Gartner Voorspelt AI's Volgende Hoofdstuk: Kansen, Risico's en Adoptiehurdles

Machine learning en kunstmatige intelligentie zijn dichtbij het piek van opgeblazen verwachtingen in een hype-cyclus.

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

Volgens Krensky zijn ML en AI dichtbij het piek van opgeblazen verwachtingen in een hype-cyclus. Augmented en virtual reality hebben al de 'vallei van desillusie' bereikt, die volgt op de piek, en autonome voertuigen en drones waren voorbij de piek, maar hebben nog niet de bodem van de cyclus bereikt.

Toch is er nog een grote hoeveelheid onontgonnen industrie voor AI en ML. "Alleen 40 procent van top-presteerders ziet kunstmatige intelligentie als een gamechanger," zei Krensky. "Dus er is veel groenruimte binnen veel verschillende typen organisaties, zelfs hele industrieën die net hun tenen in het water steken van wat er mogelijk is met machine learning."

Een van de factoren ten gunste van AI en ML's voortgezette ontwikkeling is de afstemming tussen academische, wetenschappelijke en bedrijfskernconcepten. Meer dan 90 procent van de industrie schrijft AI- en ML-algoritmen en platforms in Python, velen gebruiken dezelfde open-source bibliotheken (Apache, TensorFlow) en dezelfde cloud-infrastructuur (AWS, Azure).

Deze afstemming leidt tot grotere synergie in de industrie, wat waardevol kan zijn bij het werven van talent in de toekomst.

Over de industrie heen is er een stroommige migratie naar de cloud, terwijl ongeveer 30 tot 45 procent AI of ML on-premises blijft draaien. In veel gevallen gelooft Krensky dat organisaties te veel uitgeven aan het bouwen van het AI- of ML-programma, goedkopere alternatieven zoals pre-getrainde modellen en cloud-infrastructuur vermijdend, wanneer de resultaten vergelijkbaar zouden zijn.

"We moeten wennen aan machine learning-infrastructuur in de cloud en een zich voortdurend ontwikkelende set van proprietaire en open-source componenten als de nieuwe norm," zei Krensky. "Elk jaar is er een nieuw open-source framework waar we twee jaar geleden niet over praatten en nu de hele tijd over praten."

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

• De staf doorgeven – De AI werkt aan de saaie deel van de taak, en de menselijke operator voltooit de rest.
• Symbiose – De AI kan de zwaktes van een mens dekken, bijvoorbeeld door enorme hoeveelheden data in seconden te verwerken.
• Augmented analytics – De AI wordt gebruikt als trainer of gids voor de menselijke operator, leverend analytics of inzichten uit de data. Een voorbeeld zou een recent AI-project kunnen zijn dat ontbrekende woorden of zinnen in oude Griekse inbeeldingen voorstelde.
• Sanity check – De AI voert de meeste functies uit, maar heeft een menselijke operator op standby om fouten op te merken. Bijvoorbeeld, een klantenservice-bot die moeilijke gevallen doorgeeft aan een mens.

In een enquête van Gartner zei de meerderheid van zakelijke leiders dat vaardigheden van personeel de grootste uitdaging was voor AI- en ML-adoptie, op 56 procent. Krensky noemde in de webinar dat de meeste ML-ontwikkelaars jong zijn, minder dan vijf jaar ervaring hebben en minder dan twee jaar in hun baan zitten.

Daarnaast ziet Gartner het succes van een project als het hebben van meerdere medewerkers met verschillende expertise. Data scientists, data engineers, ML-specialisten en domeinexperts hebben allemaal een afzonderlijke rol in de ontwikkeling van een AI- of ML-project, maar organisaties steunen vaak op data engineers met brede kennis.

De tweede grootste uitdaging was het begrijpen van de voordelen en toepassingen van AI. In de webinar aan Krensky aan dat organisaties het AI-project correct moeten managen en niet in alle gebieden investeren, maar zich richten op een paar kernzones die financieel zinvol zijn.

Datascope en -kwaliteit is de derde grootste uitdaging en een die Krensky denkt dat bovenaan de lijst moet staan. Zonder juist datamanagement, kwaliteitscontroles en datagovernance is een AI- of ML-project veel waarschijnlijker om te mislukken.