Teknikvirksomheder vinder AI-løbet, fordi de forstår data bedre end andre sektorer

Kunstig intelligens driver allerede meget af den teknologi, der er med til at drive den moderne økonomi. AI er nu en væsentlig del af, hvordan vi bruger internettet, men kan også findes på børser, avancerede fabrikker og automatiserede lagre. Det begynder at køre vores biler og endda støvsuge vores gulve. Og alligevel er det kun en brøkdel af virksomheder, som har stor fordel af kunstig intelligens, der udnytter denne tilgang til at hjælpe med at levere deres produkter og tjenester.

En vigtig årsag til dette er mangel på data af høj kvalitet. Teknologigiganter som Google, Microsoft og Amazon har været i stand til at gøre store fremskridt inden for kunstig intelligens – udvikling af software til at besvare vores spørgsmål og identificere, hvad der er på vores billeder – på grund af deres omfattende dataindsamlingsoperationer. Men mange etablerede industrier, der kunne drage fordel af kunstig intelligens og avanceret robotteknologi, kæmper med at samle, administrere og bruge data på en nyttig måde.

At have pålidelige data af høj kvalitet er nøglen til at hjælpe virksomheder med bedre at forstå deres markeder og kunder og muliggøre automatiseret beslutningstagning. På infrastrukturniveau, data kan vejlede planlæggere og udviklere og hjælpe med at optimere brug og vedligeholdelse af bygninger, veje og jernbaner. Dette kan også hjælpe med at reducere kulstofemissioner ved at få vores infrastruktur til at holde længere og arbejde mere effektivt, med til at reducere spild af energi og unødvendig trafik.

Grundlaget for AI

Data er, ganske enkelt, grundlaget for kunstig intelligens. At træne AI til at udføre en bestemt opgave, du skal typisk køre prøvedata gennem dens progressive indlæringsalgoritmer, så den kan tilpasse og forbedre sin evne til at genkende mønstre og reagere i overensstemmelse hermed. Nogle AI kan så automatisere den gentagne proces med at opdage nyttig information fra nye data og endda blive bedre til at spotte mønstre end mennesker eller identificere ting, vi aldrig kunne. I nogle tilfælde, jo flere data, AI behandler, jo bedre lærer den at fungere.

Imidlertid, på trods af de potentielle fordele, forskning viser, at i nogle sektorer har så lidt som 10 % af virksomhederne låst op for denne form for avancerede analysetilgange. Industrier som telekommunikation, bilindustrien og finansielle tjenester forsøger at indhente tech-giganterne. Men mange sektorer, herunder sundhedspleje, uddannelse, regering og byggeri, er stadig ikke tæt på at nå det fulde potentiale ved at bruge data og AI.

For eksempel, at fremskynde medicinsk diagnose og gøre den mere nøjagtig kan spare 400 milliarder USD alene i den amerikanske sundhedssektor. Men de rigtige regler og incitamenter til at tilskynde nok mennesker til at dele deres medicinske data med AI-udviklere er endnu ikke på plads, og derfor mangler sektoren endnu at realisere dette potentiale.

Så hvordan kan flere virksomheder begynde at indsamle de data, der vil hjælpe dem med at få mest muligt ud af AI? Der er typisk flere centrale problemer, der kan holde virksomheder tilbage. De nødvendige data eksisterer muligvis ikke, det kan være utilgængeligt (for eksempel fordi det er privat), det kan findes for mange steder, kilder eller formater for at være nyttige. Det kan også være af begrænset kvalitet eller ikke indsamlet til brug med AI og derfor ikke have de rigtige oplysninger.

Der kan også være for meget af det. Vi hører ofte om værdien af ​​"big data", meget store datasæt, hvorfra der kan trækkes mønstre og andre nyttige indsigter. Men indsamling af flere data fører ikke altid til bedre analyseresultater og kan nogle gange være unødvendigt kompliceret og ressourcekrævende.

Disse problemer kan ofte opstå, fordi virksomheder ikke har den rigtige strategi eller ekspertise. Forskning viser, at mange virksomheder stadig mangler dedikerede datateams til at sikre, at de rigtige data er indsamlet, administreret og derefter korrekt brugt. Imidlertid, mine kolleger og jeg har for nylig udført forskning, der viser, at teknologivirksomheder med færre end 50 ansatte ofte bruger dataanalyse i høj grad. Dette tyder på, at innovative nystartede virksomheder kan være mere bevidste om værdien af ​​data og agile nok til at bruge dem effektivt sammenlignet med traditionelle store virksomheder.

Hvis de traditionelle virksomheder og andre organisationer, der kunne drage størst fordel af data og AI, ønsker at være i stand til at konkurrere, profitere og bygge en bæredygtig verden, de skal begynde at omfavne data. AI-løsninger kan kun være så gode som kvaliteten af ​​de data, de er bygget på. Det betyder, at man ansætter de rigtige mennesker og indfører de nødvendige politikker for at indsamle de korrekte data, gøre det tilgængeligt, vurdere kvaliteten og derefter tage den i brug til at udvikle AI-løsninger. Kun på denne måde vil disse organisationer være i stand til virkelig at drage fordel af den næste industrielle revolution.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.