|
|
Ten Predictions for AI in 2020
The Last Mile of AI: Deployment
|
Die letzte Meile der KI: Bereitstellung
|
|
We’re already seeing waves of this from certain vendors, but the idea of helping organizations through that last mile of the AI lifecycle—deploying a model into production—will become a focal point for customers and vendors alike in 2020. Here are a few recently collected data points that emphasize the importance of vendors helping customers to operationalize AI:
|
Wir sehen bereits Wellen von bestimmten Anbietern, aber die Idee, Organisationen durch diese letzte Meile des KI-Lebenszyklus zu helfen — ein Modell in die Produktion zu implementieren — wird 2020 ein Schwerpunkt für Kunden und Anbieter gleichermaßen werden. Hier sind einige kürzlich erfasste Datenpunkte, in denen hervorgehoben wird, wie wichtig es ist, dass Anbieter Kunden dabei helfen, KI zu operationalisieren:
|
|
72% of organizations with AI initiatives do not yet have AI in production.
|
72% der Organisationen mit KI-Initiativen haben noch keine KI in der Produktion.
|
|
44% of organizations investing in specialized infrastructure to support AI initiatives do not expect to see value in their investments for at least ten months.
|
44% der Unternehmen, die in spezialisierte Infrastruktur investieren, um KI-Initiativen zu unterstützen, erwarten keinen Wert in ihren Investitionen für mindestens zehn Monate.
|
|
Nearly one in four organizations (23%) cite model deployment as the phase of the AI/ML data pipeline that creates the greatest challenge.1
|
Fast eine von vier Organisationen (23%) zitiert die Modellbereitstellung als die Phase der AI/ML-Datenpipeline, die die größte Herausforderung darstellt.
|
|
Why would an organization invest hundreds of thousands of dollars to not see a return on the investment for over a year? Why would businesses waste the time, effort, and money to make it 80% of the way to leveraging AI, and then fall short at the end? Simply put, they won’t. They’ll turn to prebuilt tools, solutions, or applications that embed AI and say, “it’s good enough.” In the short term, that may work, but in the long term, they’ll need to figure out how to better customize AI to their specific business and use case. And to get there, they’ll need to solve the AI deployment challenge.
|
Warum sollte eine Organisation Hunderttausende von Dollar investieren, um mehr als ein Jahr lang keine Rendite der Investition zu sehen? Warum sollten Unternehmen die Zeit, Mühe und Geld verschwenden, um 80% des Weges zur Nutzung von KI zu machen, und dann am Ende zu knapp werden? Einfach ausgedrückt, werden sie nicht. Sie werden sich an vorgefertigte Tools, Lösungen oder Anwendungen wenden, die KI einbetten und sagen: „Es ist gut genug“. Kurzfristig kann das funktionieren, aber langfristig müssen sie herausfinden, wie sie die KI besser an ihr spezifisches Geschäft und ihren Anwendungsfall anpassen können. Und um dorthin zu gelangen, müssen sie die Herausforderung für die KI-Bereitstellung lösen.
|
The Persona Conundrum
|
Das Persona Conundrum
|
|
Recognizing the challenges seen by so many organizations across the data lifecycle, new terminology is being used in the market to address the different personas involved throughout the data and applications lifecycle. DevOps incorporates best practices, tools, collaboration, and automation throughout the development and deployment lifecycle between developers and IT operations. DataOps fills a pressing need to incorporate data-centric roles in that process—data engineers, data architects, data scientists—to communicate, collaborate, and incorporate best practices for tie-ins to analytics workflows and next-generation applications. MLOps goes hand in hand with the first prediction, by addressing collaboration between data science teams and operations teams for AI-based applications in production.
