De toekomstige groei van AI en ML

By Rachel Roumeliotis

We zijn allemaal in het reine gekomen met het feit dat kunstmatige intelligentie (AI) de manier waarop bedrijven werken transformeert en hoeveel het een bedrijf op de lange termijn kan helpen. In de afgelopen jaren heeft dit inzicht gezorgd voor een piek in bedrijven die experimenteren en AI-technologieën evalueren en die deze nu specifiek gebruiken in productie-implementaties.

Wanneer organisaties nieuwe technologieën zoals AI en machine learning (ML) toepassen, beginnen ze natuurlijk geleidelijk te overwegen hoe nieuwe gebieden door technologie kunnen worden beïnvloed. Dit kan over meerdere sectoren gaan, waaronder productie en logistiek, productie, IT en klantenservice. Zodra het gebruik van AI- en ML-technieken ingebakken raakt in hoe bedrijven functioneren en in de verschillende manieren waarop ze kunnen worden gebruikt, zullen organisaties nieuwe kennis kunnen opdoen die hen zal helpen zich aan te passen aan veranderende behoeften.

Door in het leerplatform van O'Reilly te duiken, kan een verscheidenheid aan informatie worden ontdekt over de verschillende trends en onderwerpen die tech- en bedrijfsleiders moeten weten. Dit zal hen in staat stellen hun banen beter te begrijpen en ervoor te zorgen dat hun bedrijf blijft floreren.

In de afgelopen maanden hebben we het gebruikersgebruik van het platform geanalyseerd en de meest populaire en meest gezochte onderwerpen in AI en ML ontdekt. We zullen hieronder enkele van de belangrijkste bevindingen onderzoeken, die ons een breder beeld geven van waar de staat van AI en ML is, en uiteindelijk waar het naartoe gaat.

AI overtreft de groei in ML

Onze analyse wierp allereerst een licht op hoe de belangstelling voor AI blijft groeien. In vergelijking met 2018 met 2019 is de betrokkenheid bij AI met 58% gestegen - veel sneller dan de groei in het veel grotere onderwerp machine learning, dat slechts 5% steeg in 2019. Wanneer alle AI- en ML-onderwerpen worden samengevoegd, is dit goed voor bijna 5% van al het gebruik activiteit op het platform.

Hoewel dit net iets minder is dan hoogstaande, gevestigde onderwerpen zoals data engineering (8% van de gebruiksactiviteit) en data science (5% van de gebruiksactiviteit), groeide de belangstelling voor deze onderwerpen 50% sneller dan datawetenschap. Data engineering is in dezelfde tijd zelfs met ongeveer 8% afgenomen als gevolg van een afname van de betrokkenheid bij onderwerpen op het gebied van datamanagement.

We ontdekten ook vroege tekenen dat organisaties experimenteren met geavanceerde tools en methoden. Van onze bevindingen is betrokkenheid bij leerinhoud zonder toezicht waarschijnlijk een van de meest interessante. Bij onbewaakt leren wordt een AI-algoritme getraind om te zoeken naar voorheen niet-ontdekte patronen in een gegevensset zonder reeds bestaande labels of classificatie met minimale menselijke supervisie of begeleiding. In 2018 groeide het gebruik van leeronderwerpen zonder toezicht met 53% en in 172 met 2019%.

Maar wat drijft deze groei? Hoewel de namen van de methoden (clustering en associatie) en de toepassingen (neurale netwerken) bekend zijn, wordt onbewaakt leren niet zo goed begrepen als de tegenhanger van begeleid leren, die voor de meeste mensen en de meeste use-cases de standaardstrategie voor ML is. .

Deze toename van leeractiviteit zonder toezicht wordt waarschijnlijk veroorzaakt door een gebrek aan bekendheid met de term zelf, evenals met het gebruik, de voordelen en de vereisten ervan door meer geavanceerde gebruikers die te maken hebben met gebruiksgevallen die niet gemakkelijk kunnen worden aangepakt met gecontroleerde methoden.

Het is ook waarschijnlijk dat het zichtbare succes van leren zonder toezicht in neurale netwerken en diep leren onze interesse heeft gestimuleerd, evenals de diversiteit aan open source-tools, bibliotheken en tutorials die leren zonder toezicht ondersteunen.

Een diepgaande opstanding

Hoewel deep learning in 2019 enigszins afkoelde, was het nog steeds goed voor 22% van al het AI- en ML-gebruik. We vermoeden ook dat het succes ervan heeft bijgedragen aan de wederopstanding van een aantal andere niet meer gebruikte of verwaarloosde ideeën. Het grootste voorbeeld hiervan is leren over versterking. Dit onderwerp kende een exponentiële groei en groeide sinds 1,500 met meer dan 2017%.

Zelfs nu het engagementpercentage in 10 met 2019% is gedaald, is deep learning zelf een van de meest populaire ML-methoden onder bedrijven die AI evalueren, waarbij veel bedrijven de techniek kiezen om productiegebruik te ondersteunen. Het kan zijn dat de betrokkenheid bij deep learning-onderwerpen is afgenomen omdat de meeste mensen al actief bezig zijn met de technologie, wat betekent dat de groei kan vertragen.

Natuurlijke taalverwerking is een ander onderwerp dat een constante groei heeft laten zien. Hoewel het groeitempo niet enorm is - het groeide met 15% in 2018 en 9% in 2019 - is de verwerking van natuurlijke taal goed voor ongeveer 12% van al het AI- en ML-gebruik op ons platform. Dit is ongeveer 6x het aandeel van leren zonder toezicht en 5x het aandeel van leerversterkend leren, ondanks de aanzienlijke groei die deze twee onderwerpen de afgelopen twee jaar hebben doorgemaakt.

Niet alle AI / ML-methoden worden echter gelijk behandeld. De interesse in chatbots lijkt bijvoorbeeld af te nemen, waarbij de betrokkenheid met 17% in 2018 en met 34% in 2019 afneemt. Dit komt waarschijnlijk omdat chatbots een van de eerste toepassingen van AI waren en waarschijnlijk een weerspiegeling is van de relatieve volwassenheid van toepassing.

De groeiende betrokkenheid bij leren zonder toezicht en leren met bekrachtiging toont aan dat organisaties experimenteren met geavanceerde analysetools en -methoden. Deze tools en technieken openen nieuwe use-cases voor bedrijven om te experimenteren en van te profiteren, waaronder ondersteuning bij beslissingen, interactieve games en real-time retailaanbevelingsengines. We kunnen ons alleen maar voorstellen dat organisaties AI en ML zullen blijven gebruiken om problemen op te lossen, de productiviteit te verhogen, processen te versnellen en nieuwe producten en diensten te leveren.

Naarmate organisaties analytische technologieën toepassen, ontdekken ze meer over zichzelf en hun werelden. Met name de adoptie van ML zet mensen op alle niveaus van een organisatie ertoe aan vragen te gaan stellen die uitdagen wat een organisatie denkt over zichzelf te weten.

Met ML en AI trainen we machines om nieuwe kennisobjecten naar boven te halen die ons helpen bij het leren stellen van nieuwe, andere en soms moeilijke vragen over onszelf. Alles wijst erop dat we hiermee enig succes lijken te hebben. Wie weet wat de toekomst in petto heeft, maar naarmate technologieën slimmer worden, lijdt het geen twijfel dat we afhankelijker zullen worden.