Sisältö
- Keinotekoisen älykkyyden omaksuminen liiketoiminnassa
- Keinotekoisen älykkyyden omaksuminen pystysuunnissa
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Yhteistyö Cloud AI -yritysten kanssa
- johtopäätös
Lähde: Kittipong Jirasukhanont / Dreamstime.com
Ottaa mukaan:
Yritys on alkanut integroida AI: n ja ML: n toimintaan, mutta ei läheskään siinä määrin kuin monilla Internet-yrityksillä on. Näiden yritysten apu voi olla avain yritystoiminnan aloittamiseen.
Hyperscale-verkkoyritykset ovat hyppineet eteenpäin useilla koneoppimistasoilla lisääntyneellä tietojenkäsittelyn automatisoinnilla ja mallinnuksen hienostuneisuudella vuodesta 2015. Yritys on muutamaa poikkeusta lukuun ottamatta jättänyt tekoälyn käyttöön, mutta näkee Internet-yrityksissä kumppaneita, jotka voivat auttaa sitä ottaa kiinni.
Koneoppimisen mahdollisilla yrityskäyttäjillä on vielä pitkä tie kuljettavanaan sopimaan yhteen kykyjen yhdistelmät, laskennallisuus, mittakaava ja Internet-yritysten keräämien koulutusalgoritmien tietomäärät etenkin viimeisen neljän vuoden aikana. Yrityksen monissa pystysuunnissa liiketoimintaprosesseja ei ole muutettu digitaalisesti tietojenkäsittelyn automatisoimiseksi ja yrityspäätösten välittömäksi toteuttamiseksi tekoälystä saatujen käsitysten perusteella. Lisäksi useilla vertikaaleilla ei ole vielä tarkkaan määriteltyjä käyttötapauksia, jotka sopivat keinotekoisen älykkyyden kannattavaan toteuttamiseen. (Lisätietoja AI: stä liiketoiminnassa, katso IT-palveluiden hallinnan muutosten hallinnan ongelmien voittaminen AI: n avulla.)
Keinotekoisen älykkyyden omaksuminen liiketoiminnassa
Keinotekoisen älykkyyden käyttöönotto liiketoiminnassa on varhaisessa vaiheessa, etenkin kun katsomme sen kokeneita käyttäjiä, jotka ovat ylittäneet etsinnän ja pilottien, vaiheeseen, jossa he saavat liikearvoa sen käytöstä. Teknologiamediayritys O’Reilly havaitsi vuoden 2018 tutkimuksessaan ”Machine Machine Learning -oppimisen tilanne yrityksessä”, että hienostuneita käyttäjiä oli vain 15% kaikista yrityskäyttäjistä maailmanlaajuisesti ja 18% Pohjois-Amerikassa.
Ulkoisilla asiantuntemuksen lähteillä ja oppimisella on merkittävä rooli liiketoiminnan käyttäjien auttamisessa saavuttamaan koneenoppimisen tason taso, etenkin edistyneiden AI-tekniikoiden suhteen. Deloitten vuonna 2018 tekemässä tutkimuksessa todettiin, että 59% yritysostoista hankkii AI-asiantuntemuksen AI-ominaisuuksilla varustetuista yritysohjelmistoyrityksistä, 53% kehittää sitä yhdessä kumppaneiden kanssa, 49% hankkii sen pilvi-AI-yrityksiltä ja 39% kerää sen lähteeksi GitHubin kaltaisilta sivustoilta. . Cloud AI -yritykset tarjoavat AI: tä palveluna, joka säästää infrastruktuurin ja kykyjen kehittämisen kustannuksia ennakolta.
AI: n edistyneelle kehittämiselle pilvipalveluyritykset ovat tärkeämpi asiantuntijalähde. Kolmekymmentäyhdeksän prosenttia yrityksistä vastaajista piti pilvipalveluyrityksiä edistyneen AI-lähteenä verrattuna paikalla toimitettavien ohjelmistojen 15 prosenttiin. AI palveluna on kasvanut nopealla 48%: lla.
Keinotekoisen älykkyyden omaksuminen pystysuunnissa
Puhuimme Aditya Kaulille, Tractica-tutkimusjohtajalle. Teollista älykkyyttä ja robotiikkaa keskittyvä teollisuusanalyytikkoyritys on erikoistunut. Kaul on tutkinut tekoälyn käyttöönottoa 30 pystysuunnassa yli 300 käyttötapauksessa yrityksissä ympäri maailmaa. "Televiestintä ja rahoituspalvelut ovat olleet johtajia AI: n omaksumisessa, ja he aloittivat varhaisessa vaiheessa alkeellisemmilla tilastollisilla tekniikoilla jo 1980-luvulla", Kaul kertoi. "Hyödyntäminen vähittäiskaupassa, autoteollisuudessa ja terveydenhuollossa on lisääntynyt viime aikoina, kun taas suurin osa yrityksestä on vielä alkuvaiheessa", hän lisäsi, "Horisontaaliset yrityspalvelut, kuten CRM, toimitusketju ja HR, ovat laajentaneet AI on nopea, koska sen ennustavat kyvyt auttavat tunnistamaan näkymät, kuluttajien kysynnän trendit ja lahjakkaat työntekijät. ”
"Monimutkaisten ja heterogeenisten ohjelmistopohjaisten verkkojen seuranta, synkronointi ja optimointi on kriittinen käyttötapa telekommunikaatioalalla", Kaul oletti. "Autojen ääniassistentit ovat nousseet autoteollisuudessa korostaen yhä enemmän palveluiden henkilökohtaistamista autossa", hän totesi. Hän kertoi meille myös, että "pankkisektori käyttää keinotekoista älykkyyttä asiakaspalveluun, mukaan lukien chatbotit, kun he kohtaavat kovaa kilpailua pienemmistä Internet-pankeista sen lisäksi, että käyttävät sitä petosten havaitsemiseen, lainananalyyseihin ja muihin taustatoimintoihin."
