Gartner:toekomst van AI en de uitdagingen

In een webinar schetste Gartner-directeur-analist Peter Krensky de huidige staat van machine learning en kunstmatige intelligentie, de komende vijf jaar, en enkele van de uitdagingen die waarschijnlijk van invloed zullen zijn op adoptie, ontwikkeling en implementatie.

Volgens Krensky komen ML en AI in de buurt van de piek van de opgeblazen verwachtingen in een hypecyclus. Augmented en virtual reality hebben het 'dal van desillusie' al bereikt, dat volgt op de piek, en autonome voertuigen en drones waren voorbij de piek, maar hebben de bodem van de cyclus nog niet bereikt.

Dat gezegd hebbende, er is nog steeds een groot aantal onaangeboorde industrieën voor AI en ML. "Slechts 40 procent van de toppresteerders beschouwt kunstmatige intelligentie als een gamechanger", zegt Krensky. "Er is dus veel groen binnen veel verschillende soorten organisaties, zelfs hele bedrijfstakken die zich gewoon verdiepen in wat mogelijk is met machine learning."

Een van de factoren die de voortdurende ontwikkeling van AI en ML bevorderen, is de afstemming tussen academische, wetenschappelijke en zakelijke kernconcepten. Meer dan 90 procent van de industrie schrijft AI- en ML-algoritmen en platforms in Python, velen gebruiken dezelfde open-sourcebibliotheken (Apache, TensorFlow) en dezelfde cloudinfrastructuur (AWS, Azure).

Deze afstemming leidt tot meer synergie in de hele branche, wat waardevol kan zijn bij het werven van talent in de toekomst.

In de hele branche is er een gestage migratie naar de cloud, terwijl ongeveer 30 tot 45 procent AI of ML on-premises blijft draaien. In veel gevallen is Krensky van mening dat organisaties te veel uitgeven aan het bouwen van het AI- of ML-programma, en goedkopere alternatieven vermijden, zoals vooraf getrainde modellen en cloudinfrastructuur, wanneer de resultaten vergelijkbaar zouden zijn.

"We moeten wennen aan de machine learning-infrastructuur die zich in de cloud bevindt en een steeds evoluerende set van propriëtaire en open-source componenten als het nieuwe normaal", zegt Krensky. "Elk jaar is er een nieuw open-source framework waar we het niet over hadden ongeveer twee jaar geleden en nu hebben we het er de hele tijd over.”

Kijkend naar hoe AI wordt geïmplementeerd, heeft Gartner vier modellen:

• Geef het stokje door:de AI werkt aan het vervelende deel van de taak en de menselijke operator voltooit de rest.
• Symbiose – De AI kan de zwakke punten van een mens opvangen, bijvoorbeeld door binnen enkele seconden enorme hoeveelheden gegevens te verwerken.
• Augmented analytics - De AI wordt gebruikt als een trainer of gids voor de menselijke operator, die analyses of inzichten uit de gegevens levert. Een voorbeeld hiervan zou een recent AI-project kunnen zijn dat ontbrekende woorden of zinnen suggereerde in oude Griekse gravures.
• Gezondheidscontrole - De AI voert de meeste functies uit, maar heeft een menselijke operator stand-by om op fouten te letten. Bijvoorbeeld een klantenondersteuningsbot die moeilijke gevallen doorgeeft aan een mens.

In een onderzoek van Gartner zeiden de meeste bedrijfsleiders met 56 procent dat de vaardigheden van het personeel de grootste uitdaging waren voor de adoptie van AI en ML. Krensky vermeldde in het webinar dat de meeste ML-ontwikkelaars jong zijn, minder dan vijf jaar ervaring hebben en minder dan twee jaar in hun werk zijn.

Bovendien ziet Gartner het succes van een project als het hebben van meerdere medewerkers met verschillende expertises. Datawetenschappers, data-engineers, ML-specialisten en domeinexperts spelen allemaal een duidelijke rol bij de ontwikkeling van een AI- of ML-project, maar vaak vertrouwen organisaties op data-engineers met brede kennis.

De tweede grootste uitdaging was het begrijpen van de voordelen en het gebruik van AI. In het webinar adviseerde Krensky dat organisaties het AI-project correct moeten beheren en niet op alle gebieden moeten investeren, maar zich moeten concentreren op een paar belangrijke zones die financieel zinvol zijn.

De reikwijdte en kwaliteit van gegevens is de op twee na grootste uitdaging en een uitdaging die volgens Krensky bovenaan de lijst moet staan. Zonder goed gegevensbeheer, kwaliteitscontroles en gegevensbeheer zal een AI- of ML-project veel meer mislukken.