Ресурсы искусственного интеллекта развиваются, повышая свою ценность для организаций, при этом все более актуальным становится их ответственное использование.
Согласно новому отчету Gartner «Hype Cycle for Artificial Intelligence, 2021», рынок ИИ находится в состоянии эволюции, при этом высокий процент инноваций находится на ранней восходящей стадии, называемой «инновационным триггером». Этот вывод указывает на рыночную тенденцию, согласно которой конечные пользователи ищут конкретные технологические возможности, которые часто выходят за рамки возможностей существующих инструментов ИИ.
Между тем, «умные» роботы, графы знаний, периферийный ИИ и цифровая этика относятся к тенденциям, находящимся на «пике завышенных ожиданий».
«Инновации в области ИИ развиваются быстрыми темпами, при этом необычно много технологий, входящих в Hype Cycle, достигнут стадии массового внедрения в течение двух-пяти лет, — отмечает Шубханги Вашистх, старший аналитик Gartner. — Такие инновации, как периферийный ИИ, компьютерное зрение, интеллектуальное принятие решений и машинное обучение, способны оказать преобразующее влияние на рынок в ближайшие годы».
По данным Gartner, сегодня инновации в области ИИ определяются четырьмя следующими тенденциями:
Ответственный ИИ
Считается, что повышение доверия, прозрачности, справедливости и проверяемости ИИ имеет все большее значение для заинтересованных сторон, и ответственный ИИ (responsible AI) помогает достичь этого.
«Ответственный ИИ помогает добиться справедливости, даже если в данные заложены предубеждения, завоевать доверие, хотя методы прозрачности и объяснимости развиваются, и обеспечить соответствие нормативным требованиям, преодолевая вероятностную природу ИИ», — поясняет Светлана Сикулар, вице-президент Gartner по исследованиям.
Исследовательская компания ожидает, что к 2023 г. весь персонал, нанимаемый для разработки и обучения ИИ, должен будет обладать знаниями в области ответственного ИИ.
Малые и широкие данные
Поскольку данные составляют основу успешных инициатив в области ИИ, подходы, основанные на использовании малых и широких данных (small and wide data), обеспечивают более надежную аналитику и ИИ, снижают зависимость от больших данных и обеспечивают более богатое и полное понимание ситуации.
По данным Gartner, к 2025 г. 70% организаций будут вынуждены сместить акцент с больших данных на малые и широкие данные, обеспечивая больший контекст для аналитики и делая ИИ менее требовательным к данным.
«Малые данные — это применение аналитических методов, которые требуют меньшего объема данных, но при этом позволяют получить полезные инсайты, в то время как широкие данные позволяют анализировать и объединять различные источники данных, — говорит Сикулар. — Вместе эти подходы обеспечивают более надежную аналитику и помогают достичь
Операционализация платформ ИИ
Срочная необходимость использования ИИ для трансформации бизнеса вызывает потребность в операционализации платформ ИИ. Это означает такой переход проектов ИИ от концепции к производству, чтобы на них можно было положиться для решения проблем в масштабах предприятия.
«Исследование Gartner показало, что только половина проектов ИИ переходит из пилотной стадии в производственную, а те, которые переходят, занимают в среднем девять месяцев, — говорит Сикулар. — Такие инновации, как платформы оркестровки и автоматизации ИИ (AIOAPs) и операционализация моделей (ModelOps), обеспечивают возможность повторного использования, масштабируемость и управление, ускоряя внедрение и рост ИИ».
Эффективное использование ресурсов
Учитывая сложность и масштаб данных, моделей и вычислительных ресурсов, задействованных в развертывании ИИ, инновации в этой сфере требуют максимально эффективного использования ресурсов.
Мультиопыт, композитный ИИ, генеративный ИИ и трансформеры становятся все более заметными на рынке ИИ благодаря своей способности более эффективно решать широкий спектр бизнес-задач.
