8 февраля 2019 г.
В течение многих лет термины искусственный интеллект (ИИ) и машинное обучение (МО) быстро отвергались как просто маркетинговая шумиха и шумиха. Казалось, что для каждой новой технологии где-то работал искусственный интеллект. Некоторые использовали настоящий ИИ. Однако многие из них были просто механическими турками, о которых рынок знал. Дело в том, что ИИ и машинное обучение существовали, но они еще не созрели, и организации еще не поняли, как именно они могут принести пользу своему бизнесу, во многом подобно тому, как рынок в настоящее время рассматривает развивающийся стандарт 5G. Они знают преимущества, но как именно они могут поставить резину на дорогу для своего бизнеса, все еще определяется.
AI и ML созрели, и теперь известно, как они могут помочь компаниям, организациям и отраслям, и интерес к ним растет. ИИ и машинное обучение были созданы для обработки огромных объемов данных быстрее и с большей точностью, чем любой человек или команда. Деловой мир создает невероятное количество данных. Ожидается, что к 2021 году только Интернет вещей (IoT) будет создавать 847 зеттабайт данных в год. Это составляет примерно 2,3 зеттабайта в день. Чтобы представить это в масштабе, который люди используют ежедневно, 2,3 зеттабайта составляют 2,3 триллиона гигабайт. Это астрономическая сумма. Нет смысла собирать хоть один байт данных, если их нельзя проанализировать и немедленно превратить в полезную информацию, которая может помочь бизнесу принимать эффективные решения. Опять же, это работа, для которой были созданы AI и ML.
Прежде чем организация сможет начать работу с огромными озерами данных, ей необходимо знать две вещи: 1) какую цель мы хотим, чтобы ИИ достиг для бизнеса, т. е. как выглядит успех? 2) Есть ли у нас данные, подтверждающие это? Если у какой-либо организации есть положительные ответы на эти два вопроса, то AI/ML подходит именно ей. Следующий шаг — поиск «места».
AI и ML требуют много двух вещей: вычислений и хранения. Инвестиции в эти инфраструктуры и ресурсы требуют больших капиталовложений и могут оказаться рискованными. Но есть гибкая масштабируемая альтернатива — облако. CSP могут легко предоставить вычислительную инфраструктуру и инфраструктуру хранения, необходимую для поддержки любой инициативы в области искусственного интеллекта или машинного обучения, экономически эффективным способом, который не требует огромных предварительных инвестиций. Он также может масштабироваться вверх или вниз для точного удовлетворения бизнес-потребностей организации в любой момент времени, сохраняя операции как можно более экономичными.
Платформы искусственного интеллекта, такие как IBM Watson, отлично подходят для того, чтобы помочь организациям запустить свои проекты искусственного интеллекта и начать обеспечивать рентабельность инвестиций. Однако с Watson приходится учиться. Не только для самого Watson, поскольку он начинает учиться и тренироваться на основе данных, но и для персонала, который должен им управлять (да, даже с появлением ИИ люди будут всегда нужный). Необходимый опыт в области науки о данных, необходимый для определения функций и создания успешных моделей машинного обучения, будет трудно найти.
Если вам интересно узнать, как ваша организация может начать использовать достижения Индустрии 4.0 и цифровую трансформацию экономичным и управляемым образом, свяжитесь с нами сегодня!
Дрю Вудс
Старший менеджер по маркетинговым коммуникациям
Ключевые информационные системы
