Périphériques technologiques
IA
Apprentissage automatique : 73 % des entreprises sont perdues en survie
Apprentissage automatique : 73 % des entreprises sont perdues en survie
Tout le monde sait que l'apprentissage automatique (ML) est l'une des technologies clés de l'intelligence artificielle et une technologie d'application qui gagne progressivement en maturité. Plus précisément, cette technologie peut apporter des changements à la future science des données, permettant aux sociétés d'applications de prendre des décisions éclairées basées sur davantage d'analyses de données, améliorant ainsi l'expérience commerciale des utilisateurs.
Alors, dans quels aspects et dans quelle mesure le ML a-t-il actuellement amélioré la situation opérationnelle des entreprises ? Récemment, Forrester Consulting a mené une enquête auprès de 150 dirigeants et décideurs en matière de données d'entreprise en Amérique du Nord et a conclu à certaines performances importantes du ML dans les décisions opérationnelles commerciales. Lesquelles de ces conclusions d’enquête peuvent nous aider et en tirer des leçons ?
Examinons d'abord quelques informations clés.
- Dans le secteur touché par l'apprentissage automatique, la détection automatisée des anomalies (Anomaly Detection) est la principale tâche à réaliser dans les un à trois prochaines années
- Dans le cadre de la mise en œuvre de la technologie, les îlots de données, une faible explicabilité et une faible transparence sont des obstacles majeurs à l'avancée, ralentissant ainsi les progrès vers l'amélioration de la maturité technologique.
- Si nous pouvons nous concentrer davantage sur les résultats commerciaux et établir des partenariats avec des entreprises qui ont beaucoup de pratique et une efficacité prouvée dans la technologie ML, cela sera plus propice à la mise en œuvre de cette technologie.
Seul un quart des applications ML sont au stade de maturité
En termes de temps de développement et de sortie du machine learning, la plupart des personnes interrogées ont choisi entre 1 et 5 ans, soit un total de 72 % . Parmi eux, plus de la moitié ont déclaré que leurs applications étaient sorties dans un délai d’un à deux ans. En fait, une stratégie d’apprentissage automatique mature nécessite une période de précipitation de trois ans ou plus. Seul un quart environ des entreprises qui répondent à cette norme l’appliquent depuis plus de cinq ans, et seulement 5 % d’entre elles l’appliquent.
De plus, 53 % des personnes interrogées prévoient d'améliorer l'efficacité de leur entreprise en tirant parti du ML.
Dans la stratégie actuelle de Big Data et d'analyse des données, 46 % des personnes choisissent d'utiliser le multi-cloud (y compris le cloud privé) ; 44 % choisissent d'étudier les performances de la pile pour mieux utiliser les données pour l'architecture du modèle ; pour évoluer afin de répondre aux besoins de volumes de données croissants.
Dans les un à trois prochaines années, les principales orientations stratégiques d'application du ML sont : la détection automatique des données anormales (40 %), la réception automatique des applications transparentes et des mises à jour de l'infrastructure (39 %) et la création d'applications IA. se conformer aux nouvelles exigences réglementaires et éthiques (39 %), etc.
Résoudre les silos de données dans la gestion technique est le plus difficile
En plus des capacités techniques, l'apprentissage automatique est également confronté à des défis considérables en matière de gestion du personnel et des processus. Parmi eux, 41 % estiment que briser les silos de données internes était le plus difficile, et 39 % ont choisi de convertir les modèles académiques en produits déployables. En outre, 38 % ont choisi respectivement de réduire les risques liés à l’IA et de briser les silos de données externes, et 36 % estiment que la plus grande difficulté réside dans le traitement d’ensembles de données à grande échelle, diversifiés et chaotiques.
Qu'il s'agisse de silos de données, de transformation de modèles ou de chaos d'ensembles de données, cela reflète l'écart entre l'universitaire et la commercialisation, en particulier dans la transformation de modèles, lors de l'utilisation du ML et de son application aux cas d'utilisation. Lors de la mise à l'échelle, de nombreux les gens ont du mal à présenter clairement la transparence, la traçabilité et l’explicabilité des flux de données.
Pour cette raison, lorsque les perspectives de mise en œuvre du ML ne sont pas claires, la direction croira qu'il est difficile de voir la valeur commerciale d'une mise en œuvre commerciale basée sur l'apprentissage automatique. Et s’il n’y a pas de relation claire avec le retour sur investissement, l’intention des dirigeants d’investir dans cette technologie diminuera considérablement. 73 % des personnes interrogées estiment que l'apprentissage automatique est toujours confronté à des défis en matière de transparence, de traçabilité et d'interprétabilité des données. L'incertitude des intentions d'investissement a exacerbé les difficultés de mise en œuvre de la technologie, et un cercle vertueux n'a pas encore été formé.
