Revisão do Relatório: Relatório Anual do Estado da IA da Appen

A Appen Limited, uma líder global em IA que fornece fontes de dados, preparação de dados e avaliação de modelos por humanos em escala, lançou seu altamente aguardado relatório anual “Relatório do Estado da IA e Aprendizado de Máquina”.

O Relatório do Estado da IA e Aprendizado de Máquina é um relatório anual focado nas estratégias implementadas por empresas de todos os tamanhos em diversas indústrias à medida que avançam em sua maturidade em IA. A última edição é a oitava lançada pela Appen e destaca as principais abordagens para gerenciamento de dados e segurança, IA responsável e provedores de dados externos e seu papel no progresso.

Principais Conclusões do Relatório

As principais conclusões do relatório envolveram fontes, qualidade, avaliação, adoção e ética.

Uma das principais conclusões do relatório foi que 51% dos participantes concordam que a precisão dos dados é fundamental para o seu caso de uso de IA. É bem conhecido que dados precisos e de alta qualidade são cruciais para o sucesso dos modelos de IA, mas muitos líderes empresariais têm uma lacuna significativa entre o ideal e a realidade na obtenção de precisão dos dados, de acordo com o relatório.

Outra conclusão importante foi que as empresas estão cada vez mais mudando seu foco para IA responsável e amadurecendo suas estratégias. Um número crescente de líderes empresariais e tecnólogos está trabalhando para melhorar a qualidade dos dados que impulsionam os projetos de IA, o que promove conjuntos de dados inclusivos e modelos imparciais. O relatório encontrou que 80% dos respondentes acreditam que a diversidade dos dados é “extremamente importante” ou “muito importante”. Também encontrou que 95% dos respondentes concordam que os dados sintéticos serão um jogador fundamental na criação de conjuntos de dados inclusivos.

Mark Brayan é CEO da Appen.

“Este ano, o relatório do Estado da IA descobriu que 93% dos respondentes acreditam que a IA responsável é a base de todos os projetos de IA”, disse Brayan. “O problema é que muitos estão enfrentando os desafios de tentar construir uma grande IA com conjuntos de dados ruins, e isso está criando um obstáculo significativo para alcançar seus objetivos”.

Aqui estão algumas das outras principais conclusões do relatório:

• Fontes: 42% dos tecnólogos dizem que a etapa de fontes de dados do ciclo de vida da IA é muito desafiadora, e os líderes empresariais foram menos propensos a relatar fontes de dados como muito desafiadoras (24%).
• Qualidade: Mais da metade dos respondentes dizem que a precisão dos dados é fundamental para o sucesso da IA, mas apenas 6% relataram alcançar uma precisão dos dados superior a 90%.
• Avaliação: Há um forte consenso em torno da importância do aprendizado de máquina com humanos no loop, com 81% afirmando que é muito ou extremamente importante. 97% relataram que a avaliação com humanos no loop é importante para o desempenho preciso do modelo.
• Adoção: Os tecnólogos estão divididos sobre se sua organização está à frente ou igual a outras em sua indústria. Os respondentes dos EUA são mais propensos a dizer que suas organizações estão à frente de outras em sua indústria na adoção da IA em comparação com os respondentes europeus.
• Ética: 93% dos respondentes concordam que a IA responsável é a base de todos os projetos de IA dentro de sua organização.

Sujatha Sagiraju é Diretora de Produto da Appen.

“A maioria dos esforços de IA é gasta gerenciando dados para o ciclo de vida da IA, o que significa que é uma empreitada incrível para os líderes de IA lidarem sozinhos – e é a área com a qual muitos estão lutando”, disse Sagiraju. “Fontes de dados de alta qualidade são fundamentais para o sucesso das soluções de IA, e estamos vendo as organizações enfatizarem a importância da precisão dos dados”.

Wilson Pang é CTO da Appen.

“A precisão dos dados é fundamental para o sucesso dos modelos de IA e ML, pois dados qualitativamente ricos produzem melhores saídas de modelo e processamento e tomada de decisões consistentes”, disse Pang. “Para obter bons resultados, os conjuntos de dados devem ser precisos, abrangentes e escaláveis”.

Você pode encontrar o relatório completo do Estado da IA e Aprendizado de Máquina aqui.