Vaikka terveydenhuoltoalalla on valtavia mahdollisuuksia, se oli jäänyt aivan viime aikoihin asti tietojen käytön esteiden takia. ”Useat venture-tukemat start-up-yritykset ovat nyt keskittyneet koneoppimiseen kliinisissä tutkimuksissa nopeuttaakseen lääkkeiden löytämistä”, Kaul paljasti.
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Vähittäiskaupat ovat nopeuttaneet investointeja koneoppimiseen, kun ne saavuttavat osaamisen ennustaa kysyntää ja tarjontaa oikein. Saksalainen vähittäiskauppias Otto laski yli 2 miljoonalla tuotteella vuodessa ja ylimääräisellä varastossa 20 prosenttia käyttämällä syväoppimoalgoritmeja asiakkaiden ostojen ennustamiseen, kertoo McKinsey. Sen AI-moottori tilaa nyt itsenäisesti 200 000 tuotetta kuukaudessa, koska se voi ennustaa, mitä Otto myy seuraavien 30 päivän aikana 90% tarkkuudella. (Etkö ole varma, kuinka AI sopisi yritykseesi? Katso 5 tapaa, jotka yritykset saattavat haluta harkita AI: n käyttöä.)
Yhteistyö Cloud AI -yritysten kanssa
Hyperscale cloud AI -yritykset ovat olleet halukkaita tekemään yhteistyötä yritysasiakkaiden kanssa edistääkseen tekoälyn taitojaan, mutta he ovat epävarmoja siitä, miten tehdä yhteistyötä yritysohjelmistoyritysten kanssa, jotka ovat välttämättömiä taustan putkistolle. ”Pilvipalveluyritykset ovat olleet anteliaita yritysasiakkaille ilmaisilla ilmaisillaan, joihin sisältyy vapaa pilvipalveluaika, konsultointi ja koulutusresurssit”, Kaul huomautti.
Koska pilvi-AI-yritykset, kuten Google, ovat siirtyneet nopeasti käsin suunnitelluilta algoritmeilta vuonna 2015 syvälle oppimiseen vuonna 2016 ja viime aikoina edistyneempiin algoritmeihin, kuten vahvistusoppimiseen, ne pystyvät neuvomaan varhaisia käyttäjiä siitä, miten edetä matkallaan AI-oppimiseen kypsyys.
"AI: n kustannukset ovat myös laskussa, kun nähdään ennakkoharjoitettujen mallien, merkittyjen tietojoukkojen saatavuuden lisääntyminen ja pilvi-AI-hinnoittelun yleinen lasku", Kaul selitti."Samanaikaisesti tietojen käsittelyyn, syöttämiseen, tietojen valmisteluun ja merkitsemiseen kuluvaa aikaa, joka on 90% kaikista ponnisteluista, on lyhennetty tekniikoilla, kuten AutoML, joka automatisoi nämä prosessit", hän lisäsi. Nvidia, hyperscale cloud AI -yritysten kumppani, on pakattu GPU: t (graafiset prosessointiyksiköt) yritykselle. "Nvidia on siirtynyt kohdentamaan tietodatan ja analytiikan käyttötapauksia yrityksessä, joka nopeuttaa suurten analyyttisten mallien koulutusta verrattuna CPU: iin (keskusyksiköt)", Kaul selitti.
Enterprise-ohjelmistoyritysten on löydettävä tapa sovittaa pilvipalveluyrityksiä etenkin kun ne tuovat markkinoille uusia ominaisuuksia, joista tulee osa yritystoiminnan rakennetta. "Chatbotit ja tietokoneiden visioominaisuudet kuvan tunnistamiseen mahdollistetaan syvällä oppimisella, joka lisää AI: n arvoa", Kaul totesi. "Itse ohjelmistoa ei enää enää koodata, mutta se mukautuu datan ja analytiikan tarpeisiin", hän lisäsi. Tähän mennessä ei ole riittävästi todisteita sen osoittamiseksi, että yritysohjelmistoyritykset, muutamaa poikkeusta lukuun ottamatta, kuten Microsoft, voivat kiinni pilvi-AI-yrityksissä algoritmeissa. Kaikilla viitteillä pilvi-AI-yritysten ja yritysohjelmistoyritysten välisiä uusia sitoutumista koskevia ehtoja ei kuitenkaan ole vielä ratkaistu.
johtopäätös
Koneoppiminen keksii yrityksen uudelleen, koska se määrittelee itse yritysohjelmiston uudelleen. Yritys mukautuu nopeammin ulkoiseen liiketoimintaympäristöön automatisoimalla tietojenkäsittely ja nopeammin toteuttamalla liiketoimintapäätöksiä perustuen oivalluksiin, jotka saadaan algoritmeista, jotka lyhentävät aikaa oppia datasta. Enterprise-ohjelmistot kehittyvät ja määritetään uudelleen useammin algoritmien pysymiseksi.
