Mažos įmonės, kurios neinvestavo į AI, tikriausiai nepadarė pakankamai tyrimų

Tik 21 proc. Mažų įmonių įdiegė dirbtinio intelekto (AI) pagrįstus sprendimus, teigiama „Bluewolf“ (IBM įmonė) pranešime. AI investicijų spragos tyrimas apklausė 177 sprendimus priimančius asmenis visame pasaulyje, norėdami išsiaiškinti, ar jie dar priėmė AI ir mašininį mokymąsi (ML), ir suprato šių technologijų gilumą. Nors 33 procentai mažų įmonių ketino investuoti į AI per ateinančius 12 mėnesių (tai padaro bendrą AI priimančių asmenų skaičių kitais metais iki 54 procentų), bendras skaičius vis tiek yra mažesnis nei didelių įmonių. Be to, 30 proc. Didelių įmonių jau investavo į AI, o 44 proc. Planuoja pradėti investuoti per artimiausius 12 mėnesių. Tai sudaro 74 procentus arba 20 procentų daugiau nei mažose įmonėse.

„Bluewolf“ klientų patirties įžvalgos vyresnioji viceprezidentė Vanessa Thompson teigė, kad tarp įmonių, kurios priėmė AI įrankius, ir tų, kurios neketina jų naudoti, yra žinių spragos. Remdamasi rašytiniu pranešimu, ji šią prarają vadina „AI Investment Gap“ ir apibūdina kaip „neatitikimą tarp C lygio vadovų, suprantančių AI, ir tų, kurie dar turi tai įdiegti savo versle“.

Kadangi „Bluewolf“ parduoda PG įrankius, jiems tektų manyti, kad vienintelė priežastis, kodėl žmonės neperka PG įrankių, yra ta, kad jie apie juos nežino. Norėdami patikrinti Thompsono ieškinį, kalbėjau su Brandon Purcell, „Forrester Research“ klientų įžvalgų vyresniuoju analitiku, apie tai, kokie kiti klausimai gali sukelti atotrūkį tarp tų, kurie priėmė AI, ir tų, kurie jų neturėjo. „Purcell“ ir „Forrester Research“ atliko savo panašius tyrimus apie AI įvaikinimą. Nors jo bendras skaičius yra panašus į IBM - 51 procentas bendrovių priėmė arba plečia AI, o 20 procentų teigia planuojančios priimti per artimiausius 12 mėnesių - Purcell pateikė dar keletą įtikinamų priežasčių, kodėl mažos įmonės gali atsilikti. AI priėmimo kreivė.

AI kaina

Purcell nurodė, kad investicijų suvaržymai yra pagrindinis veiksnys, ypač "kiek tai susiję su įgūdžių rinkiniu. Mažos įmonės neturi išteklių samdyti duomenų mokslininkus", - sakė jis. Tai yra darbuotojai, kurie gaus įžvalgas iš duomenų, kurie yra perkeliami į įmonės programinę įrangą ir iš jos.

Jie taip pat nustatys, ar AI tiksliai nuskaito jūsų duomenis ir imasi veiksmų, pagrįstų savo intelektu. „Glassdoor“ duomenimis, vidutinis duomenų mokslininko darbo užmokestis yra 113 436 USD per metus, kuris yra (pagal didžiąją turtingųjų schemą) tik šiek tiek mažesnis už vidutinį Amerikos generalinio direktoriaus atlyginimą (166 000 USD, „PayScale“ duomenimis). Taigi, jei esate mažo verslo generalinis direktorius, dirbantis ant skustuvo ribų, ir nenorite mažinti savo atlyginimo, tada būtų sunku racionaliau išleisti šešis skaičius duomenų mokslininkui ir leisti pinigus programinė įranga, galinti paversti duomenis AI.

Bet ne vien tik pinigai draudžia mažesnėms įmonėms investuoti į AI pagrįstą programinę įrangą. "Ant susijusio užrašo yra duomenų faktorius", - teigė Purcell. "AI klesti, kai turite daug duomenų. Mažos įmonės neturi tiek duomenų, kad galėtų tai padaryti."

Pagalvokite apie tai taip: žinote, kaip „Facebook“ žino, kuriuos draugus pažymėti, kai paskelbiate nuotrauką? Taip yra todėl, kad „Facebook“ rinko informaciją iš visų jūsų anksčiau pažymėtų įrašų. Ar kada nors žiūrėjote filmą, kurį jums rekomendavo „Netflix“? „Netflix“ žinojo, kad rekomenduos tą filmą pagal jūsų ankstesnius pasirinkimus. „Facebook“ ir „Netflix“ sugeba pateikti šias rekomendacijas remdamiesi ML, kuri yra pirmoji AI pusbrolis. Nors jie abu panašūs, jie dažnai vartojami pakaitomis (ir neteisingai).

