Data science

เอาชนะความท้าทายด้าน AI 7 ประการในปี 2564

AI ได้กลายเป็นทรัพยากรที่ขาดไม่ได้สำหรับธุรกิจจำนวนมากใน 2020 ท่ามกลางความท้าทายของ COVID- 19 แม้จะมีความตึงเครียดทางเศรษฐกิจ 61% ของบริษัทที่มีประสิทธิภาพสูงลงทุนใน AI มากขึ้น 2020 ในขณะที่การฟื้นตัวจากการสูญเสียจากโรคระบาดกำลังดำเนินไป ผู้คนจำนวนมากขึ้นอาจหันมาใช้ AI เพื่อเสริมความแข็งแกร่งให้กับการเปลี่ยนแปลงทางดิจิทัล การลงทุนที่เพิ่มขึ้นใน AI สามารถช่วยให้เศรษฐกิจฟื้นตัวเร็วขึ้น แต่ก็มีความเสี่ยงอยู่บ้าง ดังนั้น 2021 อาจเป็นจุดเปลี่ยนสำหรับเทคโนโลยี เนื่องจากธุรกิจต่างๆ ต่างพยายามแก้ไขปัญหาความท้าทายด้าน AI ที่มีมาช้านานและเพิ่งค้นพบใหม่ ต่อไปนี้คือประเด็น 7 ข้อที่ต้องเผชิญกับการนำ AI และวิธีที่บริษัทต่างๆ จะเอาชนะปัญหาเหล่านี้ได้ 1. คุณภาพของข้อมูลไม่ดี บางทีอุปสรรคที่สำคัญที่สุดในการนำ AI มาใช้เพื่อผลกำไรก็คือความชุกของข้อมูลคุณภาพต่ำ แม้จะมีคำมั่นสัญญาที่สูงส่งเกี่ยวกับเทคโนโลยี แต่ 65% ของผู้บริหารระดับโลกกล่าวว่าพวกเขาไม่เห็นคุณค่าจากการลงทุนด้าน AI ครั้งล่าสุด คุณภาพของข้อมูลที่ไม่ดีเป็นส่วนสำคัญของปัญหานี้ เนื่องจากแอปพลิเคชัน AI นั้นดีพอๆ กับข้อมูลที่เข้าถึงได้เท่านั้น หลายบริษัทรวบรวมข้อมูลมากเกินไป ทำให้มีความซ้ำซ้อนและไม่สอดคล้องกัน การค้นหาและการใช้ข้อมูลคุณภาพสูงเป็นเรื่องของการปรับปรุงกระบวนการรวบรวมและให้ความสำคัญกับการทำความสะอาด การติดฉลาก และการจัดเก็บคลังสินค้า การเปลี่ยนแปลงเวิร์กโฟลว์เหล่านี้พร้อมกับซอฟต์แวร์การทำรายการที่ดีขึ้นจะช่วยให้บริษัทมีข้อมูลคุณภาพสูงขึ้นใน 2021 2. จรรยาบรรณของ AI ในขณะที่บริษัทต่างๆ นำ AI ไปสู่กระบวนการต่างๆ มากขึ้น จริยธรรมจึงกลายเป็นข้อกังวลเร่งด่วน AI มีแนวโน้มที่จะขยายและนำความเชื่อถือทางวิทยาศาสตร์มาสู่อคติของมนุษย์ โดยทำให้เกิดเงาดำเหนือศักยภาพในการประยุกต์ใช้การตัดสินใจ โชคดีที่นี่ไม่ใช่ปัญหาหากไม่มีคำตอบ ความตระหนักที่เพิ่มขึ้นเกี่ยวกับปัญหานี้เป็นสัญญาณที่ดี เนื่องจากขั้นตอนแรกคือการยอมรับศักยภาพของ AI ในด้านอคติ ในขณะที่บริษัทต่างๆ ฝึกฝน AI พวกเขาต้องทำงานอย่างแข็งขันเพื่อตอบโต้ข้อมูลที่มีอคติ โดยเฉพาะอย่างยิ่งการเขียนโปรแกรม AI ให้ต่อต้านอคติ ทีมยังต้องวิเคราะห์ข้อมูลการฝึกอย่างรอบคอบก่อนที่จะป้อนลงในอัลกอริทึม เพื่อให้แน่ใจว่าจะไม่นำไปสู่ข้อสรุปที่ผิดจรรยาบรรณ 3. ข้อจำกัดในการจัดเก็บข้อมูล เนื่องจาก AI มีความโดดเด่นมากขึ้น บริษัทต่างๆ จึงต้องรวบรวมและจัดเก็บข้อมูลมากขึ้น นั่นกลายเป็นปัญหา เนื่องจากเทคโนโลยีการจัดเก็บข้อมูลแบบเดิมมีจำกัดและมักมีราคาแพง ความก้าวหน้าทางเทคโนโลยีล่าสุดได้ให้โซลูชัน ตัวอย่างเช่น แฟลช QLC มีความหนาแน่น % มากกว่า TLC และมีราคาต่อกิกะไบต์ที่ต่ำกว่า นวัตกรรมอื่นๆ เช่น NVMe ก็ได้รับความนิยมเพิ่มขึ้นเช่นกัน ทำให้การจัดเก็บข้อมูลแฟลชมีราคาไม่แพงและเชื่อถือได้มากกว่าที่เคย ธุรกิจต่างๆ สามารถเปลี่ยนไปใช้แฟลชสตอเรจสำหรับแอปพลิเคชัน AI แทนการใช้ฮาร์ดดิสก์แบบปรับขนาดได้น้อยกว่าและมีราคาแพงกว่า 4. Edge AI Security Edge Computing เหมาะอย่างยิ่งสำหรับแอปพลิเคชัน AI เนื่องจากมีความหน่วงแฝงที่ต่ำกว่าและโหลดบาลานซ์ได้ดีขึ้น หลายองค์กรอาจหันไปใช้ Edge AI ใน 2021 แต่การปรับใช้เหล่านี้มาพร้อมกับความท้าทายของตนเอง สิ่งที่น่าสังเกตมากที่สุดคือ โครงสร้างพื้นฐานของเอดจ์มีความเสี่ยงต่อความเสียหายจากอุบัติเหตุ โดยเฉพาะอย่างยิ่งนอกที่ทำงาน การรักษาความปลอดภัยทางกายภาพที่เหมาะสมสำหรับโครงสร้างพื้นฐาน Edge มีสามขั้นตอน: การตรวจสอบ การควบคุม และการควบคุมดูแล เซ็นเซอร์ IoT สามารถตรวจสอบพื้นที่รอบๆ อุปกรณ์ Edge ตรวจจับและตอบสนองต่ออันตรายทางกายภาพได้ บริษัทต่างๆ สามารถควบคุมและดูแลระบบ Edge ของตนได้ด้วยเทคโนโลยีที่คล้ายคลึงกัน โดยใช้ประโยชน์จาก IoT เพื่อจำกัดการเข้าถึงโครงสร้างพื้นฐานนี้ 5. ข้อกังวลเกี่ยวกับการกำกับดูแลข้อมูล ผู้คนมีความกังวลมากขึ้นเกี่ยวกับวิธีที่บริษัทเข้าถึงและใช้ข้อมูลส่วนบุคคลของตน ธุรกิจที่ใช้ AI ที่ติดต่อกับลูกค้าจำเป็นต้องคำนึงถึงสิ่งนี้ในการปรับใช้ในอนาคต การกำกับดูแลข้อมูลอย่างมีความรับผิดชอบมีความสำคัญมากกว่าที่เคย โดยเฉพาะอย่างยิ่งเมื่อต้องเผชิญกับอาชญากรรมทางอินเทอร์เน็ตที่เพิ่มสูงขึ้น กุญแจสำคัญที่นี่คือการมองเห็นและการแบ่งส่วน บริษัทต่างๆ จำเป็นต้องตรวจสอบให้แน่ใจว่าสามารถเห็นวิธีที่อัลกอริธึม AI ใช้ข้อมูลในทุกขั้นตอนและจำกัดข้อมูลได้ การแบ่งกลุ่มจะบรรเทาผลกระทบของการละเมิด ทำให้ข้อมูลผู้ใช้ปลอดภัยที่สุด ความโปร่งใสเกี่ยวกับนโยบายการเก็บรวบรวมข้อมูลจะช่วยบรรเทาความกังวลของลูกค้าเกี่ยวกับ AI 6. ปัญหาคอขวดของ CPU เนื่องจากความต้องการด้านคอมพิวเตอร์และแอปพลิเคชันเพิ่มขึ้น นักพัฒนาจึงต้องเผชิญกับปัญหาคอขวดของ CPU เห็นได้ชัดว่ากฎของมัวร์อาจไม่ผ่านจุดใดจุดหนึ่ง เนื่องจากทรานซิสเตอร์จะมีขนาดเล็กมากเท่านั้น ข้อจำกัดเหล่านี้เป็นสิ่งกีดขวางบนถนนในความก้าวหน้าของ AI แต่บริษัทต่างๆ อาจเอาชนะมันได้ด้วยการเลี่ยงซีพียู เนื่องจาก GPU สามารถดำเนินการแบบขนานกับชุดข้อมูลหลายชุด จึงเหมาะอย่างยิ่งสำหรับงานการเรียนรู้ของเครื่อง แม้ว่าโปรเซสเซอร์เหล่านี้จะไม่สามารถแทนที่ CPU ได้ทั้งหมด แต่ก็สามารถจัดการกับงานวิเคราะห์ส่วนใหญ่ได้ กระบวนการ AI ใน 2021 จะพึ่งพา GPU มากขึ้น 7. การปฏิบัติตามกฎระเบียบ เนื่องจาก AI และการดำเนินงานที่เน้นข้อมูลเป็นศูนย์กลางมีความโดดเด่นมากขึ้น พวกเขาต้องเผชิญกับกฎระเบียบทางกฎหมายที่เพิ่มขึ้น ใน 2020 อย่างน้อย 19 ระบุหรือพิจารณากฎหมายความปลอดภัยทางไซเบอร์ใหม่ ดังนั้น นักพัฒนา AI และผู้ใช้จะต้องคำนึงถึงข้อจำกัดทางกฎหมาย 2021 ข้อบังคับด้านข้อมูลเป็นเรื่องใหม่และกำลังพัฒนาสำหรับบริษัทในสหรัฐอเมริกา ดังนั้นกฎเกณฑ์ต่างๆ จึงมีแนวโน้มที่จะเปลี่ยนแปลงในอีกไม่กี่ปีข้างหน้า ด้วยเหตุนี้ บริษัท AI จึงต้องมีความยืดหยุ่นและใช้มาตรฐานความเป็นส่วนตัวและการกำกับดูแลในระดับสูงก่อนที่จะกลายเป็นกฎหมาย ผู้ตรวจสอบบุคคลที่สามจะกลายเป็นที่ต้องการมากขึ้นเมื่อเผชิญกับกฎระเบียบที่เพิ่มขึ้น 2021 อาจเป็นปีที่สำคัญสำหรับ AI การระบาดใหญ่ของ COVID- อาจทำให้การเติบโตของ AI ช้าลง แต่จะ มีแนวโน้มที่จะมีผลตรงกันข้ามเมื่อมันจางหายไป AI จะขับเคลื่อนการฟื้นตัวทางเศรษฐกิจ และการยอมรับที่เพิ่มขึ้นนี้จะกระตุ้นให้นักพัฒนาและผู้ใช้ต่างก้าวผ่านความท้าทาย ด้วยเหตุนี้ 2021 อาจกลายเป็นจุดเปลี่ยนที่สำคัญสำหรับการพัฒนาและการนำ AI ไปใช้

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button