30.08.2022  Новости, Искусственный интеллект

Согласно новому отчету Omdia «AI Viewpoint: The Challenge of Implementation», явление, когда модели искусственного проходят обучение, но так и не внедряются, или после успешной проверки оказываются разочаровывающими в производстве, является распространенным, сообщает портал Datanami. Довольно хорошо известно, что разрыв между обучением и внедрением моделей ИИ очень велик: с этой проблемой сталкивается около 80% проектов. Причины неудачного запуска могут включать дрейф модели, сокращенное обучение, предвзятость, а также более широкие бизнес-проблемы, такие как плохое управление данными или неспособность разработать эффективный бизнес-процесс, отмечает автор отчета Александр Харроуэлл, старший аналитик Omdia по передовым вычислениям и ИИ. #IMAGE_224635# Компаниям необходимо не только срочно инвестировать в аналитику данных, управление и навыки, но и изменить способы измерения успеха. Некоторые из наиболее распространенных метрик являются «мягкими» KPI — например, «привлечение клиентов» — но они более аморфны, чем «возврат инвестиций» (ROI). «Вывод может заключаться в том, что лучший способ преодолеть разрыв во внедрении — это отсеять неудачные проекты на более ранних этапах путем введения более строгих KPI», — говорит аналитик. Вот основные положения отчета: — Разрыв во внедрении остается реальностью и может даже увеличиваться. Скорость, с которой проекты ИИ проходят путь от стратегического семинара или пресс-релиза, через фазы разработки и проверки до производства, все еще ... читать далее.