Fokuset på AI skifter fra 'data' til 'kunnskap'

Del denne historien!
Kunstig intelligens produserer naturlig kunstig kunnskap. Ser du noe galt med dette tilbudet? En definisjon av kunstig er "laget av mennesker til å se veldig ut som noe naturlig", noe som betyr at den er falsk mens den villedende har til hensikt å overbevise deg om at den er ekte. ⁃ TN Editor

Artificiell intelligens (AI) revolusjonen ble antent for mer enn et halvt århundre siden. I løpet av det siste tiåret har AI vokst fra et akademisk vitenskapelig felt til å begynne å være en praktisk del av hverdagen vår. De vanligste AI-forretningsstrategiene vi ser er bygget rundt data. Vi tror at proprietære data for øyeblikket er den mest strategiske vollgraven for AI-selskaper, men i de kommende årene vil det bli mindre av en unik ressurs, noe som gjør proprietær datadifferensiering mindre bærekraftig. Derfor forventer vi et skifte i fokus, fra databaserte AI-strategier, til kunnskapsbaserte AI-strategier.

Fremgangen med stordata, tilrettelagt ved distribusjon av mange sensorer, internettforbindelse og forbedring av maskinvare og programvare innen beregningskraft, kommunikasjonsevner og digital lagring, har gjort det mulig for AI å skalere fra små akademiske forskningsprosjekter til produksjonsapplikasjoner for store selskaper. I hovedsak krevde store data sofistikerte AI-modeller for å analysere og utlede kunnskap og innsikt, mens AI-modellene trengte kritisk masse av store data for trening og optimalisering. Derfor blir data for tiden ofte oppfattet som en tilstrekkelig strategisk vollgrav for AI-oppstart. Som venturekapitalinvestorer ser vi dette fenomenet rutinemessig. De siste årene har vi sett mange oppstart som setter datainnsamling i sentrum for deres forretningsstrategi. Et økende antall slike selskaper understreker de unike datasettene de har anskaffet og deres langsiktige strategi for å skaffe ytterligere proprietære data - som en bærekraftig inngangsbarriere. Dessuten, ettersom AI-verktøy og AI-as-a-service-plattformer har kommoditert utviklingen av AI-modeller, og offentlige data har blitt allestedsnærværende, har det opplevde behovet for å bygge og forsvare en datavold blitt påtagelig.

I dagens teknologiøkosystem har markedene i økende grad belønnet selskaper med ledende AI-programmer og kontroll over proprietære data - som en betydelig og bærekraftig konkurransefortrinn. Bedrifter som Google og Netflix har utviklet og kuratert massive og autoritative datasett over lang tid, mens mange andre selskaper forgjeves for å matche deres suksess. Et eksempel er den massive forstyrrelsen av rivaliserende medietjenesteleverandører og produksjonsselskaper, som ble utmanøvrert av Netflix ' sofistikert datastrategi.

På grunn av forventede fremskritt innen evne og vilje til å utveksle data, tror vi likevel at proprietære datagraver innen et tiår vil være mindre bærekraftige. Mens data fremdeles vil drive AI-verdimotoren, vil AI-forretningsstrategier i økende grad fokusere på kunnskap.

Å flytte opp AI-verdipyramiden, mot kunnskapslaget

AI-verdipyramiden er basert på data og drevet av kunnskap. Mens vi i dag "drukner i informasjon, men sulter etter kunnskap", forventer vi å bevege oss opp AI-verdipyramiden, mot kunnskapslaget. Vi har faktisk begynt å se fremskritt som vil fremme og akselerere denne trenden ved å opprette datautveksling. Vi forventer at datautveksling vil bli tilrettelagt av en kombinasjon av økt gjennomførbarhet og vilje til å dele kommodiserte data i retur for verdifull kunnskap. Oppsummert vil data bli rikelig, tilgjengelig, pålitelig og standardisert og billig - den perfekte definisjonen av en ideell vare. Å bruke data som en bærekraftig inngangsbarriere vil være vanskeligere i fremtiden.

Den økte muligheten for å dele data vil bli akselerert av spredning av datakilder gjennom Tingenes Internett (IoT). I tillegg er det nye teknikker, protokoller og standarder for pooling, deling og utveksling av data. Ser vi fremover, vil den økte muligheten til å dele data bli virkelig viktig når det er insentiv og en økende tilbøyelighet til å gjøre det. Da AI undergraver og forstyrrer arven konkurransedyktige barrierer for inngang, mange organisasjoner prøver nådeløst å samle inn egne data og tjene penger på det. Akk, denne datainnsamlingen og bruken er verken enkel eller fruktbar og skaper derfor strategisk dissonans. Dette er fordi, selv om AI blir stadig uunnværlig for de fleste organisasjoner, er det ikke en del av deres eldre ferdigheter eller kjernekompetanse. I tillegg er ckronisk og varig mangel av ingeniører, utviklere, produktledere og ledere som er opplært i AI, skjerper denne dissonansen og fører til en løsningsinnstilling for datadeling med mål om kunnskapsutveksling.

Et eksempel på kombinasjonen av evne og vilje som skaper gjennom utveksling av data for kunnskapsgenerering er det nye forslaget av EU, å skape "et indre marked for data", for å styrke mennesker, næringsliv og organisasjoner til å ta bedre beslutninger basert på innsikt fra ikke-personlige data for å kunne konkurrere med de nåværende tekniske gigantene.

En annen faktor som bidrar til at datagraver blir mindre bærekraftige, er oppfinnelsen av nye dataløsninger som muliggjør bruk av mindre datasett for treningsmodeller. Syntetiske dataløsninger (for eksempel med Generative Adversarial Networks) og andre minimeringsteknikker, som dataøkning, kan gjøre det mulig for bedrifter å lage forstyrrende AI-produkter uten store mengder data.

Les hele historien her ...

Om redaktøren

Patrick Wood
Patrick Wood er en ledende og kritisk ekspert på bærekraftig utvikling, grønn økonomi, Agenda 21, 2030 Agenda og historisk teknokrati. Han er forfatteren av Technocracy Rising: The Trojan Horse of Global Transformation (2015) og medforfatter av Trilaterals Over Washington, bind I og II (1978-1980) med avdøde Antony C. Sutton.
Abonner!
Varsle om
gjest

1 Kommentar
eldste
Nyeste Mest stemte
Inline tilbakemeldinger
Se alle kommentarer