Data science

AI: ไม่ใช่แค่เพื่อหมา FAANG ตัวใหญ่อีกต่อไป

ว่ากันว่า AI มีปัญหา 1% ซึ่งมีเพียงบริษัทเทคโนโลยีที่ใหญ่ที่สุด เช่น Facebook, Amazon, Apple, Netflixes และ Google หรือ FAANG เท่านั้นที่มีทรัพยากรที่จำเป็นในการดึงมันออกมา แต่ต้องขอบคุณความก้าวหน้าอย่างรวดเร็วของเทคโนโลยีวิทยาศาสตร์ข้อมูล การทำให้เป็นประชาธิปไตยในการประมวลผลบนคลาวด์ และความพร้อมใช้งานของข้อมูล ที่เป็นจริงน้อยลงในแต่ละวัน เราอยู่ท่ามกลางการทำให้เป็นประชาธิปไตยครั้งใหญ่ของบิ๊กดาต้าและ AI ที่เป็นประโยชน์ต่อบริษัททุกขนาดและทุกระดับวุฒิภาวะ บริษัทในอุตสาหกรรมต่างๆ ต่างตอบสนองต่อการเปลี่ยนแปลงนี้โดยเพิ่มการลงทุนใน AI จากการสำรวจของ Gartner เมื่อเดือนตุลาคม บริษัทเกือบ 80% มีโครงการ AI ที่กำลังดำเนินการอยู่ 2020 และ 75% จะดำเนินการต่อหรือเริ่มโครงการใหม่จนถึงกลาง 2021 Frances Karamouzis นักวิเคราะห์ของ Gartner กล่าวว่า “การลงทุนในองค์กรในด้าน AI ยังคงไม่เปลี่ยนแปลงแม้จะเกิดวิกฤต” IDC คาดการณ์เมื่อฤดูร้อนปีที่แล้วว่าการใช้จ่ายด้าน AI จะเพิ่มขึ้นเป็นสองเท่าในช่วงสี่ปีข้างหน้า โดยเพิ่มขึ้นจาก 1 พันล้านดอลลาร์สหรัฐ 50 2020 ถึง $80 พันล้านใน 2024 “บริษัทต่างๆ จะนำ AI มาใช้ ไม่ใช่เพียงเพราะพวกเขาทำได้ แต่เพราะพวกเขาต้องใช้” Ritu Jyoti นักวิเคราะห์ของ IDC กล่าว Deloitte Insights ประกาศว่า “เรากำลังเข้าสู่บทใหม่ในการนำเทคโนโลยี AI รุ่นปัจจุบันมาใช้” “ความสามารถกำลังก้าวหน้า การพัฒนาและใช้งานแอพพลิเคชั่น AI นั้นง่ายขึ้น และบริษัทต่างๆ ก็เห็นประโยชน์ที่จับต้องได้จากการนำไปใช้” บริษัทระบุในรายงาน State of AI ประจำปีเมื่อฤดูร้อนปีที่แล้ว “เป็นความจริงที่ไม่ใช่ทุกคนที่ใช้เทคโนโลยี AI แต่ก็ยังมีอุปสรรคและหลายคนกำลังทำงานเพื่อขยายผลประโยชน์” Deloitte กล่าวต่อ “อย่างไรก็ตาม ดูเหมือนว่าระยะ 'Early adopter' ของ AI จะสิ้นสุดลง ขณะนี้ตลาดกำลังเข้าสู่บท 'ส่วนใหญ่ในช่วงต้น' ของชุดเทคโนโลยีที่ครบกำหนดนี้” นับเป็นข่าวดีสำหรับบริษัทที่อยู่ปลายน้ำของบริษัทเทคโนโลยียักษ์ใหญ่ ซึ่งส่วนใหญ่แล้ว ทำให้เราอยู่บนเส้นทางสู่ AI