (24%).
• Jakość: Ponad połowa respondentów twierdzi, że dokładność danych jest kluczowa dla sukcesu sztucznej inteligencji, ale tylko 6% zgłosiło osiągnięcie dokładności danych wyższej niż 90%.
• Ocena: Istnieje silny konsensus wokół ważności uczenia maszynowego z ludzkim udziałem, przy 81% respondentów twierdzących, że jest to bardzo lub niezwykle ważne. 97% respondentów zgłosiło, że ocena z ludzkim udziałem jest ważna dla dokładnego wykonania modelu.
• Wdrożenie: Technologowie są podzieleni co do tego, czy ich organizacja jest przed czy na równi z innymi w ich branży. Respondenci z USA są bardziej skłonni do twierdzenia, że ich organizacje są przed innymi w swojej branży w przyjęciu sztucznej inteligencji w porównaniu z respondentami z Europy.
• Etyka: 93% respondentów zgadza się, że odpowiedzialna sztuczna inteligencja jest podstawą wszystkich projektów sztucznej inteligencji w ich organizacji.

Sujatha Sagiraju jest dyrektorem ds. produktu w Appen.

„Większość wysiłków związanych z sztuczną inteligencją pochłania zarządzanie danymi w cyklu życia sztucznej inteligencji, co oznacza, że jest to niesamowite przedsięwzięcie dla liderów sztucznej inteligencji, aby radzić sobie z tym samym – i jest to obszar, z którym wiele firm się boryka”, powiedział Sagiraju. „Pozyskiwanie wysokiej jakości danych jest kluczowe dla sukcesu rozwiązań sztucznej inteligencji, a my widzimy, jak organizacje podkreślają wagę dokładności danych”.

Wilson Pang jest dyrektorem technicznym w Appen.

„Dokładność danych jest kluczowa dla sukcesu modeli sztucznej inteligencji i uczenia maszynowego, ponieważ bogate jakościowo dane dają lepsze wyniki modeli i spójne przetwarzanie i podejmowanie decyzji”, powiedział Pang. „Aby osiągnąć dobre wyniki, zbiory danych muszą być dokładne, kompleksowe i skalowalne”.

Można znaleźć pełny raport o stanie sztucznej inteligencji i uczenia maszynowego tutaj.