Perché il mercato dell’IA spiegabile sta crescendo rapidamente
Alimentato dalla trasformazione digitale , sembra non esserci alcun limite alle vette che le organizzazioni raggiungeranno nei prossimi anni. Una delle tecnologie degne di nota che aiutano le aziende a scalare queste nuove vette è l’intelligenza artificiale (AI). Ma man mano che l’IA avanza con numerosi casi d’uso, c’è stato il problema persistente della fiducia: l’IA non è ancora completamente considerata dagli esseri umani. Nella migliore delle ipotesi, è sotto un attento esame e siamo ancora lontani dalla sinergia uomo-IA che è il sogno degli esperti di scienza dei dati e di intelligenza artificiale.
Uno dei fattori alla base di questa realtà sconnessa è la complessità dell’IA. L’altro è l’approccio opaco che i progetti guidati dall’IA spesso adottano per la risoluzione dei problemi e il processo decisionale. Per risolvere questa sfida, diversi leader aziendali che cercano di creare fiducia nell’IA si sono rivolti a modelli di IA spiegabili (chiamati anche XAI).
Summit Cloud in un mondo Web 3.0 Come l’edge computing guida le piattaforme che fanno convergere le esigenze di IT, operazioni e sviluppatori_Landscape
L’IA spiegabile consente ai leader IT, in particolare ai data scientist e agli ingegneri ML, di interrogare, comprendere e caratterizzare l’accuratezza del modello e garantire la trasparenza nel processo decisionale basato sull’intelligenza artificiale.
Perché le aziende stanno salendo sul treno dell’IA spiegabile
Con la dimensione globale del mercato dell’IA spiegabile stimata in crescita da $ 3,5 miliardi nel 2020 a $ 21 miliardi entro il 2030, secondo un rapporto di ResearchandMarkets , è ovvio che più aziende stanno ora salendo sul treno dell’IA spiegabile. Alon Lev, CEO di Qwak con sede in Israele , una piattaforma completamente gestita che unifica l’ingegneria dell’apprendimento automatico (ML) e le operazioni sui dati, ha dichiarato a VentureBeat in un’intervista che questa tendenza “potrebbe essere direttamente correlata alle nuove normative che richiedono a settori specifici di fornire maggiore trasparenza sulle previsioni del modello”. La crescita dell’IA spiegabile si basa sulla necessità di creare fiducia nei modelli di intelligenza artificiale , ha affermato.
MetaBeat riunirà leader di pensiero per fornire indicazioni su come la tecnologia metaverse trasformerà il modo in cui tutti i settori comunicano e fanno affari il 4 ottobre a San Francisco, in California.
Registrati qui
Ha inoltre osservato che un’altra tendenza in crescita nell’IA spiegabile è l’uso dei valori SHAP (SHapley Additive exPlanations), che è un approccio teorico del gioco per spiegare il risultato dei modelli ML.
“Stiamo vedendo che i nostri clienti fintech e sanitari sono più coinvolti nell’argomento poiché a volte sono richiesti dalla normativa per spiegare perché un modello ha fornito una previsione specifica, come è avvenuta la previsione e quali fattori sono stati considerati. In questi settori specifici, stiamo vedendo più modelli con un’IA spiegabile integrata per impostazione predefinita”, ha aggiunto.
Un mercato in crescita con problemi difficili da risolvere
Non c’è carenza di startup nello spazio AI e MLops, con un lungo elenco di startup che sviluppano soluzioni MLops tra cui Comet, Iterative.ai, ZenML, Landing AI, Domino Data Lab, Weights and Biases e altri. Qwak è un’altra startup nello spazio che si concentra sull’automazione dei processi MLops e consente alle aziende di gestire i modelli nel momento in cui sono integrati con i loro prodotti.
Con la pretesa di accelerare il potenziale di MLops utilizzando un approccio diverso, Domino Data Lab si concentra sulla creazione di sistemi on-premise da integrare con GPU basate su cloud come parte di Nexus, la sua iniziativa rivolta alle imprese realizzata in collaborazione con Nvidia come partner di lancio. ZenML di per sé offre un framework di strumenti e infrastrutture che funge da livello di standardizzazione e consente ai data scientist di iterare su idee promettenti e creare pipeline ML pronte per la produzione.
Comet è orgoglioso della capacità di fornire una soluzione MLops self-hosted e basata su cloud che consente a data scientist e ingegneri di tracciare, confrontare e ottimizzare esperimenti e modelli. L’obiettivo è fornire approfondimenti e dati per creare modelli di intelligenza artificiale più accurati, migliorando al contempo la produttività, la collaborazione e la spiegazione tra i team.
Nel mondo dello sviluppo dell’IA, il viaggio più pericoloso da intraprendere è quello dalla prototipazione alla produzione. La ricerca ha dimostrato che la maggior parte dei progetti di intelligenza artificiale non entra mai in produzione, con un tasso di fallimento dell’87% in un mercato spietato. Tuttavia, ciò non implica in alcun modo che le aziende e le startup affermate non abbiano alcun successo nel cavalcare l’onda dell’innovazione dell’IA .
Affrontando le sfide di Qwak durante l’implementazione delle sue soluzioni ML e IA spiegabili agli utenti, Lev ha affermato che sebbene Qwak non crei i propri modelli ML, fornisce gli strumenti che consentono ai suoi clienti di addestrare, adattare, testare, monitorare e produrre in modo efficiente i modelli che costruiscono . “La sfida che risolviamo in poche parole è la dipendenza dei data scientist dalle attività di ingegneria”, ha affermato.
Riducendo la durata della creazione del modello eliminando la fatica sottostante, Lev afferma che Qwak aiuta sia i data scientist che gli ingegneri a distribuire continuamente modelli ML e automatizzare il processo utilizzando la sua piattaforma.
I differenziatori di Qwak
In un mercato difficile con vari concorrenti, Lev afferma che Qwak è l’unica piattaforma di ingegneria MLops/ML che copre l’intero flusso di lavoro ML dalla creazione di funzionalità e preparazione dei dati fino alla distribuzione dei modelli in produzione.
“La nostra piattaforma è semplice da usare sia per i data scientist che per gli ingegneri e l’implementazione della piattaforma è semplice come una singola riga di codice. Il sistema di compilazione standardizzerà la struttura del tuo progetto e aiuterà i data scientist e gli ingegneri ML a generare modelli verificabili e riqualificabili. Inoltre, eseguirà automaticamente la versione del codice, dei dati e dei parametri di tutti i modelli, creando artefatti distribuibili. Inoltre, la sua versione del modello tiene traccia delle disparità tra più versioni, scongiurando dati e deriva concettuale”.
Fondata nel 2021 da Alon Lev (ex vicepresidente delle operazioni sui dati di Payoneer), Yuval Fernbach (ex specialista di ML presso Amazon), Ran Romano (ex responsabile della progettazione di dati e ML presso Wix.com) e Lior Penso (ex responsabile dello sviluppo aziendale presso IronSource), il team di Qwak afferma di aver ribaltato la corsa e l’approccio per preparare il mercato dell’IA spiegabile.