ในช่วงสองทศวรรษที่ผ่านมาโดยการสร้างข้อมูลขนาดใหญ่และเทคโนโลยีการเรียนรู้ของเครื่องที่มีการประมวลผลทางสถิติแบบเทอร์โบชาร์จ ความได้เปรียบของ FAANG ทื่อ วิธีที่ Florian Douetteau ผู้ก่อตั้งและ CEO ของ Dataiku เห็นว่า “มาเฟีย FAANG” มีข้อดีในตัว โดยเฉพาะอย่างยิ่งเมื่อมีกองข้อมูลจำนวนมาก และการจ้างวิศวกรหลายพันคนเพื่อให้มั่นใจว่าข้อมูลนั้น พร้อมที่จะป้อนเข้าสู่ระบบ AI (Michael Traitov/Shutterstock) แต่ด้วยความก้าวหน้าของซอฟต์แวร์ AI ระดับองค์กรและคลาวด์คอมพิวติ้ง ข้อดีของมาเฟีย FAANG (บวกกับ Microsoft ทำให้เป็น MFAANG หรือ FAANGM หรือ GAFMAN หรืออย่างอื่น) จะผ่านพ้นไม่ได้อีกต่อไป “คุณไม่จำเป็นต้องมีข้อมูลจำนวนมากเพื่อทำสิ่งต่างๆ ให้สำเร็จ คุณไม่จำเป็นต้องมีแมชชีนเลิร์นนิงที่ซับซ้อนจริงๆ เพื่อให้ได้ผลลัพธ์” Douetteau กล่าว “เราเชื่อมั่นอย่างยิ่งว่าความสำเร็จของ AI ในองค์กรนั้นขึ้นอยู่กับจำนวนคนที่พร้อมใช้งานภายในเป็นหลัก ไม่ใช่ขนาดของข้อมูลที่คุณมี” Dataiku มุ่งเน้นความพยายามในการพัฒนาเพื่อสร้างโซลูชัน AI ระดับองค์กรที่นักวิเคราะห์ข้อมูลและธุรกิจสามารถใช้ได้ ต่างจากนักวิทยาศาสตร์ข้อมูลที่ได้รับการฝึกอบรมมาเป็นอย่างดี ผู้ใช้ที่ตั้งใจไว้ของบริษัทคือนักวิเคราะห์ที่มีความรอบรู้ใน Excel และต้องการยกระดับทักษะด้านข้อมูลของพวกเขาไปอีกระดับ ซึ่งบริษัททำในผลิตภัณฑ์ของตนโดยนำแนวทางภาพและการทำงานร่วมกันมาสู่เวิร์กโฟลว์ข้อมูล ตั้งแต่การเตรียมข้อมูลไปจนถึง การปรับโมเดลการเรียนรู้ของเครื่องให้เหมาะสม นักวิทยาศาสตร์ด้านข้อมูลอาจยังมีความจำเป็นในบางสถานการณ์ โดยเฉพาะอย่างยิ่งในฐานะโค้ชหรือที่ปรึกษาเพื่อให้คำแนะนำนักวิเคราะห์ที่มีประสบการณ์น้อย และสำหรับการสร้างแบบจำลองการคาดการณ์ที่ซับซ้อนมาก แต่ Douetteau กล่าวว่านักวิทยาศาสตร์ด้านข้อมูลในปัจจุบันมีความจำเป็นเท่านั้น % ถึง % ของเวลา กล่าวอีกนัยหนึ่งนักวิเคราะห์สามารถสร้าง 80% ถึง 50% ของทีม AI ได้ . สำหรับธุรกิจขนาดเล็ก ความสำเร็จของ AI สามารถพบได้ในอัตราส่วนของนักวิเคราะห์ 6 คนต่อนักวิทยาศาสตร์ด้านข้อมูล 1 คน เขากล่าว “บางครั้ง มีความเข้าใจผิดที่ว่า Data Science