Μαθησιακή μηχανή στρογγυλής τραπέζης: Δυναμικό που δεν έχει ακόμη εξαντληθεί: Οι επιστήμονες δεδομένων συχνά κάθονται σε ξηρή γη

Anonim
Machine Learning - eine Form der Künstlichen Intelligenz - ist im Alltag angekommen. Doch wie nutzen deutsche Firmen die Technik?
Η Μηχανική Μάθηση - μια μορφή Τεχνητής Νοημοσύνης - έχει φτάσει στην καθημερινή ζωή. Αλλά πώς χρησιμοποιούν οι γερμανικές εταιρείες την τεχνολογία;
Φωτογραφία: Phonlamai Photo - shutterstock.com

Η μηχανική μάθηση έχει φτάσει ως μορφή Τεχνητής Νοημοσύνης (AI) στην καθημερινότητά μας. Οι αλγόριθμοι αποτελούν τη βάση των (εν μέρει) αυτόνομων αυτοκινήτων και ρομπότ στο εργοστάσιο σε συσκευές όπως η Alexa ή το Google Home, οι οποίες μπορούν να ζητήσουν ένα τραγούδι με φωνητική εντολή και ερωτήματα αναζήτησης στον Ιστό μπορεί να ξεκινήσει. Όλο και περισσότερες εταιρείες αναγνωρίζουν τη δύναμη της μηχανικής μάθησης για τη βελτιστοποίηση των επιχειρηματικών διαδικασιών και την εξοικονόμηση κόστους.

Πού είναι οι γερμανικές εταιρείες που βρίσκονται σήμερα με τα έργα τους για την ΑΠ; Ποιοι είναι οι στόχοι σας για την κατασκευή έξυπνων συστημάτων; Πώς πηγαίνετε γι 'αυτό; Τι προκλήσεις αντιμετωπίζετε στη μηχανική μάθηση; Μετά από πρόσκληση της COMPUTERWOCHE, έντεκα συμμετέχοντες από διάφορες εταιρείες αντάλλαξαν πρόσφατα απόψεις σε συζήτηση στρογγυλής τραπέζης.

Πληροφορίες σχετικά με τα πακέτα συνεργατών για τη μελέτη εκμάθησης μηχανών

Το AI ορίζεται διαφορετικά

Über die Erfahrungen mit Machine Learning im Alltags- und Projektgeschäft tauschten sich die Teilnehmer des COMPUTERWOCHE-Round-Table aus.
Οι συμμετέχοντες στη στρογγυλή τράπεζα COMPUTERWOCHE ανταλλάσσουν τις εμπειρίες τους με την εκμάθηση μηχανών στις καθημερινές και επιχειρηματικές δραστηριότητες.
Φωτογραφία: Michaela Handrek-Rehle

Η Τεχνητή Νοημοσύνη (AI) κουράζεται σε όλο τον κόσμο με πολλούς όρους: μηχανική μάθηση, νευρωνικά δίκτυα, βαθιά εκμάθηση, στενή AI, αντίθετη AI, ισχυρή AI ή ασθενής AI. "Κάθε εταιρεία ορίζει τον όρο τεχνητή νοημοσύνη διαφορετικά: υπάρχει έλλειψη συνεκτικής κατανόησης σε όλα τα επίπεδα διαχείρισης, ειδικά μεταξύ των μεσαίων επιχειρήσεων όπου σχεδόν κανείς δεν ξέρει ποιο πρόβλημα είναι κατάλληλο για την οποία η μεθοδολογία AI", δηλώνει ο Stefan Gossell, Διευθύνων συνεργάτης στη στρατηγική διαβούλευση Leadvise Απάντηση.