Les deux tiers des décideurs continueront d'augmenter l'application du ML
Cependant, même face à de nombreux défis, les décideurs tremblent encore lorsqu'ils prennent des décisions concernant l'apprentissage automatique, mais la plupart d'entre eux les répondants L'auteur estime que l'application du ML est encore très nécessaire. Les deux tiers des décideurs (67 %) estiment qu’il est très important d’accroître l’application globale de la technologie ML pour la planification stratégique de l’organisation. 66 % des personnes interrogées pensent qu'il est important d'ajouter des capacités techniques et des applications d'apprentissage automatique à l'ensemble d'outils actuellement utilisés.
Au niveau de l'entreprise, les trois principaux domaines dans lesquels l'apprentissage automatique devrait jouer un rôle comprennent : le partage de données sur la plateforme, le suivi des flux de données au sein de l'entreprise et la conduite d'actions plus rapides.
En ce qui concerne la coopération avec des tiers, 37% des personnes interrogées ont déclaré avoir établi une coopération et avoir l'intention de développer des partenariats; 30% ont déclaré entretenir une relation de coopération, mais ne sont pas prêts à la développer. plus. Pour des partenariats approfondis. En outre, 19% et 11% des personnes interrogées ont déclaré avoir des projets de coopération ou être intéressées par une coopération au cours de l'année prochaine.
Plus de 60 % des personnes interrogées ont déclaré qu'elles utilisaient des partenariats pour compenser leurs lacunes en matière d'apprentissage automatique et le manque de personnel, indiquant que la coopération gagnant-gagnant reste un moyen important de développer cette technologie. La coopération avec des tiers ayant une expérience dans le domaine de l'apprentissage automatique peut créer une synergie dans le développement de modèles, la formation du personnel et l'exploration d'un plus grand nombre de sources de données.
Référence de l'article et source de l'image :
L'opérationnalisation de l'apprentissage automatique permet d'obtenir des résultats commerciaux clés
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Cet article vous amènera à comprendre SHAP : explication du modèle pour l'apprentissage automatique
Jun 01, 2024 am 10:58 AM
Dans les domaines de l’apprentissage automatique et de la science des données, l’interprétabilité des modèles a toujours été au centre des préoccupations des chercheurs et des praticiens. Avec l'application généralisée de modèles complexes tels que l'apprentissage profond et les méthodes d'ensemble, la compréhension du processus décisionnel du modèle est devenue particulièrement importante. Explainable AI|XAI contribue à renforcer la confiance dans les modèles d'apprentissage automatique en augmentant la transparence du modèle. L'amélioration de la transparence des modèles peut être obtenue grâce à des méthodes telles que l'utilisation généralisée de plusieurs modèles complexes, ainsi que les processus décisionnels utilisés pour expliquer les modèles. Ces méthodes incluent l'analyse de l'importance des caractéristiques, l'estimation de l'intervalle de prédiction du modèle, les algorithmes d'interprétabilité locale, etc. L'analyse de l'importance des fonctionnalités peut expliquer le processus de prise de décision du modèle en évaluant le degré d'influence du modèle sur les fonctionnalités d'entrée. Estimation de l’intervalle de prédiction du modèle
Transparent! Une analyse approfondie des principes des principaux modèles de machine learning !
