Искусственный интеллект (ИИ) все чаще становится стандартной технологией. От промышленного производства до офисных приложений и сложных CRM-решений - ИИ должен обеспечивать автоматизацию процессов везде. Тем не менее, очень немногие компании имеют опыт работы с ИИ до сих пор; технология еще реже в использовании.
Тем не менее, текущее исследование IDG показывает, что компании придают важное значение ИИ и машинное обучение. Зачастую необходимая ИТ-инфраструктура (около 46 процентов компаний) или доступ к необходимым данным (у 74 процентов компаний) доступны, но ноу-хау или соответствующие эксперты отсутствуют для приложения.
Технологические тренды 2018 года
Основные технологические тренды 2018 года в промышленности - часть 1
Семь распространенных ошибок
Потому что реализация приложений ИИ таит в себе некоторые опасности, которые необходимо предотвратить. Pegasystems, поставщик стратегических программных решений для продаж, маркетинга, обслуживания и операций, показывает, какие ошибки часто допускаются при внедрении AI.
1. Никакой реальной добавленной стоимости: многие компании планируют использовать ИИ только потому, что ИИ - реклама, а не потому, что они могут создать явную добавленную стоимость, например, за счет повышения удовлетворенности клиентов, перекрестных или дополнительных продаж, оптимизации процессов или улучшения качества.
2. Недостаток коммуникации: например, если пользователям не сообщается об использовании ИИ, они даже не знают, что они взаимодействуют с системой на основе ИИ. Это может впоследствии привести к потере доверия и отказу.
3. Недостаточная база данных. Как правило, системы ИИ определяют повторяющиеся паттерны из больших объемов данных; если базы данных недостаточно, результаты не имеют значения.
4. Слепое доверие: даже если в некоторых случаях ИТ-системы обладают удивительным «интеллектом», не все варианты использования подходят для ИИ; например, если могут быть предоставлены данные, которые не могут быть в достаточной степени оперативными.
Машинный интеллект
TU Munich основывает Мюнхенскую школу робототехники и машинного интеллекта
5. Отсутствие прозрачности: из-за большого количества влияющих факторов и методов для определения результатов ИИ, может быть трудно или невозможно понять ex post, как появился определенный результат. Однако в зависимости от применения может потребоваться обеспечить соответствующую прозрачность, например, с помощью рекомендаций по терапии.
6. Отсутствие гибкости: ИИ разработан таким образом, чтобы у специализированных отделов не было достаточных возможностей для адаптации; Однако сотрудники специализированных отделов должны иметь возможность независимо параметризовать решения ИИ, чтобы иметь возможность оперативно экспериментировать с различными сценариями.
моделирование
Искусственный интеллект в строительстве
7. Отсутствие пригодности для практики. Компании часто внедряют решения ИИ, которые хорошо работают в пилотных проектах, но плохо масштабируются на практике; используемые процессы ИИ должны давать ответы в короткие сроки в больших приложениях с многочисленными пользователями - например, в веб-инфраструктурах; Как правило, время отклика должно быть менее 50 миллисекунд.
«ИИ - новая дисциплина для многих компаний, и поэтому нельзя ожидать, что процессы будут работать так, как мы привыкли к другим технологиям. Здесь мы должны учитывать более высокую частоту ошибок », - объясняет Карстен Раст, директор Solution Consulting DACH в Pegasystems в Мюнхене. «Это говорит не об искусственном интеллекте, а об осторожном обращении. Важно, чтобы пользователи знали о подводных камнях при внедрении систем искусственного интеллекта ».
Эта статья впервые появилась на нашем партнерском портале Industry of Things.