Tilstanden for kunstig intelligens er lovende, og den er stadig mer klar for virkelige virksomheter. Men det er mangel på talent, mangel på mangfold i feltet og bekymringer for håndteringen av dataene som driver stadig mer sofistikerte algoritmer.
Foto: Joe McKendrick
Dette er noen av observasjonene til Nathan Benaich og Ian Hogarth, fremtredende investorer i kunstig intelligens, som ga ut sin fjerde årlige og tettpakket “State of AI”-rapport som gjennomgår utviklingen på feltet det siste året. Mens rapporten fokuserer på AI-akademia og spesifikke fremskritt innen medisin og andre områder, er det viktige utviklingstrekk for de som ønsker å utnytte AI og maskinlæring for å komme videre i å bygge intelligente bedrifter. “Den under-ressursrike AI-tilpasningsinnsatsen fra nøkkelorganisasjoner som fremmer det overordnede feltet av AI, så vel som bekymringer om datasett som brukes til å trene AI-modeller og skjevheter i modellevalueringsbenchmarks, reiser viktige spørsmål om hvordan man best kan kartlegge fremdriften av AI-systemer med raskt avanserte evner, sier Benaich og Hogarth.
Noen bemerkelsesverdige AI -utviklinger det siste året inkluderer følgende:
AI er nå en del av viktige scenarier i det virkelige liv, inkludert bruk på virksomhetskritisk infrastruktur som nasjonale elektriske nett, automatisert supermarkedslageroptimalisering, legemiddeloppdagelse og helsetjenester.” dukket opp som en generell arkitektur for maskinlæring, i økende grad brukt på naturlig språkbehandling (NLP) og datasyn. Andre utviklinger som er nevnt inkluderer fremveksten av selvtilsyn i datasyn som krever mindre trening, og “tekstløs” naturlig språkbehandling basert på Generative Spoken Language Modeling (GSLM), som muliggjør “oppgaven med å lære talerepresentasjoner direkte fra rå lyd uten noen etiketter eller tekst.”
Det har vært rekordfinansiering i år til AI-oppstarter og børsnoteringer for datainfrastruktur og cybersikkerhetsselskaper som hjelper bedrifter med å omstille seg til AI-første æra.
AI-talent er en økende bekymring, så vel som mulighetsområde. “Dataforskere, programvareutviklere, matematikere, statistikere og dataforskere så en utvikling av sysselsettingen deres som er langt foran den generelle sysselsatte befolkningen,” sier Benaich og Hogarth. “Informatikk og ingeniørfag var de raskest voksende lavere gradene i løpet av 2015 til 2018, og utgjorde 10,2% av alle fireårige grader som ble gitt i 2018. Antallet deres økte med henholdsvis 34% og 25% i løpet av perioden, mens antallet andre ble tildelt grader økte i gjennomsnitt med 4,5%. “
Globalt er Brasil og India ledende innen AI-sysselsettingsvekst, og ansetter mer enn tre ganger flere AI-talenter i dag enn de var i 2017, og matcher eller overgår ansettelsesveksten i Canada og USA, legger de til.
Kjønns- og rasemangfoldsdataene i amerikanske organisasjoner er radikalt forskjellige mellom tekniske og ikke-tekniske team, sier Benaich og Hogarth. Det er “en massiv mangel på kjønnsmangfold i tekniske team, mens en bedre balanse oppnås i produkt- og kommersielle team. Afroamerikanere og latinamerikanere utgjør en lavere andel av AI-arbeidsstyrken enn deres andel i den generelle arbeidsstyrken, med den største nedgangen som kommer fra tekniske team. Disse teamene har også den høyeste andelen asiatiske arbeidere.” Interessant nok, på globalt nivå, “nesten 30% av vitenskapelige forskningsartikler fra India inkluderer kvinnelige forfattere sammenlignet med et gjennomsnitt på 15% i USA og Storbritannia, og langt mer enn fire prosent i Kina.”
Risikokapitalistene peker på bekymringer rundt håndtering av big data i AI-området. “Nøye datavalg sparer tid og penger ved å dempe smerten ved store data. Å jobbe med massive datasett er tungvint og dyrt. Nøye valg av eksempler demper smerten ved store data ved å fokusere ressursene på de mest verdifulle eksemplene, men klassiske metoder blir ofte vanskelig å utføre Nyere tilnærminger adresserer disse beregningskostnadene, og muliggjør datavalg på moderne datasett.”
Benaich og Hogarth peker på behovet for større datakvalitet, spesielt i sanntidssituasjoner, for eksempel å oppdage eller forutsi livstruende hendelser. For eksempel siterer de trusselen om «datakaskader», definert av Google-forskere som «kompounderende hendelser som forårsaker negative nedstrømseffekter fra dataproblemer». Disse forskerne advarer “at dagens praksis undervurderer datakvalitet og resulterer i datakaskader, og peker på faktorer som” mangel på anerkjennelse av dataarbeidet i AI, mangel på tilstrekkelig opplæring, vanskeligheter med tilgang til spesialiserte data for den studerte regionen/befolkningen. ” Dette krever “utvikle beregninger for å vurdere godheten av data, bedre insentiver for datafortreffelighet, bedre dataopplæring, bedre praksis for tidlig oppdagelse av datakaskader og bedre datatilgang.”
Vilkårene også forutsi at det kommende året kan bli lansert et forskningsselskap med fokus på kunstig generell intelligens (AGI), “formet med betydelig støtte og et veikart som er fokusert på en sektorvertikal, som potensielt kan involvere utviklerverktøy eller en life science-applikasjon.< /p>
Relaterte emner:
Enterprise Software Digital Transformation CXO Internet of Things Innovation Smart Cities 