Heim Technologie-Peripheriegeräte KI Was behindert den Fortschritt der künstlichen Intelligenz? Oder ist es ein Datenproblem?

Was behindert den Fortschritt der künstlichen Intelligenz? Oder ist es ein Datenproblem?

Apr 12, 2023 pm 05:43 PM
人工智能 机器学习 数据

Eine neue Umfrage von Forrester Consulting im Auftrag von Capital One zeigt, dass ein Mangel an soliden Datengrundlagen und soliden Datenworkflows den Erfolg von Unternehmen im Bereich maschinelles Lernen und künstliche Intelligenz behindert.

Was behindert den Fortschritt der künstlichen Intelligenz? Oder ist es ein Datenproblem?

Laut einem kürzlich von Capital One veröffentlichten neuen Bericht „Umsetzbares maschinelles Lernen erzielt wichtige Geschäftsergebnisse“, obwohl Unternehmen Maschinen einsetzen Lernen (ML) und künstliche Intelligenz (KI) haben einige Erfolge bei der Einführung in die Produktion erzielt, aber sie würden größere Fortschritte machen, wenn Probleme bei der Datenverwaltung nicht im Weg stünden.

Der Bericht basiert teilweise auf einer Forrester-Umfrage unter 150 Datenmanagement-Entscheidungsträgern in Nordamerika im Juli dieses Jahres, die ergab, dass 73 % der Entscheidungsträger der Meinung sind, dass Transparenz, Nachvollziehbarkeit und Erklärbarkeit wichtig sind von Datenflüssen sind Hindernisse für maschinelles Lernen und Schlüsselthemen bei der Operationalisierung von KI-Anwendungen. Die Umfrage ergab außerdem, dass 57 % der Befragten sagten, interne Silos zwischen ihren Datenwissenschaftlern und Geschäftsbetreibern behinderten den Einsatz von maschinellem Lernen.

David Kang, Senior Vice President und Leiter Datenanalyse bei Capital One, sagte: „Wir befinden uns immer noch in einem Stadium, in dem maschinelle Lernalgorithmen selbst kein Hindernis für den Erfolg der Menschen darstellen.“ Daten! Mit der Entwicklung von Anwendungen für maschinelles Lernen und künstliche Intelligenz ist MLOps (Machine Learning Operations) zu einer eigenständigen Disziplin geworden, in die auch Capital One investiert.

Aber als dieser Bericht herauskam, waren die Datenentscheider am meisten besorgt über die mangelnden Fortschritte beim Aufbau einer soliden Datengrundlage, einschließlich Datentechnik und Dateninfrastruktur, sagte Kang.

"In mancher Hinsicht ist das enttäuschend. Aber in anderer Hinsicht ist es nicht überraschend. Denn die Nutzung von Daten in großem Maßstab erfordert einen kontinuierlichen Fokus auf das Nachdenken und Überdenken aller Funktionen im Datenökosystem – wie sie sind produziert und konsumiert, wie es überwacht wird, wie es anders verwaltet wird – die Transformation des Datenökosystems ist nicht etwas, das man einmal tut und dann vergisst 🎜#Die Ergebnisse von Capital One ähneln denen anderer neuerer Studien. Diese Studien ergaben, dass Datenverwaltungsprobleme das Tempo und Ausmaß der Einführung von maschinellem Lernen und künstlicher Intelligenz verlangsamten. Dazu gehören ein von Databricks im September in Auftrag gegebener MIT Technology Review-Bericht, der die Gefahren einer unsachgemäßen Datenverwaltung für künstliche Intelligenz hervorhob, und eine im August von Collibra in Auftrag gegebene IDC-Studie, in der festgestellt wurde, dass ein Zusammenhang zwischen Unternehmen mit „datenintelligenten“ Merkmalen besteht, z wie Datenkatalogisierung, Vererbung, Qualitätsmanagement und Governance sowie Markterfolg.

Wenn diese Studien eines gemeinsam haben, dann ist es, dass die vorhandenen Technologien für maschinelles Lernen und künstliche Intelligenz zwar immer ausgefeilter werden, die Unternehmen jedoch feststellen, dass sie einige Kernaufgaben im Bereich Datenmanagement nicht erledigt haben die notwendig sind, um diese technologischen Fortschritte zu erreichen.

Unternehmen stellen möglicherweise fest, dass eine ML- oder KI-Anwendung einen positiven Einfluss auf einen begrenzten Proof-of-Concept (POC) hat, unternehmen jedoch nicht die notwendigen Schritte, um eine reibungslose Einführung in die breitere reale Produktion sicherzustellen .

Es kann eine Weile dauern, bis die Technologie, die Sie skalieren möchten, auf dem Markt Wirkung zeigt. Die Versuchung ist immer groß, dass diese Konzepte erste Ergebnisse zeigen und sich dann plötzlich irgendwo mit einer Reihe von Datensilos und einer Reihe anderer Herausforderungen für die Data-Engineering-Infrastruktur wiederfinden.

