Lemaradt a Future of Work Summit üléséről? Irány a miénk Future of Work Summit igény szerinti könyvtár patakba.
A vállalat alig várja, hogy a mesterséges intelligenciát kiszorítsa a laborból a termelési környezetekbe, ahol remélhetőleg új korszakot nyit meg. termelékenység és a jövedelmezőség. De ez nem olyan egyszerű, mint amilyennek látszik, mert kiderült, hogy az AI sokkal másképp viselkedik a tesztpadon, mint a való világban.
A labor és a tényleges alkalmazások közötti domborulat leküzdése hamarosan a következő fő célként jelenik meg az AI bevezetéséért folyó versenyben. Mivel az intelligens technológia folyamatos áramlást igényel megbízható adatok a megfelelő működéshez a felügyelt környezet nem feltétlenül a hagyományos szoftverek bizonyítási alapja. Az AI esetében az ellenőrizetlen környezet jelenti az igazi próbatételt, és sok modell meghibásodik.
A „halál völgye”
Ennek a „halálvölgynek” az átkelés annyira fontossá vált, hogy egyes szervezetek vezetői szintű alapkompetenciává emelik. Valerie Bécaert, a ServiceNow's Advanced Technology Group (ATG) kutatási és tudományos programokért felelős vezető igazgatója, most vezeti a vállalat kutatásait ennek a szakadéknak az áthidalására. Ahogy a Workflow-nak nemrégiben kifejtette, nem csak az MI megfelelő képzéséről van szó, hanem a szervezeti kultúra átalakításával is, hogy javítsák az AI-készségeket és elősegítsék a kockázatok nagyobb elfogadását.
Az egyik technika, amelyen a csoport dolgozik, az AI korlátozott adatokkal való képzése, hogy az önállóan tanulhasson meg új igazságokat. A valós adatkörnyezetek végül is jóval nagyobbak, mint a laborok, és számtalan forrásból érkeznek adatok. Ahelyett, hogy egyszerűen kezdetleges modelleket dobnának ebbe a kaotikus környezetbe, az alacsony adatmennyiségű tanulás leegyszerűsített utat biztosít a hatékonyabb modellekhez, amelyek bonyolultabb következtetéseket tudnak extrapolálni a megszerzett ismereteik alapján.
A közelmúltbeli jelentése McKinsey & Co., kiemelte, hogy a vezető mesterséges intelligencia gyakorlói – amelyeket a vállalat úgy határoz meg, hogy az EBIT 20%-át az MI-nek tudják tulajdonítani – folyamatosan és megbízhatóan tolják be a projekteket a termelésbe. Az alapvető bevált gyakorlatok között a vállalat a következőket határozta meg:
- Alkalmazzon tervezési gondolkodást az eszközök fejlesztése során
- Tesztelje a teljesítményt belsőleg a telepítés előtt, és kövesse nyomon a teljesítményt a termelésben, hogy biztosítsa az eredmények folyamatos javulását
- Jól definiált adatkezelési folyamatok és protokollok létrehozása
- Fejleszti a technológiai személyzet mesterséges intelligencia készségeit
Más bizonyítékok arra utalnak, hogy a felhő előnyt jelent a mesterséges intelligencia éles környezetben történő telepítése során. A felhő széles skálázhatósága mellett eszközök és képességek széles skáláját kínálja, mint pl. természetes nyelvértés (NLU) és arcfelismerés.
AI-k pontosság és precizitás
Ennek ellenére a mesterséges intelligencia gyártásba való bevezetésének problémája részben magával az AI-modellel van. Android fejlesztő Harshil Patel a Neptune nemrégiben megjegyezte, hogy a legtöbb modell nagy pontossággal, de alacsony precizitással tesz jóslatokat. Ez olyan üzleti modelleknél jelent problémát, amelyek pontos méréseket igényelnek, kevés hibatűréssel.
Ennek ellensúlyozására a szervezeteknek nagyobb gondot kell fordítaniuk a kiugró adatkészletek kiküszöbölésére a képzési folyamatban, valamint folyamatos monitorozást kell végrehajtaniuk annak biztosítására, hogy a torzítás és a szórás ne csússzon be a modellbe idővel. Egy másik probléma az osztályok kiegyensúlyozatlansága, amely akkor fordul elő, ha az egyik osztály előfordulása gyakoribb, mint a másik. Ez eltorzíthatja az eredményeket a valós tapasztalatoktól, különösen az új tartományokból származó adatkészletek bevezetésekor.
