物联网开发

人工智能不能普及的原因是什么

  随着各行各业的公司认识到采用人工智能不再仅仅是一种选择的理想,问题曾经转移到如何简化其采用和施行。换句话说,在管理经过物联网(IoT)搜集的一切数据的范围和复杂性方面,如何突破复杂的人工智能世界中的宏大障碍,并应用它所提供的不可承认的优势?


人工智能不能普及


  毫无疑问,当每个行业都在与范围停止一场失败的战役时,这的确是一个小时的需求——来自数百万(有时是数十亿)传感器、工具和设备的数据流的绝对范围。


  固然谷歌和Facebook等巨头有足够的预算来投资人工智能、机器学习并应用其优势,但普通公司如何从人工智能中分得一杯羹?


  目前,一切数据都只是在积聚,简直没有做任何事情来转化为可用的情报。因而,数据和人是孤立的——不只如此,迄今为止,任何数据剖析的尝试通常都是从极端短视的角度动身的。也就是说,它是用一个工具或一个团队完成的,结果是一个人收到了一个更大范围的十分本地化的视角。例如,结果仪表板不包含洞察力来源的痕迹,并且在流程的一个阶段生成的数据表很可能无法用于更下游的任何流程。


  每个人都在议论人工智能和机器学习的群众化,议论向群众开放。


  不幸的事实是,正是同样的应战招致了对人工智能和机器学习的需求,障碍了其有效采用。


  让我们来看看这些应战。


  需求减少周期时间


  固然大多数行业思索投资机器学习以减少其产品/效劳的周期时间,但施行机器学习自身的周期时间相当长。例如,搜集和清算数据的过程漫长而乏味——数据科学家将大局部时间花在这项任务上。


  技艺鸿沟


  技艺短缺是简直一切行业的普遍痛点。这一应战可能是供给缺乏或可及性缺乏之一。无论如何,运用“智能”机器有助于处理问题。但是,采用这些智能机器需求另一群聪明人——数据科学家。如今,这为技艺和短缺开拓了一个全新的范畴。一方面,这些人通常技术娴熟(读起来十分昂贵)。另一方面,它们的数量少得令人痛苦(阅读保存本钱要高得多)。


  由于组织认识到在市场上坚持竞争力在很大水平上取决于机器学习和人工智能,因而对在该范畴受过培训的人员的需求宏大——远远超越供给。


  这仅仅是由于人工智能、数据科学和机器学习只要控制了所需数量的处置技术的科学家才干应用。这些科学家辨认正确的数据,选择正确的算法,并为胜利施行发明正确的条件。他们每天都要与业务利益相关者停止头脑风暴,以理解他们的需求、数据准备(搜集、清算数据并将其转换为有意义的数据)、数据建模(创立、测试和优化每个模型)和迭代(直到结果)称心)。需求可扩展的学习。


  企业采用机器学习的最大缘由之一是他们需求处置从传感器和设备涌入的大量数据。对此的下认识反响是自动化处置这些数据。但是,这种数据处置通常是由人类指导或锻炼的——这就是我们所说的监视学习。


  不幸的是,这品种型的机器学习无法处理当今大多数公司面临的一系列问题——人类难以预测的问题。事实上,由于缺乏可扩展或无监视的机器学习,搅扰一切行业的20:80资产失败规则*仍未得到处理。在这品种型的机器学习中,机器自身停止学习,否则数据科学家会停止锻炼。这种学习的整个前提是机器可以检测人眼不可见的形式,因而能够检测人类无法运用手动办法预测的问题。


  总结


  人工智能不只与算法有关,还与算法产生的价值有关。因而需求是让一切相关用户可以阅读晦涩的信息环境,以取得所需的智能,这些智能可用于在他们参与的每个步骤中推进业务目的。


注:本站文章部分文字及图片来自互联网。如有侵权行为,请联系我们,我们会及时删除。