Огляд звіту: Щорічний звіт Appen про стан штучного інтелекту

Appen Limited, глобальний лідер у сфері штучного інтелекту, який забезпечує джерела даних, підготовку даних та оцінку моделей людьми у великому масштабі, опублікував свій високоочікуваний щорічний звіт «Стан штучного інтелекту та машинного навчання».

Звіт про стан штучного інтелекту та машинного навчання – це щорічний звіт, який зосереджується на стратегіях, реалізованих компаніями всіх розмірів у різних галузях, щоб підвищити свою зрілість штучного інтелекту. Останнє видання є восьмим, опублікованим Appen, і підкреслює найкращі підходи до управління даними та безпеки, відповідального штучного інтелекту, а також роль зовнішніх постачальників даних у просуванні прогресу.

Головні висновки звіту

Головними висновками звіту стали джерела, якість, оцінка, прийняття рішень та етика.

Одним із головних висновків звіту було те, що 51% учасників погодилися, що точність даних критично важлива для їхнього випадку використання штучного інтелекту. Відомо, що точні та високоякісні дані мають вирішальне значення для успіху моделей штучного інтелекту, але багато керівників підприємств мають значний розрив між ідеальними та реальними умовами для досягнення точності даних, згідно з звітом.

Іншим ключовим висновком було те, що компанії все частіше зосереджують увагу на відповідальному штучному інтелекті та дорослішанні своїх стратегій. Дедалі більша кількість керівників підприємств та технологів працює над покращенням якості даних, які рухають проєкти штучного інтелекту, що сприяє інклюзивним наборам даних та безпристрасним моделям. Звіт показав, що 80% респондентів вважають різноманітність даних «дуже важливою» або «екстремально важливою». Також було виявлено, що 95% респондентів погодилися, що синтетичні дані будуть ключовим гравцем у створенні інклюзивних наборів даних.

Марк Брайан є генеральним директором Appen.

«Цього року звіт про стан штучного інтелекту показав, що 93% респондентів вважають відповідальний штучний інтелект основою всіх проєктів штучного інтелекту», – сказав Брайан. «Проблема полягає в тому, що багато хто стикається з труднощами при спробі створити великий штучний інтелект з поганими наборами даних, і це створює значний бар’єр на шляху до досягнення їхніх цілей».

Ось деякі інші ключові висновки з звіту:

• Джерела: 42% технологів вважають, що стадія джерел даних у життєвому циклі штучного інтелекту дуже складна, а керівники підприємств були менш схильні вважати джерела даних дуже складними (24%).
• Якість: Більше половини респондентів вважають, що точність даних критично важлива для успіху штучного інтелекту, але тільки 6% повідомили про досягнення точності даних вище 90%.
• Оцінка: Є сильна згода щодо важливості людського фактору у машинному навчанні, оскільки 81% вважають це «дуже важливим» або «екстремально важливим». 97% повідомили, що оцінка людського фактору важлива для точної роботи моделі.
• Приняття рішень: Технологи розділилися щодо того, чи їхня організація знаходиться попереду або на одному рівні з іншими у своїй галузі щодо прийняття рішень щодо штучного інтелекту. Респонденти зі США частіше кажуть, що їхні організації знаходяться попереду інших у своїй галузі щодо прийняття рішень щодо штучного інтелекту порівняно з європейськими респондентами.
• Етика: 93% респондентів погодилися, що відповідальний штучний інтелект є основою для всіх проєктів штучного інтелекту у своїй організації.

Суджата Сагіраджу є головним офіцером з продуктів Appen.

«Більшість зусиль штучного інтелекту витрачаються на управління даними для життєвого циклу штучного інтелекту, що означає, що це неймовірне завдання для лідерів штучного інтелекту керувати цим самостійно – і це область, з якою багато хто бореться», – сказав Сагіраджу. «Джерелом високоякісних даних є критично важливий фактор для успіху рішень штучного інтелекту, і ми бачимо, як організації підкреслюють важливість точності даних».

Вілсон Панг є технічним директором Appen.

«Точність даних критично важлива для успіху моделей штучного інтелекту та машинного навчання, оскільки якісні дані дають кращі результати моделей та послідовне оброблення та прийняття рішень», – сказав Панг. «Для отримання добрих результатів набори даних повинні бути точними, повними та масштабованими».

Ви можете знайти повний звіт про стан штучного інтелекту та машинного навчання тут.