A gyártásra kész mesterséges intelligencia technológiai gátlóin kívül kulturális tényezőket is figyelembe kell venni, mondja Andrew NG, a Stamford Egyetem adjunktusa és a deeplearning.ai alapítója. Az AI hajlamos megzavarni a vállalat számos érintettjének munkáját. Befizetésük nélkül több száz óra fejlesztés és képzés megy kárba. Ez az oka annak, hogy az AI-projekteknek nemcsak hatékonynak és hasznosnak kell lenniük azoknak, akik használni fogják őket, hanem magyarázhatónak is kell lenniük. Minden projekt első lépése tehát annak a hatókörnek a meghatározása, amelyben a műszaki és üzleti csapatok találkoznak, hogy meghatározzák a „mit tud az AI” és „mi a legértékesebb az üzlet számára” metszéspontját.
A technológia története bővelkedik a problémákat kereső megoldási példákban. A mesterséges intelligencia előnye, hogy olyan rugalmas, hogy egy meghibásodott megoldás gyorsan újrakonfigurálható és újratelepíthető, de ez költségessé és hiábavalóvá válhat, ha nem vonják le a megfelelő tanulságokat a hibákból.
Ahogy a vállalat halad előre az MI-vel, a kihívás nem az lesz, hogy a technológiát az elképzelhető korlátokig tolja, hanem annak biztosítása, hogy az AI-modellek fejlesztésére és betanítására fordított erőfeszítések a mai valós problémák megoldására összpontosuljanak, miközben biztosítják, hogy azután elforduljanak. a jövőben felmerülő problémákra.
VentureBeat
A VentureBeat küldetése, hogy digitális városi tér legyen a műszaki döntéshozók számára, ahol ismereteket szerezhetnek a transzformatív technológiáról és a tranzakciókról. Webhelyünk alapvető információkat tartalmaz az adattechnológiákról és -stratégiákról, amelyek útmutatást nyújtanak a szervezet vezetése során. Meghívjuk Önt, hogy legyen közösségünk tagja, hogy elérje:
- naprakész információk az Ön számára érdekes témákról
- hírlevelünk
- zárt gondolat-vezető tartalom és kedvezményes hozzáférés díjazott eseményeinkhez, mint pl Átalakítás 2021: Tudj meg többet
- hálózati funkciók és így tovább
Forrás: https://venturebeat.com/2022/01/24/getting-ai-from-the-lab-to-production/
- &
- Rólunk
- hozzáférés
- mellett
- Fejlett technológia
- Előny
- AI
- Minden termék
- között
- alkalmazások
- hogy
- BEST
- legjobb gyakorlatok
- üzleti
- ami
- kihívás
- felhő
- érkező
- Közös
- közösség
- vállalat
- bonyolult
- tartalom
- folyamatos
- kultúra
- dátum
- bevezetéséhez
- Design
- tervezés gondolkodás
- Fejlesztő
- fejlesztése
- Fejlesztés
- digitális
- Igazgató
- megszakítása
- domainek
- Hatékony
- csiszolókő
- Vállalkozás
- Környezet
- események
- Tapasztalatok
- arcfelismerő
- tényezők
- Jellemzők
- vezetéknév
- áramlási
- összpontosított
- Előre
- alapító
- funkció
- jövő
- A munka jövője
- rés
- szerzés
- kormányzás
- Csoport
- útmutató
- fej
- Magas
- Kiemelt
- történelem
- HTTPS
- Több száz
- végre
- információ
- Intelligens
- kamat
- Bevezetett
- IT
- tudás
- nyelv
- vezet
- vezető
- TANUL
- tanult
- tanulás
- Korlátozott
- fontos
- Anyag
- Küldetés
- modell
- modellek
- ellenőrzés
- több
- a legtöbb
- mozog
- nlu
- Ajánlatok
- szervezetek
- teljesítmény
- tengely
- Pontosság
- Tippek
- Probléma
- folyamat
- Folyamatok
- Termelés
- jövedelmezőség
- Programok
- program
- projektek
- biztosít
- Futam
- hatótávolság
- való Világ
- jelentést
- kutatás
- Eredmények
- Kockázat
- skálázhatóság
- Keresés
- ServiceNow
- készségek
- So
- szoftver
- Megoldások
- négyzet
- Csúcstalálkozó
- Műszaki
- Technologies
- Technológia
- teszt
- A jövő
- A munka jövője
- Gondolkodás
- Dobás
- idő
- Ma
- tolerancia
- szerszámok
- vágány
- hagyományos
- Képzések
- transzformáló
- egyetemi
- VentureBeat
- jól definiált
- WHO
- nélkül
- Munka
- munkafolyamat
- dolgozó
- világ