Аналитика

Тенденции 2021 года в ИИ и ML, на которые необходимо обратить внимание собственникам бизнеса

Эксперты Gartner полагают, что в ближайшие годы компании-лидеры в области данных и аналитики должны будут уделять всё больше внимания влиянию ИИ в трансформации бизнес-процессов, кроме того, они будут работать над тем, чтобы сделать технологии более гибким, а ПО – универсальным. Все подходы необходимо корректировать в зависимости от изменения бизнес-моделей. Это поможет сохранить конкурентоспособность в любой отрасли экономики.

Задача технических специалистов сегодня – понимание технологических тенденций и расстановка приоритетов, исходя из потребностей и ценности бизнеса. Самая распространенная проблема в работе с ИИ и аналитическими приложениями – это проблема сортировки, обработки, хранения и защиты данных. Именно она оказывает влияние на рост популярности использования интеллектуального программного обеспечения и создает беспрецедентные условия для развития новых возможностей. Разработчики активно работают над более прогрессивными способами обработки данных, а также расширенным функционалом облачных сервисов и приложений. Это задача ставит целью создать возможность обучения для ИИ, используя максимум объема данных.

Gartner выделяет главные тенденции года в развитии машинного обучения и искусственного интеллекта.

  1. Расширенная аналитика

Ожидается, что в ближайшее десятилетие расширенная аналитика станет доминирующим фактором для бизнес-прогнозирования и для обработки данных на базе платформ ML. А одной из топовых специальностей будущего будет специалист по работе с данными и бизнес-аналитик. 

  1. Управление данными

Подразумевает не только управление данными, но и их качество, интеграцию и освоение систем управления данными. Применяется для автоматизации ручных задач и для повышения продуктивности в существующих процессах. Благодаря качественной автоматизации даже сотрудники без технических навыков будут автономными и смогут использовать специальные аналитические платформы для своих задач. Ожидается, что к концу 2022 года ручные задачи по управлению данными сократятся на 45% за счет ML и автоматизации.

  1. Универсальный ИИ

Ожидается, что к 2022 году около половины крупных новых бизнес-систем будут применять универсальный искусственный интеллект, который использует контекстные данные в реальном времени. Такой ИИ автоматизирует данные, наиболее сложные для человека, и гарантирует реализацию решений через расширенную аналитику. 

  1. Объясняемый ИИ

Работает на платформах ML, автоматически генерирует объяснение бизнес-моделей и бизнес-функционала на максимально доступном, интуитивно понятном языке.

  1. Графическая аналитика

Через несколько лет все предприятия, использующие современные технологии, будут применять данный инструмент. Это набор решений, который изучает связь между данными и объектами, которые интересны для конкретного бизнес-процесса. 

  1. Структура данных/Data Fabric

Позволяет осуществить доступ и обмен данными в распределенной среде, следовательно, сформировать единую структуру управления данными, которая обеспечивает доступ и обработку.

  1. Разговорная аналитика/ NLP

Технология анализирует сложные данные и проводит аналитику, ориентируясь на специфику бизнеса. Ожидается, что в ближайшие несколько лет 50% аналитических запросов будут генерироваться именно с помощью NLP.

  1. Коммерческие AI и ML

В ближайшие годы около 75% внедрений на базе AI и ML будут созданы как коммерческие решения, а как продукт платформ с открытым исходным кодом. ПО станет более доступным и «прозрачным», но также и более защищенным.

  1. Блокчейн

Блокчейны не могут заменить существующие технологии управления данными, но спрос на них будет расти за счет легкой интеграции этой технологии (даже при условии довольно высокой стоимости процесса интеграции).

  1. Серверы постоянной памяти

Снижают затраты и нейтрализуют сложности внедрения цифровых архитектур с поддержкой IMC. Постоянная память – это новый уровень памяти между флэш-памятью DRAM и NAND для высокопроизводительных рабочих нагрузок. Технология ускоряет доступность и время загрузки приложений, но вместе с тем не является непомерно дорогой. 

Выводы

Внедрение искусственного интеллекта не просто ускоряется, оно становится критичным. И компаниям по-прежнему не хватает опыта внедрения промышленного ИИ, а между тем, вопрос его внедрения фактически станет вопросом выживания бизнеса. Это новая отраслевая категория, которая в будущем приобретет статус обязательной.

Вот несколько факторов, которые в конечном итоге приведут к более широкому признанию категории промышленного ИИ и внедрению этой технологии в 2021 году.

  1. Растущее внимание к отраслевым промышленным задачам

В капиталоемких отраслях с годами все больше средств вкладывается в платформы и инструменты искусственного интеллекта и машинного обучения, что позволяет создавать новые сценарии использования и приложения на основе ИИ. Но эти инвестиции еще не привели к значительным результатам для бизнеса, особенно для промышленных организаций. Так почему же 2021 год должен быть другим?

Основным сдвигом в новом году станет то, что организации поймут, как ИИ можно применять для решения отраслевых промышленных задач.

  1. Снижение барьера для внедрения ИИ

Недостаток опыта в области искусственного интеллекта и собственных навыков работы с данными среди промышленных организаций долгое время был одним из самых серьезных препятствий на пути к более широкому внедрению промышленного ИИ. Ситуация в 2021 году изменится, поскольку все больше компаний развертывают целевые встроенные приложения промышленного ИИ, сочетающие науку о данных и ИИ со специальным программным обеспечением.

  1. Соотношение значений данных и объема данных

Среднее предприятие не использует от 60% до 73% собранных данных. Организациям, особенно в капиталоемких отраслях, необходимо будет переключиться с массового сбора данных на более стратегические промышленные данные, на интеграцию данных, мобильность и их доступность в рамках всего бизнеса. 

  1. Пост производительности в капиталоемких отраслях

Самым большим фактором роста промышленного ИИ станет его влияние на производительность. Промышленный ИИ позволяет внедрять решения следующего поколения, не полагаясь на крупномасштабный опыт в области науки о данных. Практически это будет выражаться в процессе создания полуавтономных и автономных процессов для сбора, агрегирования и обработки данных в реальном времени, а затем их ввода в интеллектуальные приложения.