Apr 12, 2024 pm 05:55 PM
En termes simples, un modèle d’apprentissage automatique est une fonction mathématique qui mappe les données d’entrée à une sortie prédite. Plus précisément, un modèle d'apprentissage automatique est une fonction mathématique qui ajuste les paramètres du modèle en apprenant à partir des données d'entraînement afin de minimiser l'erreur entre la sortie prédite et la véritable étiquette. Il existe de nombreux modèles dans l'apprentissage automatique, tels que les modèles de régression logistique, les modèles d'arbre de décision, les modèles de machines à vecteurs de support, etc. Chaque modèle a ses types de données et ses types de problèmes applicables. Dans le même temps, il existe de nombreux points communs entre les différents modèles, ou il existe une voie cachée pour l’évolution du modèle. En prenant comme exemple le perceptron connexionniste, en augmentant le nombre de couches cachées du perceptron, nous pouvons le transformer en un réseau neuronal profond. Si une fonction noyau est ajoutée au perceptron, elle peut être convertie en SVM. celui-ci
Identifier le surapprentissage et le sous-apprentissage grâce à des courbes d'apprentissage
Apr 29, 2024 pm 06:50 PM
Cet article présentera comment identifier efficacement le surajustement et le sous-apprentissage dans les modèles d'apprentissage automatique grâce à des courbes d'apprentissage. Sous-ajustement et surajustement 1. Surajustement Si un modèle est surentraîné sur les données de sorte qu'il en tire du bruit, alors on dit que le modèle est en surajustement. Un modèle surajusté apprend chaque exemple si parfaitement qu'il classera mal un exemple inédit/inédit. Pour un modèle surajusté, nous obtiendrons un score d'ensemble d'entraînement parfait/presque parfait et un score d'ensemble/test de validation épouvantable. Légèrement modifié : "Cause du surajustement : utilisez un modèle complexe pour résoudre un problème simple et extraire le bruit des données. Parce qu'un petit ensemble de données en tant qu'ensemble d'entraînement peut ne pas représenter la représentation correcte de toutes les données."
L'évolution de l'intelligence artificielle dans l'exploration spatiale et l'ingénierie des établissements humains
Apr 29, 2024 pm 03:25 PM
Dans les années 1950, l’intelligence artificielle (IA) est née. C’est à ce moment-là que les chercheurs ont découvert que les machines pouvaient effectuer des tâches similaires à celles des humains, comme penser. Plus tard, dans les années 1960, le Département américain de la Défense a financé l’intelligence artificielle et créé des laboratoires pour poursuivre son développement. Les chercheurs trouvent des applications à l’intelligence artificielle dans de nombreux domaines, comme l’exploration spatiale et la survie dans des environnements extrêmes. L'exploration spatiale est l'étude de l'univers, qui couvre l'ensemble de l'univers au-delà de la terre. L’espace est classé comme environnement extrême car ses conditions sont différentes de celles de la Terre. Pour survivre dans l’espace, de nombreux facteurs doivent être pris en compte et des précautions doivent être prises. Les scientifiques et les chercheurs pensent qu'explorer l'espace et comprendre l'état actuel de tout peut aider à comprendre le fonctionnement de l'univers et à se préparer à d'éventuelles crises environnementales.
Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants
Jun 03, 2024 pm 01:25 PM
Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.
IA explicable : Expliquer les modèles IA/ML complexes
Jun 03, 2024 pm 10:08 PM
Traducteur | Revu par Li Rui | Chonglou Les modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) deviennent aujourd'hui de plus en plus complexes, et le résultat produit par ces modèles est une boîte noire – impossible à expliquer aux parties prenantes. L'IA explicable (XAI) vise à résoudre ce problème en permettant aux parties prenantes de comprendre comment fonctionnent ces modèles, en s'assurant qu'elles comprennent comment ces modèles prennent réellement des décisions et en garantissant la transparence des systèmes d'IA, la confiance et la responsabilité pour résoudre ce problème. Cet article explore diverses techniques d'intelligence artificielle explicable (XAI) pour illustrer leurs principes sous-jacents. Plusieurs raisons pour lesquelles l’IA explicable est cruciale Confiance et transparence : pour que les systèmes d’IA soient largement acceptés et fiables, les utilisateurs doivent comprendre comment les décisions sont prises
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Flash Attention est-il stable ? Meta et Harvard ont constaté que les écarts de poids de leur modèle fluctuaient de plusieurs ordres de grandeur.
May 30, 2024 pm 01:24 PM
MetaFAIR s'est associé à Harvard pour fournir un nouveau cadre de recherche permettant d'optimiser le biais de données généré lors de l'apprentissage automatique à grande échelle. On sait que la formation de grands modèles de langage prend souvent des mois et utilise des centaines, voire des milliers de GPU. En prenant comme exemple le modèle LLaMA270B, sa formation nécessite un total de 1 720 320 heures GPU. La formation de grands modèles présente des défis systémiques uniques en raison de l’ampleur et de la complexité de ces charges de travail. Récemment, de nombreuses institutions ont signalé une instabilité dans le processus de formation lors de la formation des modèles d'IA générative SOTA. Elles apparaissent généralement sous la forme de pics de pertes. Par exemple, le modèle PaLM de Google a connu jusqu'à 20 pics de pertes au cours du processus de formation. Le biais numérique est à l'origine de cette imprécision de la formation,
