De staat van kunstmatige intelligentie is veelbelovend en is steeds meer klaar voor echte ondernemingen. Maar er is een tekort aan talent, gebrek aan diversiteit in het veld en zorgen over de omgang met de gegevens die de steeds geavanceerdere algoritmen voeden.
Foto: Joe McKendrick
Dit zijn enkele van de observaties van Nathan Benaich en Ian Hogarth, prominente investeerders in kunstmatige intelligentie, die hun vierde jaarlijkse en dicht opeengepakte “State of AI”-rapport hebben uitgebracht waarin de ontwikkelingen in het veld van het afgelopen jaar worden beoordeeld. Hoewel het rapport zich richt op AI-academies en specifieke ontwikkelingen in de geneeskunde en andere gebieden, zijn er belangrijke ontwikkelingen aan de orde voor diegenen die AI en machine learning willen gebruiken om vooruitgang te boeken bij het bouwen van intelligente ondernemingen. “De onderbenutte AI-afstemmingsinspanningen van belangrijke organisaties die het algemene gebied van AI vooruit helpen, evenals zorgen over datasets die worden gebruikt om AI-modellen te trainen en vooringenomenheid in modelevaluatiebenchmarks, roept belangrijke vragen op over hoe de voortgang van AI het beste in kaart kan worden gebracht. AI-systemen met snel voortschrijdende mogelijkheden”, stellen Benaich en Hogarth.
Enkele opmerkelijke AI-ontwikkelingen van het afgelopen jaar zijn:
AI maakt nu deel uit van belangrijke real-life scenario's, waaronder de toepassing op missiekritieke infrastructuur zoals nationale elektriciteitsnetwerken, geautomatiseerde optimalisatie van magazijnopslag in supermarkten, medicijnontdekking en gezondheidszorg. kwam naar voren als een algemene architectuur voor machine learning, in toenemende mate toegepast op natuurlijke taalverwerking (NLP) en computervisie. Andere genoemde ontwikkelingen zijn onder meer de opkomst van zelftoezicht in computervisie waarvoor minder training nodig is, en “tekstloze” natuurlijke taalverwerking op basis van Generative Spoken Language Modeling (GSLM), die de “taak van het leren van spraakrepresentaties rechtstreeks van onbewerkte audio zonder enige etiketten of tekst.”
Dit jaar zijn er recordfinancieringen voor AI-startups en IPO's voor data-infrastructuur- en cyberbeveiligingsbedrijven die bedrijven helpen zich om te vormen naar het AI-first-tijdperk.
AI-talent is een groeiend probleem, evenals een kansrijk gebied. “Computeronderzoekswetenschappers, softwareontwikkelaars, wiskundigen, statistici en datawetenschappers zagen een evolutie van hun werkgelegenheid die ver vooruit is op de algemene beroepsbevolking”, stellen Benaich en Hogarth. “Informatica en techniek waren de snelst groeiende bachelordiploma's van 2015 tot 2018, goed voor 10,2% van alle vierjarige graden die in 2018 werden verleend. Hun aantal steeg in de periode met respectievelijk 34% en 25%, terwijl het aantal andere toegekende graden graden gemiddeld 4,5% gestegen.”
Wereldwijd lopen Brazilië en India voorop in de groei van de AI-werkgelegenheid en nemen ze vandaag meer dan drie keer meer AI-talent aan dan in 2017, en evenaren of overtreffen de aanwervingsgroei van Canada en de Verenigde Staten, voegen ze eraan toe.
De gegevens over gender- en raciale diversiteit binnen organisaties in de Verenigde Staten verschillen radicaal tussen technische en niet-technische teams, in de staat Benaich en Hogarth. Er is “een enorm gebrek aan genderdiversiteit in technische teams, terwijl er een beter evenwicht wordt bereikt in product- en commerciële teams. Afro-Amerikanen en Hispanics vormen een lager aandeel van het AI-personeel dan hun aandeel in het algemene personeelsbestand, met de zwaarste daling komende van technische teams. Deze teams hebben ook het hoogste aandeel Aziatische werknemers.” Interessant is dat op mondiaal niveau “bij bijna 30% van de wetenschappelijke onderzoekspapers uit India vrouwelijke auteurs zijn, vergeleken met een gemiddelde van 15% in de VS en het VK, en veel meer dan vier procent in China.”
De durfkapitalisten wijzen op zorgen over het beheer van big data in de AI-ruimte. “Zorgvuldige gegevensselectie bespaart tijd en geld door de pijn van big data te verlichten. Werken met enorme datasets is omslachtig en duur. Het zorgvuldig selecteren van voorbeelden verzacht de pijn van big data door middelen te concentreren op de meest waardevolle voorbeelden, maar klassieke methoden worden vaak onhandelbaar bij -schaal. Recente benaderingen pakken deze rekenkosten aan, waardoor gegevensselectie op moderne datasets mogelijk wordt.”
Benaich en Hogarth wijzen op de behoefte aan betere datakwaliteitsgegevens, met name in realtime situaties, zoals het detecteren of voorspellen van levensbedreigende gebeurtenissen. Ze noemen bijvoorbeeld de dreiging van 'gegevenscascades', door Google-onderzoekers gedefinieerd als 'verergerende gebeurtenissen die negatieve, stroomafwaartse effecten van gegevensproblemen veroorzaken'. Deze onderzoekers waarschuwen “dat de huidige praktijken de gegevenskwaliteit onderwaarderen en resulteren in gegevenscascades, wijzend op factoren zoals “gebrek aan herkenning van het gegevenswerk in AI, gebrek aan adequate training, moeilijkheid om toegang te krijgen tot gespecialiseerde gegevens voor de bestudeerde regio/populatie. ” Dit vraagt om “het ontwikkelen van meetwaarden om de goodness-of-data te beoordelen, betere prikkels voor data-excellentie, betere data-educatie, betere werkwijzen voor vroege detectie van datacascades en betere datatoegang.”
Ook de VC's voorspellen dat het komende jaar de lancering kan zijn van een onderzoeksbedrijf dat zich richt op kunstmatige algemene intelligentie (AGI), “gevormd met aanzienlijke steun en een routekaart die is gericht op een verticale sector, waarbij mogelijk ontwikkelaarstools of een life science-toepassing betrokken kunnen zijn.< /p>
Verwante onderwerpen:
Enterprise Software Digitale transformatie CXO Internet of Things Innovatie Smart Cities 