Έτσι, οι συμμετέχοντες στη στρογγυλή τράπεζα προσπάθησαν πρώτα να φέρουν το φως στο σκοτάδι των ορισμών. "Ανησυχώ ότι η κίνηση προς έναν κοινό ορισμό των όρων AI έχει ήδη τελειώσει, η τεχνητή νοημοσύνη είναι γενικά ο γενικός όρος για μηχανές βελτιστοποιημένες για δεδομένα που αναλαμβάνουν εργασίες που είναι δύσκολο να προγραμματιστούν με παραδοσιακούς αλγορίθμους, αλλά σχετικά απλή Η Γενική ΑΠ, η οποία ξεπερνά σαφώς την εκπαιδευμένη περιοχή ευθύνης της, είναι ένα όραμα για το μέλλον και μέρος της έρευνας », εξηγεί ο Δρ. Christoph Angerer, Διευθυντής της AI Developer Technologies Europe στο Nvidia. "Η εξειδικευμένη AI, από την άλλη πλευρά, χρησιμοποιείται ήδη σε πολλούς τομείς, όπως η εκμάθηση της μηχανικής γλώσσας και η αναγνώριση εικόνων". Με την εκμάθηση μηχανών, ο άνθρωπος της Nvidia συνδυάζει κλασικούς αλγόριθμους που εκπαιδεύονται με δεδομένα. Βλέπει νευρωνικά δίκτυα που επιτρέπουν τη βαθιά εκμάθηση ως υποσύνολο μηχανικής μάθησης (ML).

spoods.de

Η εταιρεία σας τόλμησε να εισέλθει στο KI και στη μηχανική μάθηση; Ποιες είναι οι πρώτες σας εμπειρίες; Ποιο όφελος θέλετε να σχεδιάσετε, ποιες μέθοδοι ML χρησιμοποιείτε; Ποιες προκλήσεις και κίνδυνοι βλέπετε; Συμμετάσχετε στην έρευνα μας για την Τεχνητή Νοημοσύνη / Μηχανική Μάθηση και κερδίστε ένα Ipad mini 4.

επίδειξη

Τι μας περιμένει το 2030

Was uns 2030 erwartet - Foto: Dell

Οι καινοτόμες τεχνολογίες οδηγούν σε αποδιοργανωτικές αλλαγές. Αυτή η έρευνα αποκαλύπτει τι προσδοκούν οι ηγέτες των κορυφαίων εταιρειών στον κόσμο από το ψηφιακό μέλλον.

Κατεβάστε τη μελέτη

Για τον Ron Brandt, αντιπρόεδρο της διαβούλευσης στο CGI Germany, το θέμα της AI είναι υπερφορτωμένο με λέξεις-κλειδιά. "Η εξήγηση των όρων στους πελάτες μας δημιουργεί μια αληθινή κατανόηση." Η τεχνητή νοημοσύνη είναι ο όρμος ομπρέλας για μεθόδους όπως η μηχανική μάθηση, η βαθιά εκμάθηση ή τα νευρικά δίκτυα. Το KI δεν είναι ένα προϊόν, αλλά μια μεθοδολογία που οδηγεί σε μια συγκεκριμένη περίπτωση χρήσης δεδομένων. Η CGI προσπαθεί πάντοτε να παρέχει λύσεις στις ειδικές περιπτώσεις χρήσης των πελατών της και το KI δεν είναι εκτός χαρτοφυλακίου, αλλά μεμονωμένα. "

