Your company’s AI strategy is failing — here are 3 reasons why

[ad_1]

La plupart des entreprises ont du mal à développer des stratégies d’intelligence artificielle fonctionnelles, selon une nouvelle enquête du fournisseur de services cloud Rackspace Technology. L’enquête, qui comprend 1870 organisations dans divers secteurs, notamment la fabrication, la finance, la vente au détail, le gouvernement et la santé, montre que seulement 20% des entreprises ont des initiatives d’IA / d’apprentissage automatique matures. Les autres essaient toujours de comprendre comment le faire fonctionner.

Il n’y a aucun doute sur les promesses de l’apprentissage automatique dans presque tous les secteurs. Des coûts réduits, une précision améliorée, une meilleure expérience client et de nouvelles fonctionnalités sont quelques-uns des avantages de l’application de modèles d’apprentissage automatique à des applications du monde réel. Mais l’apprentissage automatique n’est pas une baguette magique. Et comme de nombreuses organisations et entreprises apprennent, avant de pouvoir appliquer la puissance de l’apprentissage automatique à votre entreprise et à vos opérations, vous devez surmonter plusieurs obstacles.

Les trois principaux défis auxquels les entreprises sont confrontées lorsqu’elles intègrent les technologies d’IA dans leurs opérations sont dans les domaines des compétences, des données et de la stratégie, et Enquête de Rackspace dresse une image claire des raisons pour lesquelles la plupart des stratégies d’apprentissage automatique échouent.

L’apprentissage automatique concerne les données

données biaisées

Les modèles d’apprentissage automatique reposent sur des ressources et des données informatiques. Grâce à une variété de plates-formes de cloud computing, l’accès au matériel nécessaire pour former et exécuter des modèles d’IA est devenu beaucoup plus accessible et abordable.

Mais les données restent un obstacle majeur aux différentes étapes de la planification et de l’adoption d’une stratégie d’IA. 34% des répondants à l’enquête Rackspace ont déclaré que la mauvaise qualité des données était la principale raison de l’échec de la recherche et du développement en apprentissage automatique, et 31% ont déclaré qu’ils manquaient de données prêtes pour la production.

[Read: How do you build a pet-friendly gadget? We asked experts and animal owners]

Cela met en évidence l’un des principaux obstacles lors de l’application de techniques d’apprentissage automatique à des problèmes du monde réel. Alors que la communauté de recherche sur l’IA a accès à de nombreux ensembles de données publics pour la formation et le test de ses dernières technologies d’apprentissage automatique lorsqu’il s’agit d’appliquer ces technologies à des applications réelles, il n’est pas facile d’accéder à des données de qualité. Cela est particulièrement vrai dans les secteurs de l’industrie, de la santé et du gouvernement, où les données sont souvent rares ou soumises à des réglementations strictes.

Les problèmes de données réapparaissent lorsque les initiatives d’apprentissage automatique passent de la phase de recherche à la phase de production. La qualité des données reste le principal obstacle lorsqu’il s’agit d’utiliser l’apprentissage automatique pour extraire des informations précieuses. Les problèmes d’ingénierie des données posent également un problème important, tels que le cloisonnement des données, le manque de talent pour connecter des sources de données disparates et le fait de ne pas être assez rapide pour traiter les données de manière significative.

informations sur l'apprentissage automatique