Štai pagrindinis skirtumas tarp šių terminų: ML sistemos naudoja žvalgybos duomenis, siekdamos pagerinti našumą, siūlydamos jums rekomendacijas ir būdus, kaip supaprastinti procesus, tuo tarpu AI naudojančios sistemos suteikia programinės įrangos savarankiškumą užduotims atlikti ir priimti sprendimus be žmogaus priežiūros. ML yra „Netflix“ teikiantis filmo rekomendacijas, o AI yra automobilis, vedantis jus į darbą, kol jūs snaudžiate ant nugaros. Kaip mažas verslas, tik pradedantis kaupti duomenis, AI pranašumai bus menki, palyginti su tuo, ką „Fortune 500“ kompanija gali pamatyti įjungusi savo AI programinę įrangą.

Ar mėlynasis vilkas neteisingas?

Taigi, ar „Bluewolf“ jų apklausa buvo aprūpinta prasta informacija? Ar mažos įmonės žino apie PG, tačiau jos neturi pinigų ar duomenų, kad su ja susijaudintų? Purcell nemano, kad Bluewolf tyrimai klaidingi. Tiesą sakant, jis kredituoja „IBM Watson“ kaip kognityvinės kompiuterijos, skėtinio termino, apimančio AI, ML ir kitas programas, imituojančias žmogaus smegenis, kūrėją.

„Jie išleido daug pinigų, kad sukurtų tą kategoriją, tačiau erdvėje turi didelių konkurentų:„ Google “, „ Amazon “, „ Facebook “, „ Microsoft “, - teigė Purcell. "Tos bendrovės taip pat naudojasi daugybe duomenų, naudojamų AI sistemoms treniruoti. Holivudo AI apibrėžimas yra jaudinantis robotas. Mes to dar nenaudojome. Tačiau kai reikia įdiegti AI įmonės lygiu praktiniam AI., IBM tobulėja kurdama šias priemones “.

Klaidingas supratimas apie Holivudą, AI ir mus miegantys robotai žudosi - tikėtina priežastis, kodėl smulkusis verslas vengė daugiau sužinoti apie AI įrankius. Jei esate marškinėlių pardavėjas Oklahomoje, tada koks geras yra autonominis automobilis ar ateities robotas, ginkluotas lazeriniu pistoletu? Tačiau pažiūrėję į mažiau žinomą kontekstą, Purcell ir Thompson mato praktinio naudojimo atvejus mažoms įmonėms - naudokite atvejus, apie kuriuos mažos įmonės dar nebuvo išsilavinusios.

Turėdami omenyje tai, ką Thompsonas ir Bluewolfas vadina „papildomu intelektu“, mažosioms įmonėms nebūtinai reikalingos duomenų žinios ar informacijos troba, kad būtų galima naudotis AI. „Bluewolf“ padidintą intelektą apibrėžia kaip programų sugebėjimą argumentuoti, daryti išvadą ir semtis idėjų, net ir naudojant nestruktūrizuotus duomenų rinkinius, tokius kaip kalba ir vaizdai. Net įmonės duomenų rinkimo pradžioje padidintos žvalgybos sprendimai gali išmokti, kol jie eina, nepaisant to, kiek mažai informacijos įvedama į sistemą.

„Papildyta žvalgyba padeda galutiniams vartotojams nuspėti, ką toliau daryti, suteikdama jiems profilio, ko reikia jų klientams“, - teigė Thompson. "Mes matome padidintą kaip būdą, kaip padaryti AI bet kokio dydžio įmonėms."

Tai apima tokius dalykus kaip išorinių ir vidinių duomenų derinimas, kad būtų žinomos žinios, kurias padidinto intelekto technologija naudoja priimant verslo sprendimus. Pvz., Derindamos išorinius vietos apsipirkimo įpročius ir orų duomenis su patentuotais, klientų apsipirkimo modeliais, el. Prekybos įmonės gali pateikti hiperso personalizuotas kampanijas. Šiame scenarijuje duomenų mokslininkas būtų naudingas, bet nebūtinas, o klientų duomenų gausa padidintų kampaniją. Tačiau tai netrukdytų kampanijai būti galingesnei, nei ji būtų buvusi be vidinių ir išorinių duomenų šaltinių derinio.