Εξαρτάται από τη χρήση

  1. Ο Δρ Andreas Braun, Data + AI Ηγέτης στην Accenture στην Ευρώπη
    "Η Accenture έχει αναπτύξει έναν κατάλογο σεναρίων και πιθανών περιπτώσεων χρήσης για έργα AI για τους πελάτες της. Αρχικά, κεντρικά είναι τα απλά σενάρια που παρέχουν σχετικά γρήγορα αποτελέσματα. Το φεγγάρι με μεγάλους στόχους όπως "Θέλουμε να βρούμε το φάρμακο για καρκίνο με ΑΙ" μπορεί να δει πολύ μακροπρόθεσμα και επίσης δύσκολο να μεταδοθεί στο επίπεδο του διοικητικού συμβουλίου. Η κορυφαία διαχείριση οδηγείται συχνά από το σύνθημα «Τα δεδομένα είναι το νέο πετρέλαιο, τώρα που είναι τα χρήματά μου;» Αυτό μπορεί να επιτευχθεί γρήγορα με έργα KI, τα οποία αρχικά καθιστούν τις διαδικασίες ταχύτερες, καλύτερες και φθηνότερες ».
  2. Steve Rommel, Επικεφαλής του Ψηφιακού Παραγωγικού Κέντρου Πληροφορικής στο Konica Minolta
    "Συχνά, τα δεδομένα για τα έργα AI ή την εκμάθηση μηχανών από τα διάφορα τμήματα δεν είναι απτά - τα σίλματα δεδομένων λέξεων-κλειδιών - ή δεν μπορούν να συγχωνευθούν για τεχνικούς λόγους. Άλλοι λόγοι περιλαμβάνουν μια στρατηγική δεδομένων που λείπει ή απλά μια κακή ποιότητα δεδομένων. Είναι δύσκολο να πιστέψουμε ότι οι επιστήμονες των δεδομένων συχνά δεν διαθέτουν τα δεδομένα και αισθάνονται ότι δεν υπόκεινται σε αμφισβήτηση ».
  3. Katharina Lamsa, Ψηφιακό Εργοστάσιο Τύπου στο Siemens
    «Χρησιμοποιούμε σταθερά μια μεγάλη γκάμα λύσεων ψηφιοποίησης Siemens στις δικές μας εγκαταστάσεις, συμπεριλαμβανομένων των τεχνολογιών KI και ML που αυξάνουν συνεχώς. Με αυτόν τον τρόπο, μπορούμε να μεταφέρουμε την εμπειρία των ψηφιοποιητικών έργων one-to-one στους πελάτες μας. Η συνειδητοποίηση ότι επιτυχώς υλοποιημένες λύσεις ψηφιοποίησης οδηγούν σε σημαντικά μεγαλύτερη αποδοτικότητα, περισσότερη ευελιξία και τελικά σε σημαντικά υψηλότερη παραγωγικότητα είναι το καλύτερο κίνητρο για τη σταδιακή χρήση περαιτέρω λύσεων στον τομέα της ψηφιοποίησης, της AI και της ML και η εταιρεία σταδιακά Digital Αναδημιουργία επιχείρησης. Τελικά, κάθε έργο ψηφιοποίησης συμβάλλει στη βελτίωση της ανταγωνιστικότητας της εταιρείας. "
  4. Michael Mayerhofer, επικεφαλής δεδομένων επιστημόνων στο NTT Data
    "Βασικά πρέπει να αναρωτηθούμε: Τι θέλει ο πελάτης; Η μηχανική μάθηση και οι στατιστικές μέθοδοι γενικά έχουν ως αποτέλεσμα τη γνώση και τα βασικά στοιχεία για τον καλύτερο έλεγχο των επιχειρηματικών διαδικασιών. Ωστόσο, οι εταιρείες αναμένουν επίσης ότι η Τεχνητή Νοημοσύνη θα αυτοματοποιήσει και θα βελτιώσει συνεχώς τις διαδικασίες αυτές. Αυτό έχει ως αποτέλεσμα συναρπαστικές προκλήσεις αυτή τη στιγμή. "
  5. Alfred Ermer, Διευθύνων Σύμβουλος και Διευθύνων Σύμβουλος του Arago da Vinci
    "Δεν υπάρχει τεχνητή νοημοσύνη που να λύνει όλα τα προβλήματα στην εταιρεία. Πρόκειται μάλλον για συγκεκριμένες περιπτώσεις χρήσης, όπως η αναγνώριση ομιλίας, η αναγνώριση εικόνων ή η προβλεπτική συντήρηση στην παραγωγή. Πρέπει επίσης να ενσωματώσουμε τις προσδοκίες των πελατών για τα οφέλη και να χαρτογραφήσουμε τα εταιρικά ζητήματα στις νέες τεχνολογίες. Ο μετασχηματισμός δεν είναι εύκολος. Πώς αντιμετωπίζουμε τα υπάρχοντα προβλήματα με τις νέες τεχνολογίες; "
  6. Stefan Gössel, Απάντηση Συνεργατών και Διευθύνων Εταίρος στη στρατηγική συμβουλευτική Leadvise Reply
    "Κάθε εταιρεία ορίζει διαφορετικά τον όρο τεχνητή νοημοσύνη. Υπάρχει έλλειψη κατανόησης της ΑΠ σε όλα τα επίπεδα διοίκησης. Σχεδόν κανείς, ειδικά σε μικρές και μεσαίες επιχειρήσεις, γνωρίζει ποιο πρόβλημα είναι κατάλληλο για το οποίο η μεθοδολογία AI. Επιπλέον, συχνά λείπουν συγκεκριμένοι στόχοι, όπως η ζήτηση για υψηλότερη ποσόστωση αυτοματισμού. "" Για παράδειγμα, το AI λειτουργεί καλά με την ανίχνευση απάτης ή την ανίχνευση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες. Υπάρχουν εκατοντάδες μεμονωμένες δραστηριότητες και αποφάσεις που απομονώσουν ένα συγκεκριμένο AI καλύτερα από οποιονδήποτε εμπειρογνώμονα. Αλλά για το διοικητικό συμβούλιο που είναι συνήθως πολύ λίγο. Ψάχνει για τη μεγάλη ιστορία του AI και επιθυμεί να λειτουργεί ολόκληρη η εταιρεία του στο ένα έξυπνο σύστημα αυτοεκπαίδευσης. Αλλά αυτό είναι απατηλό. "
