Consulente aziendale digitale indipendente
Coloro che hanno lavorato a progetti di Machine Learning (ML) sanno che ML richiede una grande quantità di dati per addestrare gli algoritmi risultanti. Alcuni direbbero che non puoi mai avere troppi dati. Di solito esiste una correlazione tra la quantità di dati e la sofisticazione del modello ML risultante. Questa fame di dati diventerà sempre più intensa man mano che l’IA avanza verso nuovi pool di benefici sfruttando allo stesso tempo capacità di AI più sofisticate. Dal momento che ci sono altre tendenze che contribuiscono alla sofisticazione dell’intelligenza artificiale, la domanda che incombe alle organizzazioni è: “hanno i dati giusti per alimentare gli sforzi di intelligenza artificiale di successo?” Se non ne hanno abbastanza, dovrebbero inventare di più in previsione della festa dell’IA?
Non è probabile che tutti quei big data che le organizzazioni hanno accumulato siano i dati corretti, ma capire dove sta andando l’IA darà a un’organizzazione un “vantaggio” sull’abbattimento e la raccolta di più dati corretti mentre l’IA progredisce nei prossimi decenni.
La progressione dell’IA cambia il gioco dei dati
Mentre ML richiede quantità significative di dati per auto-modificarne il comportamento, l’appetito dell’IA aumenta rapidamente man mano che aumenta la raffinatezza delle capacità dell’IA. C’è un grande passo dall’apprendimento automatico al Deep Learning (DL) in quanto DL richiede molti più dati di ML. Il motivo è che il DL è in genere in grado di identificare le differenze concettuali solo con gli strati delle reti neurali. DL determina i limiti dei concetti quando esposto a milioni di punti dati. DL consente alle macchine di rappresentare concetti tramite reti neurali come fa il cervello umano, consentendo così una soluzione dei problemi più complessa. L’intelligenza artificiale può anche lavorare su problemi più fuzzi in cui le risposte sono più incerte o ambigue. Si tratta in genere di problemi di giudizio o di riconoscimento che possono estendersi alla creazione o ad altre attività intelligenti. Ciò richiede ancora più dati,
Il passaggio da Data-Driven a Outcome Driven
Man mano che l’intelligenza artificiale aumenta nella sofisticazione dei problemi che assiste o risolve, diventerà basata sui dati e basata sugli obiettivi / risultati. Ciò significa che l’IA può richiedere al volo i dati necessari per risolvere un problema specifico o effettuare una detrazione specifica, complicando così la gestione dei dati. Può comportare l’interazione di porzioni induttive guidate dai dati di una soluzione con i bisogni deduttivi di dati basati su un’ipotesi per raggiungere un obiettivo. Questo tipo di interazione dinamica è necessaria per problemi orientati ai risultati. È molto diverso dal solo interrogare i dati alla ricerca di eventi e schemi interessanti. Gli approcci basati sulle decisioni si inseriscono proprio nel mezzo di questi due approcci distinti. Alcune decisioni sono focalizzate a livello operativo e migliorate abbinando i dati ai risultati. Decisioni più strategiche prenderanno in considerazione approcci sia induttivi che deduttivi. Questo è solo un altro canale di domanda per aumentare l’utilizzo dei dati.
Il problema del mutamento ha bisogno di dati di impatto
L’ambito delle soluzioni di intelligenza artificiale inizierà in genere a ridursi e passerà a un ambito più ampio nel tempo, richiedendo quindi più dati. Le soluzioni complesse in genere mirano a più di una risposta e richiedono più dati per supportare i set di soluzioni tributarie, contribuendo a un risultato complesso / ibrido. Poiché l’ambito delle decisioni, delle azioni e dei risultati comprende più contesti all’interno e all’esterno di un’organizzazione, sarà necessario ottenere più dati per comprendere ogni contesto e le loro interazioni. Ognuno di questi contesti potrebbe cambiare e trasformarsi a velocità diverse, quindi richiedere ancora più dati.
È chiaro che più dati saranno il segno distintivo delle soluzioni assistite dall’IA. L’appetito dei dati potrebbe derivare da problemi più impegnativi, dall’aumentata leva dell’intelligenza artificiale / dell’analisi avanzata o dalla crescente catena del valore end-to-end. Una cosa è certa. Le organizzazioni dovrebbero prepararsi al nuovo mondo di “AI / Data Interaction”. Potrebbe cambiare o estendere politiche, metodi, tecniche o tecnologie di gestione dei dati. Fare riferimento alla Figura 1 per vedere le possibilità di interazione.
