Status for kunstig intelligens er lovende, og den er i stigende grad klar til virkelige virksomheder. Men der er mangel på talent, mangel på mangfoldighed i feltet og bekymringer om håndteringen af data, der driver stadigt mere sofistikerede algoritmer.
Foto: Joe McKendrick
Dette er nogle af observationerne fra Nathan Benaich og Ian Hogarth, fremtrædende investorer i kunstig intelligens, som udgav deres fjerde årlige og tætpakkede “State of AI”-rapport, der gennemgår udviklingen på området i løbet af det seneste år. Mens rapporten fokuserer på AI-akademiet og specifikke fremskridt inden for medicin og andre områder, er der rejst vigtige udviklinger for dem, der søger at udnytte AI og maskinlæring til at komme videre i opbygningen af intelligente virksomheder. “Den under-ressourcebesparede AI-tilpasningsindsats fra nøgleorganisationer, som fremmer det overordnede område af AI, såvel som bekymringer over datasæt, der bruges til at træne AI-modeller og bias i modelevalueringsbenchmarks, rejser vigtige spørgsmål om, hvordan man bedst kan kortlægge fremskridtene i AI -systemer med hurtigt fremskridt, ”udtaler Benaich og Hogarth.
Nogle bemærkelsesværdige AI-udviklinger i løbet af det seneste år omfatter følgende:
AI er nu en del af vigtige scenarier fra det virkelige liv, herunder at blive anvendt på missionskritisk infrastruktur såsom nationale elektriske net, automatiseret optimering af supermarkedslagre, opdagelse af lægemidler og sundhedspleje. opstod som en generel arkitektur for maskinlæring, i stigende grad anvendt til naturlig sprogbehandling (NLP) og computersyn. Andre nævnte udviklinger omfatter stigningen i selvovervågning i computersyn, der kræver mindre træning, og “tekstløs” naturlig sprogbehandling baseret på Generative Spoken Language Modeling (GSLM), som muliggør “opgaven med at lære talerepræsentationer direkte fra rå lyd uden nogen etiketter eller tekst.”
Der har været rekordstor finansiering i år til AI-startups og børsnoteringer for datainfrastruktur- og cybersikkerhedsvirksomheder, der hjælper virksomheder med at ombygge til AI-first-æraen.
AI-talent er en voksende bekymring, såvel som et område med muligheder. “Computerforskere, softwareudviklere, matematikere, statistikere og dataforskere så en udvikling af deres beskæftigelse, der er langt foran den almindelige beskæftigede befolkning,” fastslår Benaich og Hogarth. “Datalogi og ingeniørvidenskab var de hurtigst voksende bacheloruddannelser i løbet af 2015 til 2018 og tegnede sig for 10,2 % af alle fireårige grader, der blev tildelt i 2018. Deres antal steg med henholdsvis 34 % og 25 % i perioden, mens antallet af andre tildelte grader steg 4,5 % i gennemsnit.”
Globalt er Brasilien og Indien førende inden for AI-beskæftigelsesvækst og ansætter mere end tre gange flere AI-talenter i dag, end de var i 2017, hvilket matcher eller overgår ansættelsesvæksten i Canada og USA, tilføjer de.
Dataene om køns- og racediversitet inden for amerikanske organisationer er radikalt forskellige mellem tekniske og ikke-tekniske teams, delstaten Benaich og Hogarth. Der er “en massiv mangel på kønsdiversitet i tekniske teams, mens der opnås en bedre balance i produkt- og kommercielle teams. Afroamerikanere og latinamerikanere udgør en lavere andel af AI-arbejdsstyrken end deres andel i den generelle arbejdsstyrke, med det alvorligste fald på vej. fra tekniske teams. Disse teams har også den højeste andel af asiatiske arbejdere.” Interessant nok, på globalt plan omfatter “næsten 30% af videnskabelige forskningsartikler fra Indien kvindelige forfattere sammenlignet med et gennemsnit på 15% i USA og Storbritannien, og langt mere end fire procent i Kina.”
Venturekapitalisterne peger på bekymringer om håndtering af big data i AI-rummet. “Omhyggelig dataudvælgelse sparer tid og penge ved at afbøde smerterne ved big data. At arbejde med massive datasæt er besværligt og dyrt. Omhyggeligt udvælgelse af eksempler afbøder smerten ved big data ved at fokusere ressourcerne på de mest værdifulde eksempler, men klassiske metoder bliver ofte uhåndterlige ved -skala. Nylige tilgange adresserer disse beregningsomkostninger, hvilket muliggør dataudvælgelse på moderne datasæt.”
Benaich og Hogarth peger på behovet for større datakvalitet, især i realtidssituationer, såsom opdagelse eller forudsigelse af livstruende hændelser. For eksempel citerer de truslen om “datakaskader”, defineret af Google-forskere som “sammensatte hændelser, der forårsager negative, downstream-effekter fra dataproblemer.” Disse forskere advarer om “at nuværende praksis undervurderer datakvaliteten og resulterer i datakaskader, hvilket peger på faktorer som “manglende anerkendelse af dataarbejdet i AI, mangel på tilstrækkelig træning, vanskeligheder med adgang til specialiserede data for den undersøgte region/befolkning. “Dette kræver” at udvikle metrics til at vurdere dataens godhed, bedre incitamenter til dataudmærkelse, bedre dataundervisning, bedre praksis til tidlig opsporing af datakaskader og bedre dataadgang. “
VC'erne også forudsige, at det kommende år kan se lanceringen af et forskningsfirma med fokus på kunstig generel intelligens (AGI), “dannet med betydelig opbakning og en køreplan, der er fokuseret på en vertikal sektor, som potentielt kan involvere udviklerværktøjer eller en life science-applikation.< /p>
Relaterede emner:
Enterprise Software Digital Transformation CXO Internet of Things Innovation Smart Cities 