  7. Kenza Ait Si Abbou Lyadini, Ανώτερος Διευθυντής Ρομποτικής & AI στην Deutsche Telekom IT
    "Για εμάς, όπως συνηθίζεται στη βιομηχανία, περίπου το 80% των χρόνων δαπανώνται για την εύρεση, συλλογή και επεξεργασία δεδομένων μηχανικής μάθησης για να καταστήσει την ανάπτυξη και λειτουργία των δικτύων και των προϊόντων πιο αποτελεσματική. Στόχος μας είναι να εφαρμόσουμε το υφιστάμενο ενοποιημένο μοντέλο δεδομένων για να σπάσουμε τα σιλό δεδομένων που απομένουν από τα πολυετή μας ιστορικά δεδομένα και να επιτρέψουμε την επαναχρησιμοποίηση των περιπτώσεων χρήσης. Ο υπεύθυνος χειρισμός των δεδομένων πελατών αποτελεί την πρώτη προτεραιότητά μας σε αυτό το πλαίσιο. "
  8. Αλέξανδρος Krock, επικεφαλής του τμήματος DACH του πελάτη Cloud στο Google
    "Πολλές εταιρείες παίρνουν τις λέξεις-κλειδιά και σκέφτονται ότι επειδή τώρα όλοι οι AI κάνουν, χρειαζόμαστε και αυτό. Κατά τη γνώμη μου, αυτή είναι μια λανθασμένη προσέγγιση επειδή μπορεί να οδηγήσει σε καθαρό ακτιβισμό χωρίς να εξετάσει την πραγματική προστιθέμενη αξία για την επιχείρηση. Μια συμβουλή: Η μηχανική μάθηση είναι πολύ δυνατή σε επαναλαμβανόμενες εφαρμογές όπως η αξιολόγηση των εικόνων ακτίνων Χ. Εδώ, το μηχάνημα γίνεται ισχυρότερο επαναλαμβάνοντας και εκπαιδεύοντας τους αλγόριθμους. "
  9. Ron Brandt, Αντιπρόεδρος Συμβουλευτικής στο CGI Γερμανίας
    "Το θέμα του AI είναι υπερφορτωμένο με λέξεις-κλειδιά. Εξηγούμε τους όρους στους πελάτες μας και δημιουργούμε μια σωστή κατανόηση. Η τεχνητή νοημοσύνη αποτελεί τον όρο ομπρέλα για μεθόδους όπως μηχανική μάθηση, βαθιά μάθηση ή νευρωνικά δίκτυα. Το AI δεν είναι προϊόν, αλλά μια μεθοδολογία που οδηγεί σε μια συγκεκριμένη περίπτωση χρήσης δεδομένων. Η CGI προσπαθεί πάντα να υλοποιεί λύσεις για τους πελάτες της για ειδικές περιπτώσεις χρήσης. Η KI δεν υπάρχει έξω από το κουτί, αλλά μόνο μεμονωμένα. "" Το ερώτημα είναι: πώς μπορούμε να λύσουμε τα προβλήματα και τις απαιτήσεις των πελατών μας με την τεχνολογία KI; "Ο αποφασιστικός παράγοντας είναι πάντα το όφελος για τον πελάτη.
  10. Ο Δρ Markus Bundschus, επικεφαλής του Γραφείου Δεδομένων της Roche Diagnostics GmbH
    "Στην υγειονομική περίθαλψη, πολλά δεδομένα ασθενών υποβάλλονται σε επεξεργασία ανώνυμα στις μελέτες και στην έρευνα για τα ναρκωτικά. Ως φαρμακευτική και διαγνωστική εταιρεία, δεν πρέπει μόνο να δώσουμε ιδιαίτερη προσοχή στην προστασία των δεδομένων, πρέπει επίσης να διαφυλάξουμε την ποιότητα των δεδομένων και να μεταφέρουμε τα δεδομένα σε ενιαία μορφή προτού μπορέσουμε να εκμεταλλευτούμε τις δυνατότητες του AI. Και πρέπει να οικοδομήσουμε κατανόηση και εμπιστοσύνη στη χρήση δεδομένων υγείας και τεχνολογιών AI για ιατρική πρόοδο ».
  11. Ο Δρ Christoph Angerer, Διευθυντής της AI Developer Technologies Europe στο Nvidia
    "Ανησυχώ ότι η κίνηση προς έναν κοινό ορισμό των όρων AI έχει ήδη τελειώσει. Η τεχνητή νοημοσύνη, για μένα, είναι γενικά ο γενικός όρος για μηχανές βελτιστοποιημένες για δεδομένα που εκτελούν εργασίες που είναι δύσκολο να προγραμματιστούν με παραδοσιακούς αλγόριθμους, αλλά αυτό θα μπορούσε να λυθεί σχετικά εύκολα από τον άνθρωπο. Ο Γενικός Γραμματέας, ο οποίος σαφώς ξεπερνά τον εκπαιδευμένο τομέα ευθύνης του, είναι ένα όραμα για το μέλλον και μέρος της έρευνας. Αντίθετα, η εξειδικευμένη AI χρησιμοποιείται ήδη σε πολλούς τομείς, όπως η αναγνώριση της φωνής και της εικόνας για την εκμάθηση μηχανών. "

