Γιατί οι εταιρείες δαπανούν περισσότερα για τεχνητή νοημοσύνη

pixabay.com

του Jonathan Vanian

Οι εταιρείες δαπανούν περισσότερα χρήματα σε μεγάλα έργα τεχνητής νοημοσύνης για να βοηθηθούν στον εντοπισμό επιχειρηματικών τάσεων, μεταξύ άλλων.

Λίγο περισσότερες από τις μισές επιχειρήσεις δήλωσαν ότι θα δαπανήσουν από 500.000 έως 5 εκατομμύρια δολάρια για πρωτοβουλίες τεχνητής νοημοσύνης φέτος, από 34% το 2020, σύμφωνα με έρευνα που δημοσιεύθηκε την Τρίτη από την εταιρεία σήμανσης δεδομένων Appen.

Αν και ορισμένες εταιρείες έχουν σταματήσει τα πρότζεκτ τεχνητής νοημοσύνης κατά το τελευταίο έτος λόγω της πανδημίας του COVID-19, η έρευνα της Appen δείχνει ότι ορισμένες επιχειρήσεις δαπανούν στην πραγματικότητα περισσότερα. Ένας λόγος μπορεί να είναι ότι οι εταιρείες εκπαιδεύουν πλέον συχνότερα τα μοντέλα μηχανικής μάθησης – μια μεγάλη δαπάνη λόγω της απαιτούμενης υπολογιστικής ισχύος.

Η έρευνα διαπίστωσε ότι το 87% των εταιρειών σχεδιάζουν να ενημερώσουν τα μοντέλα μηχανικής μάθησης – ουσιαστικά, τους τύπους βάσει των οποίων κάνουν προβλέψεις αναφορικά με τα δεδομένα – τουλάχιστον κάθε τρίμηνο το 2021, από 80% πέρυσι. Εντωμεταξύ, το 57% των επιχειρήσεων δήλωσαν ότι σχεδιάζουν να ενημερώνουν τα μοντέλα τους ακόμη πιο συχνά – μηνιαίως – έναντι 45% πέρυσι.

Ο αντιπρόεδρος μάρκετινγκ της Appen, Sid Mistry, εξήγησε ότι η πανδημία είναι πιθανότατα υπεύθυνη για την αυξημένη εκπαίδευση δεδομένων. Πριν από ένα χρόνο, για παράδειγμα, η εταιρεία παράδοσης ειδών παντοπωλείου Instacart δήλωσε στο Fortune ότι είχε αρχίσει να εκπαιδεύει τα συστήματα τεχνητής νοημοσύνης της πιο συχνά μετά την αλλαγή της συμπεριφοράς των πελατών κατά τη διάρκεια του COVID-19. Για παράδειγμα, οι αγοραστές αγόρασαν πολύ περισσότερο χαρτί υγείας και τα αποθέματα των καταστημάτων έφτασαν σε οριακό επίπεδο.

Ο Paul Cormier, διευθύνων σύμβουλος της εταιρείας επιχειρηματικού λογισμικού Red Hat που ανήκει στην IBM, δήλωσε επίσης στο Fortune ότι έπρεπε να αναθεωρήσει τα μοντέλα πρόβλεψης πωλήσεων και κατάρτισης προϋπολογισμού, επειδή τα ιστορικά και αναλυτικά δεδομένα που χρησιμοποιούσε προηγουμένως ήταν πλέον παρωχημένα.

«Σκεφτείτε μια εταιρεία όπως η DoorDash», είπε ο Mistry για την εταιρεία παράδοσης φαγητού που είχε τεράστια εισροή παραγγελιών κατά τη διάρκεια της πανδημίας. «Το μοντέλο σας από τον Ιανουάριο έχει εκλείψει τον Μάιο ή τον Ιούνιο».

Η αυξημένη συχνότητα εκπαίδευσης δεδομένων οδηγεί επίσης σε αυξημένες δαπάνες για βοηθητικές δραστηριότητες όπως η συλλογή και σήμανση δεδομένων.

Ιδού ορισμένα άλλα σημαντικά σημεία της έρευνας, η οποία βασίστηκε σε 501 απαντήσεις στελεχών και επιστημόνων εταιρικών δεδομένων:

  • Οι περισσότερες εταιρείες βλέπουν την «υπεύθυνη τεχνητή νοημοσύνη», έναν όρο που αναφέρεται στον μετριασμό των κοινωνικών βλαβών που προκαλούνται από την τεχνητή νοημοσύνη, μέσα από το πρίσμα της «διαχείρισης κινδύνου» και όχι μέσα από εκείνο της δικαιοσύνης ή της ηθικής. Η διαπίστωση υποδηλώνει ότι οι επιχειρήσεις ανησυχούν περισσότερο για τους πιθανούς νομικούς κινδύνους της τεχνητής νοημοσύνης παρά για τις αλτρουιστικές αρχές.
  • Ο νούμερο 1 λόγος για τον οποίο οι εταιρείες επενδύουν στην τεχνητή νοημοσύνη είναι η «υποστήριξη των εσωτερικών λειτουργιών πληροφορικής». Ο δεύτερος είναι η «βελτίωση της κατανόησης των εταιρικών δεδομένων», ακολουθούμενη από τη «βελτίωση της παραγωγικότητας και της αποδοτικότητας των εσωτερικών εταιρικών διαδικασιών».
  • Οι εταιρείες μικρού και μεσαίου μεγέθους είναι πιο πρόθυμες από τις μεγαλύτερες να μοιραστούν δεδομένα με άλλους «με την κατάλληλη ασφάλεια και προστασία της ιδιωτικότητας». Αυτό είναι σημαντικό στον βαθμό που δείχνει ότι οι μεγαλύτερες εταιρείες είναι λιγότερο πρόθυμες να μοιραστούν τα δεδομένα λόγω φόβων ότι κάτι τέτοιο θα ωφελήσει τους ανταγωνιστές τους.