Rapportgenomgång: Appens årliga rapport om AI:s tillstånd

Appen Limited, en global AI-ledare inom datakällor, dataförberedelse och modellutvärdering i stor skala, har släppt sin mycket efterlängtade årliga “Rapport om AI och maskinlärande“.

Rapporten om AI och maskinlärande är en årlig rapport som fokuserar på de strategier som genomförs av företag av alla storlekar inom olika branscher när de utvecklar sin AI-mognad. Den senaste upplagan är den åttonde som släppts av Appen, och den belyser de bästa metoderna för datahantering och säkerhet, ansvarsfull AI och externa dataleverantörer och deras roll i att främja framsteg.

Huvudfynd i rapporten

Rapportens viktigaste slutsatser handlade om källor, kvalitet, utvärdering, antagande och etik.

En av rapportens viktigaste slutsatser var att 51% av deltagarna är överens om att dataaccuritet är avgörande för deras AI-användningsfall. Det är välkänt att korrekt och högkvalitativ data är avgörande för framgången med AI-modeller, men många företagsledare har en betydande lucka mellan ideal och verklighet när det gäller att uppnå dataaccuritet, enligt rapporten.

En annan viktig slutsats var att företag alltmer fokuserar på ansvarsfull AI och mognar ut sina strategier. En ökande andel företagsledare och teknologer arbetar för att förbättra datakvaliteten som driver AI-projekt, vilket främjar inkluderande datamängder och obefläckade modeller. Rapporten fann att 80% av respondenterna anser att datadiversitet är “extremt viktigt” eller “mycket viktigt”. Den fann också att 95% av respondenterna är överens om att syntetisk data kommer att spela en nyckelroll i att skapa inkluderande datamängder.

Mark Brayan är VD på Appen.

“Årets rapport om AI:s tillstånd visar att 93% av respondenterna anser att ansvarsfull AI är grunden för alla AI-projekt”, sa Brayan. “Problemet är att många står inför utmaningarna med att bygga bra AI med dåliga datamängder, och det skapar en betydande vägspärr för att nå sina mål.”

Här är några av de andra viktigaste slutsatserna från rapporten:

• Källor: 42% av teknologerna säger att datakällans fas i AI-livscykeln är mycket utmanande, och företagsledare var mindre benägna att rapportera datakällor som mycket utmanande (24%).
• Kvalitet: Mer än hälften av respondenterna säger att dataaccuritet är avgörande för AI:s framgång, men endast 6% rapporterade att de uppnått dataaccuritet högre än 90%.
• Utvärdering: Det finns en stark konsensus kring vikten av human-in-the-loop-maskinlärande, där 81% anser att det är mycket eller extremt viktigt. 97% rapporterade att human-in-the-loop-utvärdering är viktig för korrekt modellprestanda.
• Antagande: Teknologerna är splittrade när det gäller om deras organisation är före eller i nivå med andra i sin bransch. Amerikanska respondenter är mer benägna att säga att deras organisationer är före andra i sin bransch när det gäller att anta AI jämfört med europeiska respondenter.
• Etik: 93% av respondenterna är överens om att ansvarsfull AI är en grund för alla AI-projekt inom sin organisation.

Sujatha Sagiraju är Chief Product Officer på Appen.

“Majoriteten av AI-insatserna läggs på datahantering för AI-livscykeln, vilket innebär att det är en otrolig uppgift för AI-ledare att hantera ensam – och är det område som många kämpar med”, sa Sagiraju. “Att hitta högkvalitativa data är avgörande för AI-lösningarnas framgång, och vi ser att organisationer betonar vikten av dataaccuritet.”

Wilson Pang är CTO på Appen.

“Dataaccuritet är avgörande för AI- och ML-modellernas framgång, eftersom kvalitativt rik data ger bättre modellutdata och konsekvent bearbetning och beslutsfattande”, sa Pang. “För att uppnå bra resultat måste datamängderna vara korrekta, omfattande och skalbara.”

Du kan hitta den fullständiga rapporten om AI och maskinlärande här.