Εδώ, όλοι οι συμμετέχοντες συμφώνησαν: ο καθοριστικός παράγοντας είναι η συγκεκριμένη εφαρμογή και το αντίστοιχο όφελος για τον πελάτη. Και προειδοποιούν ενάντια στις υπερβολικές προσδοκίες μεταξύ των πελατών. "Βασικά πρέπει να αναρωτηθούμε: Τι θέλει ο πελάτης;" Η μηχανική μάθηση και οι στατιστικές μέθοδοι γενικά έχουν ως αποτέλεσμα πληροφορίες και στοιχεία για τον καλύτερο έλεγχο των επιχειρηματικών διαδικασιών, αλλά οι εταιρείες αναμένουν επίσης ότι η Artificial Intelligence θα αυτοματοποιήσει και θα βελτιώσει συνεχώς τις διαδικασίες αυτές Υπάρχουν επί του παρόντος συναρπαστικές προκλήσεις ", λέει ο Michael Mayerhofer, επικεφαλής Data Scientist της NTT Data.

Ο Alexander Krock, επικεφαλής της DACH του Google Cloud DACH, βλέπει έναν άλλο κίνδυνο εκτός από τις υπερβολικές προσδοκίες: "Πολλές εταιρείες παίρνουν τις λέξεις-κλειδιά και σκέφτονται:" Επειδή τώρα όλοι οι AI κάνουν, χρειαζόμαστε και αυτό ". Κατά τη γνώμη μου, αυτή είναι μια λανθασμένη προσέγγιση επειδή μπορεί να οδηγήσει σε καθαρό ακτιβισμό χωρίς να εξετάσει την πραγματική προστιθέμενη αξία για την επιχείρηση. Μια συμβουλή: η μηχανική μάθηση είναι πολύ ισχυρή σε επαναλαμβανόμενες εφαρμογές, όπως η αξιολόγηση εικόνων ακτίνων Χ και την κατάρτιση των αλγορίθμων όλο και περισσότερο. "

Η συμβουλευτική εταιρεία Accenture έχει αναπτύξει έναν κατάλογο για τους πελάτες της με σενάρια και πιθανές περιπτώσεις χρήσης για έργα AI. "Αρχικά, υπάρχουν απλά σενάρια που δίνουν αποτελέσματα σχετικά γρήγορα: Το Moon Shot με μεγάλους στόχους όπως το" Θέλουμε να βρούμε το φάρμακο για τον καρκίνο με AI "είναι πολύ μακροπρόθεσμο και είναι δύσκολο να γνωστοποιηθεί στο επίπεδο του διοικητικού συμβουλίου συχνά πηγαίνει από το σύνθημα: «Τα δεδομένα είναι το νέο πετρέλαιο, τώρα πού είναι τα χρήματά μου;» Αυτό μπορεί να επιτευχθεί γρήγορα με έργα KI που κάνουν τις διαδικασίες ταχύτερες, καλύτερες και φθηνότερες ", λέει ο Dr. med. Andreas Braun, Data + AI Ηγέτης στην Accenture στην Ευρώπη.

