Indhold
- Vedtagelse af kunstig intelligens i erhvervslivet
- Vedtagelse af kunstig intelligens i lodrette
- Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
- Partnerskab med Cloud AI-virksomheder
- Konklusion
Kilde: Kittipong Jirasukhanont / Dreamstime.com
Tag væk:
Virksomheden er begyndt at integrere AI og ML i sine aktiviteter, men ikke næsten i det omfang, som mange internetvirksomheder har. Hjælp fra disse virksomheder kan være nøglen til vedtagelse af virksomheds AI.
Hyperscale internetfirmaer har sprunget flere niveauer af maskinlæring med stigende automatisering inden for databehandling og modellering af sofistikering siden 2015. Virksomheden, med nogle få undtagelser, har været hængende i vedtagelsen af kunstig intelligens, men ser i internetvirksomheder, partnere, der kan hjælpe det at indhente.
De potentielle virksomhedsbrugere af maskinlæring har en lang vej at gå til at matche talentpooler, computervirksomhed, skala og datamængderne til træningsalgoritmer, som internetvirksomheder har akkumuleret, især i de sidste fire år. I mange vertikale af virksomheden er forretningsprocesserne ikke blevet transformeret digitalt til automatisering af databehandling og øjeblikkelig udførelse af forretningsbeslutninger baseret på indsigt fra kunstig intelligens. Derudover har flere af de vertikale endnu ikke veldefinerede anvendelsessager, der egner sig til en rentabel udførelse af kunstig intelligens. (For mere om AI i erhvervslivet, se Overvinde it-servicestyring Ændring af ledelsens onde med styrken af AI.)
Vedtagelse af kunstig intelligens i erhvervslivet
Anvendelse af kunstig intelligens i erhvervslivet er på et tidligt tidspunkt, især når vi overvejer dets sofistikerede brugere, der har gået ud over efterforskning og piloter til et stadium, hvor de får forretningsmæssig værdi af dens anvendelse. O’Reilly, et teknologimediefirma, fandt i sin undersøgelse fra 2018, “The State of Machine Learning Adoption in the Enterprise,” at sofistikerede brugere kun var 15% af de samlede virksomhedsbrugere over hele verden og 18% i Nordamerika.
Eksterne kilder til ekspertise og læring spiller en betydelig rolle i at hjælpe forretningsbrugere med at indhente de nyeste teknikker inden for maskinlæring, især til avancerede AI-teknikker. En undersøgelse fra Deloitte fra 2018 fandt, at 59% af virksomhedskøberne erhverver AI-ekspertise fra virksomhedssoftwarevirksomheder med AI-kapaciteter, 53% co-udvikler det med partnere, 49% erhverver det fra cloud-AI-virksomheder, og 39% skaber ressourcer fra websteder som GitHub . Cloud AI-virksomheder leverer AI som en service, der sparer omkostningerne til infrastruktur og talentudvikling på stedet.
For avanceret AI-udvikling er skyvirksomheder en vigtigere kilde til ekspertise. 32 procent af erhvervsdeltagerne viste en præference for skyvirksomheder som en kilde til avanceret AI sammenlignet med 15% for on-premiss-software. AI som tjeneste er vokset med en hurtig hastighed på 48%.
Vedtagelse af kunstig intelligens i lodrette
Vi talte med Aditya Kaul, forskningsdirektør i Tractica, et brancheanalytikerfirma med fokus på kunstig intelligens og robotik. Kaul har undersøgt vedtagelsen af kunstig intelligens i 30 vertikaler til over 300 brugssager i virksomheder over hele verden. "Telekommunikation og finansielle tjenester har været de førende inden for AI-vedtagelse, og de startede tidligt med mere rudimentære statistiske teknikker, der gik tilbage så langt tilbage som i 1980'erne," fortalte Kaul os. ”Adoption inden for detailhandel, bilindustri og sundhedsvæsen er steget i nyere tid, mens størstedelen af virksomheden forbliver på et tidligt stadium af vedtagelse,” tilføjede han, ”horisontale forretningstjenester som CRM, forsyningskæde og HR har udvidet vedtagelsen af AI hurtigt som dets forudsigelsesevne hjælper med at identificere udsigter, kundernes efterspørgselstendenser og talentfulde medarbejdere. ”
"Overvågning, synkronisering og optimering af komplekse og heterogene softwaredefinerede netværk er en kritisk brugssag i telekomsektoren," antog Kaul. ”Stemmeassistenter i biler er steget i bilindustrien med en stigende accent på personaliseringen af tjenester i bilen,” bemærkede han. Han informerede os også om, at "banksektoren anvender kunstig intelligens til kundeservice, inklusive chatbots, da de står over for hård konkurrence fra mindre internetbanker, bortset fra at bruge det til svindelopdagelse, låneanalyse og andre backend-operationer."