และ AI เกี่ยวกับภาพดวงจันทร์ โครงการขนาดใหญ่มาก ในขณะที่คุณสร้างผลิตภัณฑ์หรือแนวทางใหม่ที่ขับเคลื่อนด้วยข้อมูลในองค์กรของคุณ ซึ่งจะเปลี่ยนแปลงทุกอย่าง” Douetteau บอกกับ Datanami “แต่ไม่ใช่ทุกอย่างจะเหมือนกับระบบแนะนำ Netflix … ความจริงก็คือมีหลายสิ่งหลายอย่างที่คุณสามารถเริ่มต้นด้วยการมีข้อมูลเพียงเล็กน้อย มีขั้นตอนเริ่มต้นมากมายที่คุณสามารถทำได้ในแง่ของการวิเคราะห์อย่างง่ายหรือแบบจำลองข้อมูลของคุณที่อาจส่งผลกระทบทางธุรกิจได้อย่างแน่นอน” AI สำหรับ SMB (และ SMEs) อาจดูเหมือนขัดกับสัญชาตญาณ แต่บริษัทขนาดเล็กกลับมีข้อได้เปรียบในวันนี้ หากพวกเขาเป็นชาวดิจิทัล หากพวกเขาใช้ระบบไอทีของตนเอง ก็ขึ้นอยู่กับพวกเขาที่จะทำให้เข้าถึงข้อมูลได้ ซึ่งอาจเป็นเรื่องยาก แต่ถ้าพวกเขาเรียกใช้การดำเนินการในระบบคลาวด์ ข้อมูลของพวกเขาจะสามารถเข้าถึงได้จากบัคเก็ต AWS S3 หรือ Microsoft ADLS (ProStockStudio/Shutterstock) ในบางกรณี สิ่งนี้ทำให้ SMB ได้เปรียบเหนือองค์กรขนาดใหญ่กว่ามากที่จัดเก็บข้อมูลในที่เก็บข้อมูลหลายแห่ง บางครั้งระบบไฟล์และฐานข้อมูลที่อยู่ห่างไกลออกไปหลายสิบระบบ ยิ่งไปกว่านั้น บริษัทขนาดเล็กที่ใช้แอปพลิเคชัน SaaS สามารถใช้ประโยชน์จากข้อเท็จจริงที่ว่าผู้ให้บริการ SaaS เหล่านี้อาจใช้ข้อมูลที่รวบรวมของลูกค้าเพื่อสร้างความสามารถด้าน AI ที่น่าสนใจในแอปพลิเคชันของตน ซึ่งทำให้ลูกค้าเหล่านี้ได้เปรียบเหมือนฝางโดยไม่ต้องจ้างกองทัพขนาดเล็ก ของวิศวกรข้อมูลและนักวิทยาศาสตร์ข้อมูล Ryohei Fujimaki ผู้ก่อตั้งและ CEO ของ dotData กล่าวว่าเขาเห็นธุรกิจขนาดเล็กและขนาดกลาง (SMEs) ประสบความสำเร็จกับผลิตภัณฑ์ของเขามากขึ้นเรื่อยๆ ซึ่งให้ความสามารถ AutoML โดยเน้นหนักไปที่วิศวกรรมคุณลักษณะ “ก่อนหน้านี้ โมเดลอาคาร ลักษณะอาคาร เป็นเรื่องยากมาก” และโดยทั่วไปจำเป็นต้องมีนักวิทยาศาสตร์ข้อมูล “แต่วันนี้ โดยเฉพาะอย่างยิ่งสำหรับ SMEs เครื่องมืออัตโนมัติประเภทนี้สามารถช่วยในด้านเหล่านั้นได้มาก … ระบบอัตโนมัติของเราช่วยให้พวกเขาเพิ่มความเร็วของการเดินทาง AI ได้อย่างแน่นอน” Fujimaki ตั้งข้อสังเกตว่าหนึ่งในลูกค้ารายเล็กของ dotData สามารถสร้างโซลูชัน AI ได้โดยไม่ต้องลงทุนมหาศาล บริษัท Sticky.io ได้พัฒนาบริการจัดการการสมัครรับข้อมูลที่ให้บริการแก่ธุรกิจอื่นในรูปแบบ SaaS ต้องการเพิ่มความสามารถในการคาดการณ์เพื่อระบุการชำระเงินที่มีแนวโน้มว่าจะล้มเหลว “สำหรับพวกเขา บาเรียที่ใหญ่ที่สุดคือ…ทักษะ” ฟูจิมากิบอกกับดาตานามิ “บริษัทเหล่านี้เป็นบริษัทระบบคลาวด์ ดังนั้นข้อมูลจึงถูกจัดเก็บไว้ใน AWS ในด้าน AI พวกเขาไม่มีนักวิทยาศาสตร์ด้านข้อมูล ดังนั้นพวกเขาต้องการฟังก์ชัน AutoML” ผู้จัดการผลิตภัณฑ์ของ Sticky.io สามารถใช้ dotData เพื่อรวมข้อมูลและระบุคุณสมบัติที่เหมาะสมที่จะเข้าสู่แบบจำลองการคาดการณ์ แม้ว่าเขาจะไม่ได้มีความสามารถมาก่อนในด้านวิทยาศาสตร์ข้อมูล แต่นักบินก็ประสบความสำเร็จ และความเป็นผู้นำของ sticky.io ก็ตระหนักดีถึงคุณค่าที่มันนำมา “ทักษะที่สำคัญที่สุดที่ ต้องมีด้านอินพุตและเอาต์พุต” ฟูจิมากิกล่าว “ด้านอินพุตหมายความว่า…ข้อมูลต้องพร้อมสำหรับผลิตภัณฑ์ AI หากไม่มีการเข้าถึงข้อมูล ก็ไม่มีผลิตภัณฑ์ AI” องค์ประกอบสำคัญอันดับสองที่ต้องมีคือการมีผลลัพธ์ที่กำหนดไว้ หรือผลลัพธ์จาก AI ที่จะส่งผลกระทบต่อธุรกิจ แม้ว่า SME จะพัฒนาโมเดลแมชชีนเลิร์นนิงที่ยอดเยี่ยม แต่ถ้าพวกเขาไม่เชื่อมต่อกลับเข้ากับธุรกิจ โครงการก็จะล้มเหลว Fujimaki กล่าว “นั่นเป็นเหตุผลที่พวกเขาต้องตรวจสอบให้แน่ใจก่อนว่าพวกเขามีข้อมูลและผลลัพธ์ทางธุรกิจ” เขากล่าว FAANGs (รวมทั้ง Microsoft) ได้พัฒนาความเป็นผู้นำที่แข็งแกร่งใน AI ที่อาจไม่มีใครเกิน แต่กระแส AI ที่เพิ่มขึ้นกำลังยกเรือทุกลำตั้งแต่เรือยอชท์ขนาดใหญ่ที่สุดไปจนถึงเรือกรรเชียงเล็กที่สุด ด้วยความก้าวหน้าในซอฟต์แวร์การเรียนรู้ของเครื่องและคลาวด์คอมพิวติ้ง ตอนนี้ชิ้นส่วนต่างๆ ก็พร้อมสำหรับผู้เล่นที่ตัวเล็กที่สุดแล้วที่นำ AI มาใช้กับธุรกิจของพวกเขา รายการที่เกี่ยวข้อง: การเปิดเผยปัญหา 1% ของ AI ทำให้ AI สามเคล็ดลับในการขยายข้อมูลขนาดเล็กเพื่อการเรียนรู้เชิงลึก

วิทยาศาสตร์ข้อมูล

  • 2021การตลาด
  • Leave a Reply

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

    Back to top button