ИБМ показывает, что почти половина проблем, связанных с внедрением ИИ, связана со сложностью данных (24%) и трудностями с интеграцией и масштабированием проектов (24%). Хотя маркетологам может быть целесообразно «прикрепить к нему суффикс GPT и назвать его AI», компании, стремящиеся по-настоящему осуществлять и включать ИИ и машинное обучение сталкиваются с двойной проблемой: во-первых, это сложно и дорого, а во-вторых, поскольку это сложно и дорого, трудно найти «песочницы», необходимые для экспериментов и доказательства «зеленых побегов» ценности, которые будет гарантировать дальнейшие инвестиции. Короче говоря, искусственный интеллект и машинное обучение недоступны.
Данные, данные повсюду
История показывает, что большинство изменений в бизнесе поначалу кажутся трудными и дорогостоящими. Однако затраты времени и ресурсов на эти усилия окупились для новаторов. Компании выявляют новые активы и используют новые процессы для достижения новых целей — иногда высоких и неожиданных. Актив, находящийся в центре увлечения искусственным интеллектом, — это данные.
Мир взрывается данными. Согласно отчету Seagate и IDC за 2020 год, прогнозируется, что в течение следующих двух лет объем корпоративных данных увеличится в Годовой темп роста 42,2%. И тем не менее, только 32% этих данных в настоящее время используются в работе.
Эффективное управление данными — хранение, маркировка, каталогизация, защита, подключение и обеспечение возможности запроса — не лишено проблем. Как только эти проблемы будут преодолены, предприятиям необходимо будет идентифицировать пользователей, которые не только достаточно технически компетентны, чтобы получить доступ к этим данным и использовать их, но и способны делать это комплексным образом.
Сегодня предприятиям приходится поручать рядовым аналитикам целенаправленную, основанную на гипотезах работу. Сокращение выражено в общем припеве: «Обычно я прошу аналитиков извлечь подмножество данных и построить на их основе сводные таблицы».
Чтобы избежать туннельного видения и более комплексно использовать данные, этот анализ, основанный на гипотезах, дополняется бизнес-аналитикой (BI), где масштабные данные преобразуются в отчеты, информационные панели и визуализации. Но даже в этом случае головокружительный масштаб диаграмм и графиков требует от человека, просматривающего их, иметь четкое представление о том, что важно и на что обращать внимание (опять же, быть основанным на гипотезах), чтобы понять мир. Люди просто не могут иначе справиться с когнитивная перегрузка.
Сейчас подходящий момент для искусственного интеллекта и машинного обучения. В идеале это означало бы наличие многочисленных команд специалистов по данным, инженеров по данным и инженеров машинного обучения, которые смогут предоставлять такие решения по цене, которая аккуратно вписывается в ИТ-бюджеты. Также в идеале предприятия должны иметь необходимое количество технологий; Графические процессоры, вычислительная инфраструктура и инфраструктура оркестрации для создания и развертывания решений искусственного интеллекта и машинного обучения в любом масштабе. Но, как и в случае с бизнес-революциями прошлых дней, это не так.
Недоступные решения
Рынок предлагает множество решений, основанных на двух подходах: добавление еще большей аналитики и понимания к существующим инструментам бизнес-аналитики; и все более упростить разработку и внедрение решений ML в растущей области операций ML, или МЛОпс.