Mens sundhedsområdet har et enormt potentiale, var den indtil for nylig hængende på grund af lovgivningsmæssige hindringer for at bruge sine data. ”Flere venture-støttede nystartede virksomheder har nu fokuseret på maskinlæring i kliniske forsøg for at fremskynde opdagelse af medikamenter,” afslørede Kaul.
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Detailbutikker har fremskyndet investeringerne i maskinlæring, da de opnår mestring i at forudsige efterspørgsel og udbud nøjagtigt. Den tyske detailhandler Otto skærer afkast med mere end 2 millioner varer om året og overskydende lager med 20% ved hjælp af dyb indlæringsalgoritmer for at forudsige, hvad kunder vil købe, ifølge en forskningsrapport fra McKinsey. Dens AI-motor bestiller nu autonomt 200.000 varer om måneden, fordi den kan forudsige, hvad Otto vil sælge i løbet af de næste 30 dage med 90% nøjagtighed. (Ikke sikker på, hvordan AI ville passe ind i din virksomhed? Tjek 5 måder, virksomheder kan overveje at bruge AI.)
Partnerskab med Cloud AI-virksomheder
Hyperscale cloud-AI-virksomheder har været villige til at samarbejde med erhvervskunder for at fremme deres kunstige intelligensfærdigheder, men de er usikre på måderne til at samarbejde med enterprise-softwarevirksomheder, der er uundværlige for backend VVS. “Cloudvirksomheder har været generøse over for virksomhedskunder med deres freebies inklusive gratis skytid, konsulent- og træningsressourcer,” observerede Kaul.
Siden cloud-AI-virksomheder som Google har lavet en hurtig overgang fra håndkonstruerede algoritmer i 2015 til dyb læring i 2016 og for nylig mere avancerede algoritmer som forstærkningslæring, er de i stand til at rådgive tidlige adoptører om, hvordan man gør fremskridt i deres rejse til AI-læring modenhed.
"Omkostningerne ved AI falder også, da vi ser øget tilgængelighed af foruddannede modeller, mærkede datasæt og en generel reduktion i cloud-AI-priser," forklarede Kaul.”Samtidig er tiden til databehandling, indtagelse, dataforberedelse og mærkning, der tegner sig for 90% af indsatsen, blevet forkortet med teknikker som AutoML, der automatiserer disse processer,” tilføjede han. Nvidia, en partner af hyperscale cloud-AI-virksomheder, har pakket deres GPU'er (grafiske behandlingsenheder) til virksomheden igen. "Nvidia har flyttet sig til målvidenskab og analytiske brugssager i virksomheden, hvilket fremskynder uddannelsen af store analytiske modeller sammenlignet med CPU'er (centrale behandlingsenheder)," forklarede Kaul.
Virksomhedssoftwarevirksomheder bliver nødt til at finde en måde at imødekomme cloud-AI-virksomheder, især da de bringer nye kapaciteter til markedet, der bliver en del af stoffet i virksomhedsvirksomheden. “Funktioner som chatbots og computersynsfunktioner til billedgenkendelse er aktiveret ved dyb læring, der udvider den værdi, som AI bringer,” hævdede Kaul. ”Selve softwaren er ikke hardkodet længere, men tilpasser sig behovene til data og analyse,” tilføjede han. Der er endnu ikke tilstrækkelig dokumentation for, at virksomhedssoftwarevirksomheder med få undtagelser som Microsoft kan indhente cloud-AI-virksomheder i algoritmer. Efter alt, hvad angår, er de nye vilkår for engagement mellem cloud-AI-virksomheder og virksomhedssoftwarevirksomheder imidlertid ikke blevet løst endnu.
Konklusion
Maskinlæring vil genopfinde virksomheden, da den omdefinerer virksomhedssoftware selv. Virksomheden tilpasser sig hurtigere til det eksterne forretningsmiljø med automatisering af databehandling og hurtigere udførelse af forretningsbeslutninger baseret på indsigt fra algoritmer, der forkorter tiden til at lære af data. Enterprise software vil udvikle sig og konfigurere oftere for at holde trit med algoritmer.