|
Angesichts der Herausforderungen, die so viele Unternehmen im gesamten Datenlebenszyklus sehen, wird neue Terminologie auf dem Markt verwendet, um die verschiedenen Personas im gesamten Daten- und Anwendungslebenszyklus anzusprechen. DevOps umfasst Best Practices, Tools, Zusammenarbeit und Automatisierung während des gesamten Entwicklungs- und Bereitstellungslebenszyklus zwischen Entwicklern und IT-Betriebsabläufen. DataOps erfüllt die dringende Notwendigkeit, datenzentrierte Rollen in diesen Prozess einzubeziehen — Data Engineers, Data Architects, Data Scientisters —, um zu kommunizieren, zusammenzuarbeiten und Best Practices für die Einbindung von Analyseworkflows und Anwendungen der nächsten Generation zu integrieren. MLOps geht Hand in Hand mit der ersten Vorhersage, indem es die Zusammenarbeit zwischen Data Science-Teams und Operationsteams für KI-basierte Anwendungen in der Produktion anspricht.
|
|
Shifting to data science and analytics, there has been an increased focus on democratizing data access to support all areas of the business. This of course pushes the need for tools that best enable both generalists and specialists to complete their jobs efficiently and effectively. While vendors announce products that seem like the panacea for data democratization, gaps remain when it comes to the entry points and handoffs from one role to another.
|
Bei der Umstellung auf Data Science und Analytics wurde ein verstärkter Fokus auf die Demokratisierung des Datenzugriffs gesetzt, um alle Bereiche des Unternehmens zu unterstützen. Dies drängt natürlich den Bedarf an Werkzeugen, die es sowohl Generalisten als auch Spezialisten am besten ermöglichen, ihre Arbeit effizient und effektiv zu erledigen. Während Anbieter Produkte ankündigen, die das Allheilmittel für die Datendemokratisierung zu sein scheinen, bleiben Lücken, wenn es um die Einstiegspunkte und Übergabe von einer Rolle zur anderen geht.
|
|
Regardless of <insert your term>Ops terminology or who is looking to access what data from what tool using what device, the various and growing number of personas involved in data management and analysis creates a challenge for vendors in how to best position their products and solutions. In 2020, expect vendors to prioritize persona-based marketing from IT operations and developers to data scientists and business analysts.
|
Unabhängig von der Terminologie von Ops oder wer auf welche Daten von welchem Tool mit welchem Gerät zugreifen möchte, stellt die vielfältige und wachsende Anzahl von Personas, die in Datenmanagement und -analyse involviert sind, eine Herausforderung für Anbieter bei der optimalen Positionierung ihrer Produkte und Lösungen dar. Erwarten Sie im Jahr 2020, dass Anbieter personenbasiertes Marketing priorisieren, von IT-Operationen und -Entwicklern bis hin zu Data Scientists und Business-Analysten.
|
Fixing the AI Skills Gap…with AI
|
Beheben der KI-Kompetenzlücke... mit KI
|
|
How do you fill the AI skills gap? With AI of course. It’s borderline clichéd to cite the AI skills gap as a preventer in leveraging AI. It’s an interesting conundrum: Either you don’t have a data scientist, or you do and you’re asking too much of them. Sixty-three percent of organizations with AI initiatives underway have personnel completing tasks across different phases of the AI lifecycle that fall outside of their core skillset and responsibility.2 And it’s forcing organizations to hold back future investments in the technology.
|
Wie füllen Sie die KI-Kompetenzlücke? Natürlich mit KI. Es ist grenzwertiges Klischee, die KI-Kompetenzlücke als Vorherrn bei der Nutzung von KI zu zitieren. Es ist ein interessantes Rätsel: Entweder haben Sie keinen Data Scientist, oder Sie tun es und Sie fragen zu viel von ihnen. 63 Prozent der Unternehmen mit KI-Initiativen im Gange sind, verfügen über Mitarbeiter, die Aufgaben in verschiedenen Phasen des KI-Lebenszyklus erledigen, die außerhalb ihrer Kernkompetenz und ihrer Verantwortung fallen.2 Und es zwingt Unternehmen, zukünftige Investitionen in die Technologie zurückzuhalten.
