Il focus dell'IA si sta spostando dai "dati" alla "conoscenza"

Per favore, condividi questa storia!
L'intelligenza artificiale produce naturalmente conoscenza artificiale. Vedi qualcosa di sbagliato in questa proposta? Una definizione di artificiale è "fatto dalle persone per assomigliare molto a qualcosa di naturale", il che significa che è falso mentre intende ingannevolmente convincerti che è reale. ⁃ TN Editor

La rivoluzione dell'Intelligenza Artificiale (AI) è iniziata più di mezzo secolo fa. Nell'ultimo decennio, l'IA è passata da un campo scientifico accademico per iniziare a essere una parte pratica della nostra vita quotidiana. Le strategie aziendali di IA più comuni che vediamo sono basate sui dati. Riteniamo che i dati proprietari siano attualmente il fossato più strategico per le aziende di IA, ma nei prossimi anni diventeranno meno un asset unico, rendendo la differenziazione dei dati proprietari meno sostenibile. Pertanto, ci aspettiamo uno spostamento dell'attenzione, dalle strategie AI basate sui dati, alle strategie AI basate sulla conoscenza.

Il progresso dei big data, facilitato dall'implementazione di numerosi sensori, connettività Internet e miglioramenti hardware e software in termini di potenza di calcolo, capacità di comunicazione e archiviazione digitale, hanno consentito all'intelligenza artificiale di scalare da piccoli progetti di ricerca accademica a grandi applicazioni di produzione aziendale. In sostanza, i big data richiedevano modelli di intelligenza artificiale sofisticati per analizzare e derivare conoscenze e approfondimenti, mentre i modelli di intelligenza artificiale avevano bisogno di massa critica di big data per la formazione e l'ottimizzazione. Quindi, al momento, i dati sono spesso percepiti come un fossato strategico sufficiente per le startup AI. In quanto investitori in capitale di rischio, assistiamo regolarmente a questo fenomeno. Negli ultimi anni, abbiamo visto molte startup che pongono l'acquisizione dei dati al centro della loro strategia aziendale. Un numero crescente di tali aziende sottolinea i set di dati unici che hanno acquisito e la loro strategia a lungo termine per l'acquisizione di dati proprietari aggiuntivi, come una barriera di ingresso sostenibile. Inoltre, poiché gli strumenti di intelligenza artificiale e le piattaforme di intelligenza artificiale come servizio hanno mercificato lo sviluppo di modelli di intelligenza artificiale e i dati pubblici sono diventati onnipresenti, la necessità percepita di costruire e difendere un fossato di dati è diventata palpabile.

Nell'ecosistema tecnologico odierno, i mercati hanno sempre più premiato le aziende con i principali programmi di intelligenza artificiale e il controllo sui dati proprietari, come vantaggio competitivo sostanziale e sostenibile. Aziende come Google e Netflix hanno sviluppato e curato set di dati enormi e autorevoli per un lungo periodo di tempo, mentre molte altre aziende hanno lottato invano per eguagliare il loro successo. Un esempio è la massiccia interruzione dei fornitori di servizi multimediali e delle società di produzione rivali, che sono stati sconfitti da Netflix ' sofisticata strategia di dati.

Tuttavia, a causa dei previsti progressi nella capacità e volontà di scambiare dati, riteniamo che entro un decennio i fossati di dati proprietari saranno meno sostenibili. Anche se i dati alimenteranno ancora il motore del valore dell'IA, le strategie di business dell'IA saranno sempre più focalizzate sulla conoscenza.

Salire la piramide del valore dell'IA, verso il livello di conoscenza

La piramide del valore dell'IA è basata sui dati e guidata dalla conoscenza. Mentre oggi "stiamo annegando nelle informazioni ma siamo affamati di conoscenza", ci aspettiamo di salire nella piramide dei valori dell'IA, verso il livello della conoscenza. In effetti, abbiamo iniziato a vedere progressi che promuoveranno e accelereranno questa tendenza mediante la creazione di scambi di dati. Ci aspettiamo che lo scambio di dati sarà facilitato da una combinazione di maggiore fattibilità e volontà di condividere dati mercificati in cambio di preziose conoscenze. In sintesi, i dati diventeranno più abbondanti, disponibili, affidabili, standardizzati e poco costosi: la definizione perfetta di una merce ideale. L'utilizzo dei dati come barriera sostenibile all'ingresso sarà più difficile in futuro.

La maggiore fattibilità di condividere i dati sarà accelerata dalla proliferazione di fonti di dati tramite Internet delle cose (IoT). Inoltre, ci sono nuove tecniche, protocolli e standard per il raggruppamento, la condivisione e lo scambio di dati. Guardando al futuro, la maggiore capacità di condividere i dati diventerà davvero significativa quando ci saranno incentivi e una crescente inclinazione a farlo. Poiché l'IA mina e sconvolge l'eredità barriere competitive all'ingresso, molte organizzazioni tentano senza sosta di raccogliere i propri dati proprietari e di monetizzarli. Purtroppo, questa acquisizione e utilizzo dei dati non è né facile né fruttuoso e quindi crea dissonanze strategiche. Questo perché, sebbene l'intelligenza artificiale sia sempre più indispensabile per la maggior parte delle organizzazioni, non fa parte delle loro competenze legacy o competenze di base. Inoltre, il ccarenza cronica e duratura di ingegneri, sviluppatori, lead di prodotto e manager formati in AI acuisce questa dissonanza e porta a una preferenza di soluzione per la condivisione dei dati con l'obiettivo dello scambio di conoscenze.

Un esempio della combinazione di capacità e volontà di creare attraverso lo scambio di dati per la generazione di conoscenza è la nuova proposta dall'Unione Europea, per creare "un mercato unico per i dati", al fine di consentire alle persone, alle imprese e alle organizzazioni di prendere decisioni migliori basate su approfondimenti da dati non personali per competere con gli attuali giganti della tecnologia.

Un altro fattore che contribuisce a rendere meno sostenibili i fossati dei dati è l'invenzione di nuove soluzioni di dati che consentono di utilizzare set di dati più piccoli per i modelli di addestramento. Soluzioni di dati sintetici (ad esempio, con Generative Adversarial Networks) e altre tecniche di minimizzazione, come l'aumento dei dati, potrebbero consentire alle aziende di creare prodotti AI dirompenti, senza enormi quantità di dati.

Leggi la storia completa qui ...

L'autore

Patrick Wood
Patrick Wood è un esperto importante e critico in materia di sviluppo sostenibile, economia verde, agenda 21, agenda 2030 e tecnocrazia storica. È autore di Technocracy Rising: The Trojan Horse of Global Transformation (2015) e coautore di Trilaterals Over Washington, Volumes I e II (1978-1980) con il compianto Antony C. Sutton.
Sottoscrivi
Notifica
ospite

1 Commento
il più vecchio
Nuovi Arrivi I più votati
Feedback in linea
Visualizza tutti i commenti