De transformationele belofte van kunstmatige intelligentie (AI) en machinaal leren (ML) voor ondernemingen heeft geleid tot enorme opwinding en enorme investeringen door datamanagers. Eén schatting voorspelt dat de bijdrage van AI aan de wereldeconomie een buitengewone omvang zou kunnen bereiken $ 15.7 biljoen door 2030. Dat is meer dan de huidige gecombineerde economische productie van China en India.

Toch lijkt er een heel reële kloof te bestaan ​​tussen potentieel en realisatie. Veel datamanagers vinden dat het genereren van een zinvolle ROI uit AI nog steeds een uitdagend proces is, vol obstakels. In 2018, Gartner voorspelde dat maar liefst 85% van de AI-projecten tot 2022 foutieve resultaten zouden opleveren als gevolg van vooroordelen in de gegevens, algoritmen of de teams die verantwoordelijk zijn voor het beheer ervan.

Voor organisaties die net aan dit traject zijn begonnen, kunnen de ervaringen van succesvolle early adopters waardevolle inzichten opleveren. Daartoe onze recente diepgaande studie richtte zich op ML-leiders – datamanagers en degenen die aan het roer staan ​​van operationele modellen – om hun recepten voor succes te begrijpen.

Een panorama van beloften en prestaties

Uit het onderzoek blijkt dat, in tegenstelling tot de perceptie dat AI-projecten een hoog mislukkingspercentage hebben, veel van de ‘first movers’ van AI echte vruchten plukken van hun vroege investeringen. Maar liefst 92% van de AI-teamleiders is van mening dat hun AI-initiatieven betekenisvolle waarde opleveren. Dit varieert van versterkte personalisatie in klantinteracties en versterkte fraudedetectieprotocollen tot verfijnde verkoop- en marketingblauwdrukken en aangescherpte realtime besluitvormingsprocessen.

Na succes te hebben geproefd bij hun eerste inspanningen, is 61% van de respondenten van plan hun AI-investeringen te verdubbelen. Maar dit niveau van betrokkenheid zal waarschijnlijk ook gevolgen hebben, waardoor de concurrentie om cruciale AI- en ML-bronnen in het ecosysteem zal toenemen.

De steile klim vooruit

Het succes van deze pioniers is niet zonder uitdagingen gekomen. Twee voorbeelden:

• Het talentdilemma aanpakken: In de wereld van ML is expertise niet alleen gewenst, maar ook absoluut noodzakelijk. Een belangrijke onthulling uit het onderzoek was dat maar liefst 71% van de organisaties over formidabele teams beschikt, vaak met meer dan 100 machine learning-professionals. De echte uitdaging is echter tweeledig: niet alleen het aantrekken van dit elitetalent, maar ook het garanderen van retentie en groei.
• Jongleerplatformuitdagingen: Een tweede en even belangrijke uitdaging is de manier waarop bedrijven worstelen met op maat gemaakte oplossingen. Zie het zo: talloze organisaties hebben, in hun poging om voorop te blijven lopen, aangepaste ML-frameworks ontwikkeld die zijn afgestemd op hun genuanceerde behoeften. Deze op maat gemaakte aanpak biedt diepgaand maatwerk, maar is niet zonder valkuilen. Maar liefst 51% van de respondenten was openhartig over de arbeidsintensieve inspanningen die nodig zijn voor de integratie van tools en noemde dit een aanzienlijke uitdaging. Een vrijwel identiek percentage van de respondenten signaleerde de uitdagingen die verband houden met het enorme volume en de verscheidenheid aan tools die essentieel zijn voor ML-processen.

Strategieën voor een betere toekomst voor machinaal leren

De onderzoeksresultaten zijn duidelijk. Hoewel de aantrekkingskracht van ML onmiskenbaar is, vereist het benutten van het volledige potentieel strategische vooruitziendheid en nauwgezette planning. Ondanks de early adopters uitdagingen aangaan, bieden een reservoir aan inzichten die enorm nuttig kunnen zijn voor degenen die aan soortgelijke reizen beginnen. Samenwerking met doorgewinterde, deskundige leveranciers kan de gamechanger zijn en de begeleiding bieden waar organisaties naar op zoek zijn. Bovendien staan ​​bedrijven nu op een kruispunt van besluitvorming – of ze nu moeten investeren in een gespecialiseerd ML-productieplatform of een intern raamwerk moeten creëren dat moet integreren met de mogelijkheden van commerciële platforms.

In de steeds evoluerende wereld van AI en ML is de weg naar succes complex en vol uitdagingen. Maar met slimme strategieën – gebaseerd op de ervaringen en inzichten van datamanagers en AI-leiders die de weg hebben geëffend – is het behalen van succes niet alleen een mogelijkheid, maar een tastbaar doel. Het AI- en ML-traject gaat in wezen over continu leren, proactieve aanpassing en strategische investeringen, met de belofte van ongeëvenaarde beloningen in het verschiet.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.dataversity.net/machine-learning-challenges-and-opportunities-for-modern-data-executives/