|
|
The ironic part is that while both customers and vendors have recognized this challenge, the vendors (who are hiring much of the AI talent) are building tools with embedded AI to solve the problem. This can help two types of roles, both of which need the help. For the non-data scientists like data engineers, data architects, data stewards, etc., advanced tools with intelligent automation will enable them to more rapidly complete their day-to-day tasks, while exposing them to AI technologies with guardrails. For the data scientists themselves, it’s more about focusing on their core expertise and enabling better collaboration and repeatability across the AI lifecycle. We’ve seen it throughout this year, and next year is no different: AI democratization will continue to be desired, emphasized, and embraced.
|
Der ironische Teil ist, dass, obwohl sowohl Kunden als auch Anbieter diese Herausforderung erkannt haben, die Anbieter (die einen Großteil der KI-Talente einstellen) Werkzeuge mit eingebetteter KI entwickeln, um das Problem zu lösen. Dies kann zwei Arten von Rollen helfen, die beide die Hilfe benötigen. Für Nicht-Datenwissenschaftler wie Data Engineers, Data Architects, Data Stewards usw. werden fortschrittliche Tools mit intelligenter Automatisierung es ihnen ermöglichen, ihre täglichen Aufgaben schneller zu erledigen und sie mit Leitplanken KI-Technologien auszusetzen. Für die Data Scientists selbst geht es mehr darum, sich auf ihr Kernwissen zu konzentrieren und eine bessere Zusammenarbeit und Wiederholbarkeit über den gesamten KI-Lebenszyklus hinweg zu ermöglichen. Wir haben es in diesem Jahr gesehen, und im nächsten Jahr ist es nicht anders: KI-Demokratisierung wird weiterhin gewünscht, betont und angenommen werden.
|
AI Will Take Action
|
KI wird Maßnahmen ergreifen
|
|
For those leveraging AI today, the predominant method is to access AI through a product or solution to provide predictive insights. Systems turn to prebuilt AI models that are trained on historical results, analyze real-time data streams, and then alert when something is wrong. Nearly one in three (32%) organizations with AI initiatives underway are using AI as a recommendation engine.3 And IT is a key entry point in this area, whether analyzing log files, managing IT systems, monitoring resources, or orchestrating infrastructure. But simple alerting is the low hanging fruit. In fact, in some cases, it should not be considered “AI” at all since it’s more rule-based automation than AI.
|
Für diejenigen, die heute KI nutzen, besteht die vorherrschende Methode darin, über ein Produkt oder eine Lösung auf KI zuzugreifen, um vorausschauende Erkenntnisse zu liefern. Systeme verwenden vorgefertigte KI-Modelle, die auf historischen Ergebnissen geschult sind, Echtzeit-Datenströme analysieren und dann warnen, wenn etwas nicht stimmt. Fast jede dritte (32%) Organisationen, die KI-Initiativen im Gange sind, nutzt KI als Empfehlungs-Engine.3 Und die IT ist ein wichtiger Einstieg in diesem Bereich, egal ob die Analyse von Protokolldateien, die Verwaltung von IT-Systemen, die Überwachung von Ressourcen oder die Orchestrierung der Infrastruktur. Aber einfache Alarmierung ist die niedrig hängende Frucht. In einigen Fällen sollte es überhaupt nicht als „KI“ angesehen werden, da es sich um regelbasierte Automatisierung als KI handelt.
|
|
Where AI is going next in this space is taking the appropriate action based on learned behaviors or requirements. Actionable AI will change the way systems are managed, maintained, and provisioned. It will do more than simply provide insight. AI will begin acting to truly enable the next wave of intelligent automation. And while some may consider AI in IT the low hanging fruit, every industry will look to embrace the idea of AI taking action. Maybe it’s a valve automatically turning off, a production line automatically stopping, or a notification directing personnel to allocate more time to a high-value task.
