Tillståndet för artificiell intelligens är lovande, och det är allt mer redo för verkliga företag. Men det finns brist på talang, brist på mångfald inom området och oro för hanteringen av data som ger bränsle till allt mer sofistikerade algoritmer.
Foto: Joe McKendrick
Det här är några av observationerna från Nathan Benaich och Ian Hogarth, framstående investerare inom artificiell intelligens, som släppte sin fjärde årliga och tätt packade “State of AI”-rapport som granskar utvecklingen på området under det senaste året. Medan rapporten fokuserar på AI-akademin och specifika framsteg inom medicin och andra områden, finns det viktiga utvecklingar som lyfts fram för dem som vill utnyttja AI och maskininlärning för att gå vidare med att bygga intelligenta företag. “De under-resurser AI-anpassningsinsatser från nyckelorganisationer som avancerar det övergripande området för AI, såväl som oro över datauppsättningar som används för att träna AI-modeller och partiskhet i modellutvärderingsriktmärken, väcker viktiga frågor om hur man bäst kartlägger framstegen i AI -system med snabba framsteg, säger Benaich och Hogarth.
Några anmärkningsvärda AI-utvecklingar under det senaste året inkluderar följande:
AI är nu en del av viktiga verkliga scenarier, inklusive att tillämpas på verksamhetskritisk infrastruktur som nationella elnät, automatiserad optimering av stormarknadslager, läkemedelsupptäckt och hälsovård.”Transformers,” en neural nätverksbaserad arkitektur för djupinlärning framträdde som en allmän arkitektur för maskininlärning, alltmer tillämpad på naturligt språkbehandling (NLP) och datorsyn. Andra utvecklingar som nämns inkluderar uppkomsten av självövervakning inom datorseende som kräver mindre träning, och “textlös” naturlig språkbehandling baserad på Generative Spoken Language Modeling (GSLM), som möjliggör “uppgiften att lära in talrepresentationer direkt från råljud utan något etiketter eller text. ”
Det har funnits rekordstor finansiering i år för AI-startups och börsintroduktioner för datainfrastruktur- och cybersäkerhetsföretag som hjälper företag att göra om inför AI-first-eran.
AI -talang är ett växande bekymmer, liksom ett område med möjligheter. “Dataforskare, mjukvaruutvecklare, matematiker, statistiker och datavetare såg en utveckling av sin anställning som ligger långt före den allmänna sysselsatta befolkningen”, säger Benaich och Hogarth. “Datavetenskap och teknik var de snabbast växande grundexamina under 2015 till 2018, och stod för 10,2 % av alla fyraåriga examina som tilldelades 2018. Deras antal ökade med 34 % respektive 25 % under perioden, medan antalet andra tilldelade grader ökade med 4,5% i genomsnitt. “
Globalt sett leder Brasilien och Indien vägen för AI-sysselsättningstillväxt, och anställer mer än tre gånger fler AI-talanger idag än de var 2017, vilket matchar eller överträffar anställningstillväxten i Kanada och USA, tillägger de.
Uppgifterna om kön och rasmångfald inom organisationer i USA skiljer sig radikalt mellan tekniska och icke-tekniska team, delstaten Benaich och Hogarth. Det finns “en massiv brist på könsmångfald i tekniska team, samtidigt som en bättre balans uppnås i produkt- och kommersiella team. Afroamerikaner och latinamerikaner utgör en lägre andel av AI-arbetsstyrkan än deras andel av den allmänna arbetsstyrkan, med den allvarligaste nedgången på väg från tekniska team. Dessa team har också den högsta andelen asiatiska arbetare.” Intressant är att på global nivå “innehåller nästan 30% av de vetenskapliga forskningsrapporterna från Indien kvinnliga författare jämfört med i genomsnitt 15% i USA och Storbritannien, och långt större än fyra procent i Kina.”
Riskkapitalisterna pekar på oro för att hantera big data i AI-utrymmet. “Noggrant urval av data sparar tid och pengar genom att lindra smärtorna i stora data. Att arbeta med massiva datamängder är krångligt och dyrt. Att noggrant välja exempel minskar smärtan med stora data genom att fokusera resurser på de mest värdefulla exemplen, men klassiska metoder blir ofta svårhanterliga Nya tillvägagångssätt tar itu med dessa beräkningskostnader, vilket möjliggör val av data på moderna datauppsättningar.”
Benaich och Hogarth pekar på behovet av bättre datakvalitet, särskilt i realtidssituationer, som att upptäcka eller förutsäga livshotande händelser. Till exempel citerar de hotet om “datakaskader”, definierat av Googles forskare som “sammansatta händelser som orsakar negativa nedströmseffekter av dataproblem.” Dessa forskare varnar “att nuvarande praxis undervärderar datakvaliteten och resulterar i datakaskader, som pekar på faktorer som” bristande erkännande av dataarbetet i AI, brist på adekvat utbildning, svårigheter att få tillgång till specialiserad data för den studerade regionen/befolkningen. ” Detta kräver att “utveckla mätvärden för att bedöma datas godhet, bättre incitament för dataexcellens, bättre datautbildning, bättre metoder för tidig upptäckt av datakaskader och bättre dataåtkomst.”
Världskapitalbolagen förutsäga att det kommande året kan komma att lanseras ett forskningsföretag fokuserat på artificiell allmän intelligens (AGI), “bildat med betydande stöd och en färdplan som är fokuserad på en sektorvertikal, som potentiellt kan involvera utvecklarverktyg eller en life science-applikation.< /p>
Relaterade ämnen:
Enterprise Software Digital Transformation CXO of Things Internet Innovation Smart Cities 