Μπορεί να είναι επωφελές αν ο ίδιος ο πάροχος χρησιμοποιεί την τεχνολογία AI στην επιχείρησή του, για παράδειγμα για να βελτιώσει τις διαδικασίες ή για να μπορέσει να αντιδράσει ενεργά στη βιομηχανική παραγωγή σε πιθανά προβλήματα με τα συστήματα (predictive maintenance). Όπως και η Siemens. «Χρησιμοποιούμε διαρκώς ένα ευρύ φάσμα λύσεων ψηφιοποίησης της Siemens στις δικές μας εγκαταστάσεις παραγωγής, συμπεριλαμβανομένων των τεχνολογιών KI και ML, ώστε να μεταφέρουμε την εμπειρία των ψηφιοποιητικών έργων στους πελάτες μας ένα προς ένα», λέει η Katharina Lamsa, εκπρόσωπος Ψηφιακό εργοστάσιο στη Siemens. «Η συνειδητοποίηση ότι επιτυχώς υλοποιημένες λύσεις ψηφιοποίησης οδηγούν σε σημαντικά μεγαλύτερη αποδοτικότητα, μεγαλύτερη ευελιξία και, τελικά, σημαντικά υψηλότερη παραγωγικότητα είναι το καλύτερο κίνητρο για την προοδευτική εξάπλωση της ψηφιοποίησης, των λύσεων AI και ML, Ανασυγκρότηση ψηφιακών επιχειρήσεων ".

Μεγαλύτερη πρόκληση: δεδομένα, δεδομένα, δεδομένα

Die Datenqualität ist für die Diskussionsteilnehmer eine der großen Herausforderungen bei ML-Projekten.
Η ποιότητα των δεδομένων είναι μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν οι συμμετέχοντες ML σε έργα ML.
Φωτογραφία: Michaela Handrek-Rehle

Αλλά η εκμάθηση μηχανών και άλλες μέθοδοι AI έχουν νόημα μόνο αν η βάση δεδομένων είναι σωστή. Συνολικά, όλοι οι συμμετέχοντες στρογγυλής τραπέζης αναγνώρισαν την ποιότητα των δεδομένων, την προετοιμασία των δεδομένων και την ασφάλεια των δεδομένων ως τις μεγαλύτερες προκλήσεις στην τεχνητή νοημοσύνη. "Οι επιχειρήσεις πρέπει να συλλέγουν, να συγκεντρώνουν, να ομαλοποιούν και να αναλύουν τύπους δεδομένων και μορφές δεδομένων από διάφορες πηγές, αλλά πολλές εταιρείες δεν έχουν κάνει την εργασία τους εδώ ή έχουν τα δεδομένα, αλλά δεν γνωρίζουν τι θέλουν να κάνουν με την ανάλυση Για να αυτοματοποιήσετε τις διαγνώσεις πιο γρήγορα ή να βελτιώσετε την εξυπηρέτηση πελατών Ο στόχος των έργων AI πρέπει να είναι σαφής », δήλωσε ο Alfred Ermer, Διευθύνων Σύμβουλος και Διευθύνων Σύμβουλος του Arago da Vinci.