|
Wo KI in diesem Bereich als nächstes geht, ergreift die entsprechende Aktion basierend auf erlernten Verhaltensweisen oder Anforderungen. Umsetzbare KI ändert die Art und Weise, wie Systeme verwaltet, gewartet und bereitgestellt werden. Es wird mehr tun, als nur Einblicke zu geben. KI wird beginnen zu handeln, um die nächste Welle intelligenter Automatisierung wirklich zu ermöglichen. Und während einige KI in der IT als wenig hängende Frucht betrachten, wird jede Branche darauf achten, die Idee zu übernehmen, KI Maßnahmen zu ergreifen. Vielleicht ist es ein Ventil, das sich automatisch abschaltet, eine Produktionslinie automatisch stoppt, oder eine Benachrichtigung, die das Personal anweist, mehr Zeit für eine hochwertige Aufgabe zu reservieren.
|
Why versus What
|
Warum versus Was
|
|
Going hand in hand with actionable AI is ensuring the right level of control and accountability. AI today is used heavily to answer questions like: What is that? What happened? What is going to happen? Using AI for pattern recognition is where we are today (still in its infancy). But organizations need much more information to stand behind an AI-based decision, including understanding the cause and effect of an action taken. Using AI to help users understand the cause and then explain the effect in human terms will significantly advance AI adoption. This of course lands in the realm of explainable AI, where insights derived from AI must be explained to a point where they can be understood by a human. While few technology vendors offer features like this today, in 2020, this feature will become a must-have, especially to advance AI adoption in highly regulated industries.
|
Hand in Hand mit umsetzbaren KI zu gehen, stellt das richtige Maß an Kontrolle und Rechenschaftspflicht sicher. KI heute wird stark verwendet, um Fragen zu beantworten wie: Was ist das? Was ist passiert? Was wird passieren? Die Verwendung von KI zur Mustererkennung ist der Ort, an dem wir uns heute befinden (noch in den Kinderschuhen). Aber Organisationen benötigen viel mehr Informationen, um hinter einer KI-basierten Entscheidung zu stehen, einschließlich des Verständnisses der Ursache und Wirkung einer getroffenen Maßnahme. Die Verwendung von KI, um Benutzern zu helfen, die Ursache zu verstehen und dann die Auswirkungen menschlich zu erklären, wird die Akzeptanz der KI erheblich Dies landet natürlich im Bereich der erklärbaren KI, wo Erkenntnisse aus KI bis zu einem Punkt erklärt werden müssen, an dem sie von einem Menschen verstanden werden können. Während wenige Technologieanbieter heute Funktionen wie diese anbieten, wird diese Funktion im Jahr 2020 zu einem Must-Have werden, insbesondere um die Einführung von KI in stark regulierten Branchen voranzutreiben.
|
From the Home to the Workplace
|
Vom Zuhause bis zum Arbeitsplatz
|
|
The use of AI assistants has never been higher. It’s becoming more common than ever to leverage NLP on a smart device to answer basic questions or complete basic tasks. Consumers constantly prompt their devices with phrases such as: What’s the temperature today? What’s on my calendar? Tell me about today’s current events. Add milk to my grocery list.
|
Die Verwendung von AI-Assistenten war noch nie höher. Es wird immer häufiger denn je, NLP auf einem intelligenten Gerät zu nutzen, um grundlegende Fragen zu beantworten oder grundlegende Aufgaben zu erledigen. Verbraucher fordern ihre Geräte ständig mit Phrasen wie: Wie hoch ist die Temperatur heute? Was steht auf meinem Kalender? Erzählen Sie mir von den aktuellen Ereignissen von heute. Füge Milch zu meiner Lebensmittelliste hinzu.
