Des enquêtes et des prédictions récentes montrent qu'un nombre croissant d'entreprises investissent dans toutes les formes d'IA et que l'expérimentation de l'apprentissage en profondeur suscite un intérêt croissant
- prédictions de transformation numérique d'IDC D'ici à 2019, quarante pour cent des initiatives de transformation numérique seront soutenues par des capacités cognitives et d'intelligence artificielle.
- Dans O'Reilly a étudié la manière dont les entreprises mettent l'IA au travail par l'apprentissage profond, cinquante-quatre Pour cent des répondants prédisent que l'apprentissage en profondeur jouera un rôle important ou essentiel dans les projets futurs avec vingt-quatre pour cent des répondants l'appliquant à des problèmes de vision par ordinateur et d'exploration de texte. En outre, l'apprentissage en profondeur en est encore aux premiers stades de l'adoption, seulement vingt-huit pour cent des répondants utilisant déjà l'apprentissage en profondeur et une majorité de 71 pour cent n'ayant pas encore commencé. dans les entreprises quatre-vingts pour cent des personnes interrogées déclarent avoir des capacités d'IA actuellement en production avec l'innovation produit et le service client les deux principaux moteurs de revenus de l'intelligence artificielle aujourd'hui.
Ben Lorica scientifique en chef des données d'O'Reilly Media, sur l'état de l'apprentissage en profondeur dans l'entreprise pour en savoir plus.
"Il est un peu tôt pour juger l'IA". qui ont des groupes de science des données et d'apprentissage automatique étendront leurs expérimentations et exploreront l'apprentissage en profondeur.
L'apprentissage profond se situe à l'intersection des grandes données, du grand modèle et du grand calcul. Cela nécessite un grand volume de données d'apprentissage et des connaissances sur la façon de configurer les algorithmes d'apprentissage en profondeur. Pour cette raison, Ben estime que de nombreuses entreprises expérimentant l'apprentissage en profondeur suivent une stratégie de partenariat. Il existe de nombreuses startups expérimentant des sociétés de recherche visuelle et de conseil qui peuvent aider les organisations à se pencher en profondeur sur différents problèmes de données, tels que des informations perspicaces issues de séries chronologiques. En outre, les entreprises qui cherchent à expérimenter avec des chatbots ont de nombreux fournisseurs de solutions à choisir, mais devraient être prêts à participer au développement des modèles conversationnels.
En termes de technologie d'apprentissage en profondeur, 61% des répondants à l'enquête O'Reilly expérimentent avec TensorFlow . Ben suggère que les entreprises qui ont déjà investi dans un cluster de calcul d'étincelles pourraient vouloir revoir le BigDL d'Intel puisqu'il fonctionne sur cette infrastructure. En outre, les entreprises devraient surveiller les développements d'ONNX, un projet communautaire créé par Facebook et Microsoft visant à accroître l'interopérabilité entre les outils IA
Quand l'apprentissage en profondeur fait partie de la transformation numérique
modèles, en améliorant l'expérience client et en tirant parti des données et des analyses pour améliorer la compétitivité de l'organisation. Les organisations qui cherchent à développer un avantage concurrentiel dans leurs produits devraient explorer l'intégration des capacités d'intelligence artificielle dans leurs produits et services.
Parfois, cela peut être accompli avec des zones d'intelligence artificielle plus matures. Par exemple, les organisations peuvent tirer parti des moteurs de traitement du langage naturel pour identifier les entités et les termes communs sur leurs pages Web et les relier par un lien hypertexte. Les organisations de détail peuvent tirer parti des moteurs de recommandation pour suggérer des produits similaires en fonction des comportements d'achat et de navigation d'un client. Les organisations disposant de systèmes back-office existants peuvent explorer l'automatisation des tâches en utilisant l'automatisation des processus robotiques (RPA).
Mais lorsque les produits exploitent de grands volumes de données complexes, multidimensionnelles, semi-structurées et rapides, il est difficile de distinguer les données et permettent des capacités de prise de décision humaines et parfois au-delà des capacités humaines. Dans les entreprises, les exemples incluent le signalement des problèmes de sécurité dans les usines de fabrication, la découverte d'informations provenant de flux importants de données générées par l'Internet des objets, l'identification de transactions bancaires frauduleuses ou le renforcement des capacités de vision par ordinateur. Deep Learning est une capacité de données et technique pour les organisations qui cherchent à développer ces expériences riches en données dans leurs plates-formes et leurs offres de produits
Préparer l'organisation à travailler en profondeur
mieux éduquer certains membres de leur organisation. Selon l'enquête O'Reilly, soixante-dix pour cent des répondants ont déclaré que leurs organisations avaient des programmes de formation en interne. Les efforts internes peuvent également être couplés avec des programmes de tiers, assister à des conférences et effectuer des projets pilotes avec des startups. Il existe également un groupe émergent d'organisations locales telles que Atlanta Applied Artificial Intelligence et Dallas AI qui offrent à la fois des événements et des programmes de formation sur la façon dont l'IA est appliquée dans leurs villes.
Mais les experts s'accordent à dire que le lancement de l'IA et des programmes d'apprentissage en profondeur doit commencer par formuler une hypothèse commerciale autour de laquelle ces algorithmes peuvent fournir la valeur commerciale la plus stratégique. AI, et l'apprentissage en profondeur nécessite une forme d'expérimentation agile qui nécessite l'exécution de jeux de données à travers différents algorithmes, topologies réseau et stratégies d'optimisation qui optimisent les résultats et les performances. Ce n'est pas un investissement où CIO peut projeter des gains rapides ou un retour rapide sur les investissements.
Deuxièmement, CIO devrait chercher à cataloguer, nettoyer et marquer les ensembles de données qui sont des candidats prometteurs pour les expériences d'apprentissage en profondeur. L'adage de "garbage in, garbage out" s'applique beaucoup aux expériences d'apprentissage en profondeur et les données de marquage à utiliser pour former des algorithmes d'apprentissage en profondeur peuvent être un investissement tout seul.
L'apprentissage profond inaugure une nouvelle ère informatique qui est mathématiquement dirigé et exécuté à grande échelle. Au lieu de programmer des règles et des heuristiques, les réseaux de nœuds de calcul sont accordés par des modèles complexes et convergent vers des courbes de décision complexes. À mesure que la science évolue, il sera plus facile pour CIO de tirer parti des talents et des plateformes. La question que CIO doit aider à répondre pour ses organisations est de savoir quand commencer et quelles sont les opportunités d'attaquer.
Cet article est publié dans le cadre du réseau de contributeurs IDG. Voulez-vous devenir membre?
Source link