Τα δεδομένα πρέπει φυσικά να πληρούν όλα τα κριτήρια για υψηλή ποιότητα, όπως η ορθότητα, η συνέπεια, η πληρότητα, η επικαιρότητα ή η ομοιομορφία. "Για εμάς, όπως συνηθίζεται στη βιομηχανία, περίπου 80% του χρόνου δαπανώνται για την εύρεση, συλλογή και επεξεργασία δεδομένων μηχανικής μάθησης για να καταστήσει την ανάπτυξη και τη λειτουργία των δικτύων και των προϊόντων πιο αποτελεσματική", δήλωσε ο Kenza Ait Si Abbou Lyadini, Senior Manager Ρομποτική & AI στην Deutsche Telekom IT. "Στόχος μας είναι να εφαρμόσουμε το υφιστάμενο ενιαίο μοντέλο δεδομένων για να αναλύσουμε τα σιλό δεδομένων που απομένουν από τα πολυετή μας ιστορικά δεδομένα και να επιτρέψουμε την επαναχρησιμοποίηση των περιπτώσεων χρήσης και η υπεύθυνη χρήση των πληροφοριών των πελατών αποτελεί την πρώτη μας προτεραιότητα".

Παρόμοιες ή ακόμα αυστηρότερες διατάξεις ασφαλείας ισχύουν επίσης στον τομέα της υγειονομικής περίθαλψης, όπου πολλά δεδομένα ασθενών υποβάλλονται σε ανώνυμη επεξεργασία, για παράδειγμα, σε μελέτες και έρευνα για τα ναρκωτικά. "Ως εταιρεία φαρμάκων και διαγνωστικών, δεν πρέπει μόνο να δώσουμε ιδιαίτερη προσοχή στην προστασία δεδομένων, πρέπει επίσης να διαφυλάξουμε την ποιότητα των δεδομένων και να μεταφέρουμε τα δεδομένα σε συνεπή μορφή προτού μπορέσουμε να εκμεταλλευτούμε τις δυνατότητες του AI", τονίζει ο Dr. med. Markus Bundschus, Διευθύντρια Γραφείου Δεδομένων στη Roche Diagnostics.

Οι επιστήμονες δεδομένων συχνά δεν διαθέτουν τα κατάλληλα δεδομένα

Προϋπόθεση για την επιτυχία της ανακάλυψης φαρμάκων, για την οποία η μηχανική μάθηση είναι να ανακαλύψει βιοδείκτες από ένα μεγάλο αριθμό δεδομένων, είναι η στενή δικτύωση τεχνικών και επιστημόνων δεδομένων με εμπειρογνώμονες, για παράδειγμα βιοχημικούς. "Οι εμπειρογνώμονες του θέματος πρέπει να βυθιστούν στην τεχνολογία και να υποστηρίξουν τους επιστήμονες των δεδομένων να κατανοήσουν το πεδίο εμπειρίας τους", λέει ο Bundschus.

Αυτό ισχύει και για τη βιομηχανία. Εδώ, οι ειδικοί παραγωγής πρέπει να κατανοήσουν την έννοια των δεδομένων, ώστε να μπορούν να συνεργάζονται με τους επιστήμονες δεδομένων για να αξιολογήσουν τα αποτελέσματα του αλγορίθμου. Αντιστρόφως, οι επιστήμονες δεδομένων πρέπει επίσης να κατανοήσουν τις ανάγκες και τις προκλήσεις των ειδικευμένων τμημάτων - και χρειάζονται τα κατάλληλα δεδομένα για τις αναλύσεις τους.

Επειδή αυτό ήταν ένα πολύ εκπληκτικό αποτέλεσμα αυτού του γύρου συζητήσεων σχετικά με τη μηχανική μάθηση και την AI: Συχνά οι ακριβοί αγοραστές ειδικών δεδομένων είναι στην ξηρά, επειδή λαμβάνουν πολύ λίγα ή καθόλου σημαντικά δεδομένα. Στο συμπέρασμα, μια δήλωση του Steve Rommel, επικεφαλής του τμήματος IT Business Digital Processing της Konica Minolta: "Συχνά, τα δεδομένα για έργα AI ή μηχανική μάθηση από τα διάφορα τμήματα δεν είναι απτά - Άλλοι λόγοι περιλαμβάνουν την έλλειψη στρατηγικής δεδομένων ή απλώς χαμηλής ποιότητας δεδομένων, οπότε είναι δύσκολο να πιστέψουμε ότι οι επιστήμονες δεδομένων συχνά δεν έχουν τα σωστά δεδομένα και αισθάνονται ότι δεν υπόκεινται σε αμφισβήτηση ».

Πληροφορίες σχετικά με τα πακέτα συνεργατών για τη μελέτη εκμάθησης μηχανών