|
|
But the shift of this technology to the enterprise is starting and will continue throughout 2020. In enterprise IT, for example, 57% of organizations feel that using NLP to interact with IT systems is good for limited and specific functions like asking to generate a report, while an additional 35% can’t wait to use AI assistant technology, citing it as the way of the future and looking forward to fully embracing all aspects of the capabilities.4 The same can be said in analytics, where a new type of end-user with limited expertise will be looking to data to help their specific line of business achieve a data-driven goal. We’re in the early stages where BI platforms let users ask (with voice) a question and get a response. Even with the potential for AI to misunderstand a spoken word or sentence, expect to see expansions of usage and rhetoric libraries for certain industries to ensure a better understanding and reaction to voice commands in the workplace. 2020 will bring a whole new adoption trendline based on voice interaction capabilities.
|
Aber die Verlagerung dieser Technologie auf das Unternehmen beginnt und wird sich bis 2020 fortsetzen. In der Unternehmens-IT beispielsweise glauben 57% der Unternehmen, dass die Verwendung von NLP für die Interaktion mit IT-Systemen gut für begrenzte und spezifische Funktionen wie die Forderung nach Erstellung eines Berichts geeignet ist, während zusätzliche 35% es kaum erwarten können, die AI-Assistentechnologie zu nutzen, indem sie sie als den Weg der Zukunft zitieren und sich darauf freuen, voll und ganz zu Das gleiche gilt für Analysen, bei denen eine neue Art von Endbenutzer mit begrenztem Fachwissen nach Daten suchen wird, um ihren spezifischen Geschäftsbereich bei der Erreichung eines datengetriebenen Ziels zu helfen. Wir befinden uns in den frühen Stadien, in denen BI-Plattformen Benutzer (mit Stimme) eine Frage stellen und eine Antwort erhalten. Selbst mit dem Potenzial für KI, ein gesprochenes Wort oder Satz falsch zu verstehen, erwarten Sie, Erweiterungen der Nutzung und Rhetorik-Bibliotheken für bestimmte Branchen zu sehen, um ein besseres Verständnis und Reaktion auf Sprachbefehle am Arbeitsplatz zu gewährleisten. 2020 wird eine ganz neue Adoptions-Trendlinie auf der Grundlage der Sprachinteraktion bringen -Funktionen.
|
Prioritizing Customer Service
|
Priorisierung des Kundendienstes
|
|
Many of us have been there: We can’t find something or need help answering a question and see a popup in the corner of the webpage that offers real-time assistance. While humans are often behind that customer service interaction, chatbots are increasingly used as a means of answering a question or directing to the next interaction. The challenge today is that many of those chatbots are more based on simple automation, so help is limited, especially with more complex questions or requests. The next year will look to enhance that first-level chatbot experience from simple automation to more advanced comprehension and recommendation. AI will detect intent, establish emotional state, more appropriately answer questions, and on the back-end, provide the human side of customer service with the right information to ensure the customer is as satisfied as possible with the final actions.
|
Viele von uns waren da: Wir können nichts finden oder brauchen Hilfe bei der Beantwortung einer Frage und sehen ein Popup in der Ecke der Webseite, das Echtzeit-Unterstützung bietet. Während Menschen oft hinter dieser Kundenservice-Interaktion stehen, werden Chatbots zunehmend als Mittel verwendet, um eine Frage zu beantworten oder auf die nächste Interaktion zu lenken. Die Herausforderung besteht heute darin, dass viele dieser Chatbots eher auf einfacher Automatisierung basieren. Daher ist die Hilfe begrenzt, insbesondere bei komplexeren Fragen oder Anfragen. Im nächsten Jahr soll dieses Chatbot-Erlebnis auf erster Ebene von der einfachen Automatisierung bis hin zu fortgeschrittenem Verständnis und Empfehlungen verbessert werden. KI erkennt Absicht, etabliert emotionalen Zustand, beantwortet angemessener Fragen und stellt im Back-End der menschlichen Seite des Kundendienstes die richtigen Informationen zur Verfügung, um sicherzustellen, dass der Kunde mit den endgültigen Maßnahmen so zufrieden wie möglich ist.