Data Science ist noch eine recht neue Disziplin und viele Unternehmen haben Schwierigkeiten, offene Stellen zu besetzen. Der Bericht von Capital One ergab, dass 57 % der Befragten angaben, Partnerschaften nutzen zu wollen, um Lücken bei Datenwissenschaftlern zu schließen. Kang sagte, dass der Mangel an internem Fachwissen es für Unternehmen auch wichtiger mache, eine Kerndateninfrastruktur aufzubauen, was es einfacher mache, fortgeschrittenere ML- und KI-Anwendungsfälle darauf aufzubauen und einfacher zu wiederholen.

Die Umfrage von Capital One deckte auch andere Probleme auf, die die Einführung von maschinellem Lernen und künstlicher Intelligenz verlangsamen. Das Unternehmen stellte fest, dass 36 % der Befragten „große, vielfältige und verwirrende Datensätze“ als größtes Hindernis nannten und 38 % KI-Risiken als größte Herausforderung nannten. 38 % nannten Datensilos im gesamten Unternehmen und bei externen Datenpartnern eine Herausforderung für die Reife des maschinellen Lernens.

Der „Schluckauf“ beim Datenmanagement scheint die Investitionen in künstliche Intelligenz und maschinelles Lernen nicht zu bremsen (zumindest noch nicht). Die Umfrage von Capital One ergab, dass 61 % der Entscheidungsträger planen, in den nächsten drei Jahren neue Funktionen und Anwendungen für maschinelles Lernen hinzuzufügen. Mehr als die Hälfte (53 %) der Befragten priorisieren derzeit den Einsatz von maschinellem Lernen zur Verbesserung der Geschäftseffizienz.

Wofür nutzen Unternehmen also maschinelles Lernen? Hier ist ein weiterer interessanter Hinweis aus der Umfrage: Die automatisierte Anomalieerkennung ist der häufigste Anwendungsfall für maschinelles Lernen, wobei 40 % der Befragten dies als ihren häufigsten Anwendungsfall angeben. Dies fand großen Anklang bei Kang, der Capital One beim Aufbau eines auf maschinellem Lernen basierenden Anomalieerkennungssystems half.

Weitere Top-Anwendungsfälle für ML und KI sind: automatisierte Anwendungs- und Infrastrukturaktualisierungen (39 %) und die Erfüllung neuer Regulierungs- und Datenschutzanforderungen für verantwortungsvolle und ethische KI (39 %).


Das obige ist der detaillierte Inhalt vonWas behindert den Fortschritt der künstlichen Intelligenz? Oder ist es ein Datenproblem?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
2 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Repo: Wie man Teamkollegen wiederbelebt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Abenteuer: Wie man riesige Samen bekommt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet Jun 28, 2024 am 03:51 AM

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag Jun 10, 2024 am 11:08 AM

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Sieben coole technische Interviewfragen für GenAI und LLM Sieben coole technische Interviewfragen für GenAI und LLM Jun 07, 2024 am 10:06 AM

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft Jun 11, 2024 pm 03:57 PM

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Jul 25, 2024 am 06:42 AM

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen Jul 17, 2024 pm 06:37 PM

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Fünf Schulen des maschinellen Lernens, die Sie nicht kennen Fünf Schulen des maschinellen Lernens, die Sie nicht kennen Jun 05, 2024 pm 08:51 PM

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Das 70B-Modell generiert 1.000 Token in Sekunden, das Umschreiben des Codes übertrifft GPT-4o, vom Cursor-Team, einem von OpenAI investierten Code-Artefakt Das 70B-Modell generiert 1.000 Token in Sekunden, das Umschreiben des Codes übertrifft GPT-4o, vom Cursor-Team, einem von OpenAI investierten Code-Artefakt Jun 13, 2024 pm 03:47 PM

Beim Modell 70B können 1000 Token in Sekunden generiert werden, was fast 4000 Zeichen entspricht! Die Forscher haben Llama3 verfeinert und einen Beschleunigungsalgorithmus eingeführt. Im Vergleich zur nativen Version ist die Geschwindigkeit 13-mal höher! Es ist nicht nur schnell, seine Leistung bei Code-Rewriting-Aufgaben übertrifft sogar GPT-4o. Diese Errungenschaft stammt von anysphere, dem Team hinter dem beliebten KI-Programmierartefakt Cursor, und auch OpenAI beteiligte sich an der Investition. Sie müssen wissen, dass bei Groq, einem bekannten Framework zur schnellen Inferenzbeschleunigung, die Inferenzgeschwindigkeit von 70BLlama3 nur mehr als 300 Token pro Sekunde beträgt. Aufgrund der Geschwindigkeit von Cursor kann man sagen, dass eine nahezu sofortige vollständige Bearbeitung der Codedatei möglich ist. Manche Leute nennen es einen guten Kerl, wenn man Curs sagt

See all articles