|
Riding the Millennial Wave
|
Reiten auf der Millennial-Welle
|
|
The next wave of workers will enter the workforce with a different (and better) level of data literacy. They’ll be accustomed to leveraging advanced or next-generation technology in their everyday lives to solve problems or complete tasks and will look to do the same in their jobs. This will bring light to a new wave of influence within organizations to use AI to improve day-to-day tasks. While lines of business will likely continue to be the key driver in AI consumption, expect a bigger push from the workers themselves who look to benefit from advanced automation to improve operational efficiency and productivity.
|
Die nächste Welle von Arbeitnehmern wird die Belegschaft mit einem anderen (und besseren) Niveau der Datenkompetenz betreten. Sie werden es gewohnt sein, fortschrittliche Technologien oder Technologien der nächsten Generation in ihrem täglichen Leben zu nutzen, um Probleme zu lösen oder Aufgaben zu erledigen, und werden versuchen, dasselbe in ihrer Arbeit zu tun. Dies bringt Licht auf eine neue Welle von Einfluss innerhalb von Unternehmen, um KI zu nutzen, um alltägliche Aufgaben zu verbessern. Während Geschäftsbereiche wahrscheinlich weiterhin der entscheidende Treiber für den KI-Verbrauch sein werden, erwarten Sie von den Mitarbeitern selbst, die von fortschrittlicher Automatisierung profitieren möchten, um die betriebliche Effizienz und Produktivität zu verbessern.
|
The Good and Bad of AI-based Content
|
Das Gute und Schlechte von KI-basierten Inhalten
|
|
Throughout the year, numerous stories have highlighted some of the groundbreaking (and in some cases dangerous) angles of AI-based content writing to deliver ongoing financial news, highlight election/poll results, influence public opinion, change perception, and share “fake news.” While many tools have remained private/proprietary, such as those used by national media outlets to write factual articles in a repeatable way, other technologies have become more newsworthy as of late. OpenAI can automatically generate intelligent text responses. Deepfake is the idea of utilizing specialized AI to layer in/out pieces of images, audio, and video. The former was previously kept private but was recently made available to the public. This is paving the way for more people, organizations, entities, etc., to leverage AI in legitimate or malicious ways. And of course, it must be mentioned that with a globally impactful presidential election on the horizon, it will be more important than ever to detect what is real and what is fake in publicly shared content. 2020 will pave the way to establish a global standard in AI-writer detection.
|
Im Laufe des Jahres haben zahlreiche Geschichten einige der bahnbrechenden (und in einigen Fällen gefährlichen) Winkel von KI-basierten Inhalten hervorgehoben, um laufende Finanznachrichten zu liefern, Wahl-/Wahlergebnisse hervorzuheben, die öffentliche Meinung zu beeinflussen, die Wahrnehmung zu verändern und „gefälschte Nachrichten“ zu teilen. Während viele Instrumente privat/proprietär geblieben sind, wie sie von nationalen Medien verwendet werden, um auf wiederholbare Weise sachliche Artikel zu schreiben, sind andere Technologien ab spät berichtigter geworden. OpenAI kann automatisch intelligente Textantworten generieren. Deepfake ist die Idee, spezialisierte KI zu verwenden, um Bilder, Audio und Video zu schichten. Erstere wurde zuvor privat gehalten, wurde aber vor kurzem der Öffentlichkeit zugänglich gemacht. Dies ebnet den Weg für mehr Menschen, Organisationen, Entitäten usw., um KI auf legitime oder böswillige Weise zu nutzen. Und natürlich muss erwähnt werden, dass es mit einer global wirksamen Präsidentschaftswahl am Horizont wichtiger denn je sein wird, zu erkennen, was real ist und was in öffentlich geteilten Inhalten gefälscht ist. 2020 wird den Weg ebnen, einen globalen Standard für die Erkennung von AI-Writern zu etablieren.
|
Focus on Mobility
|
Fokus auf Mobilität
|
|
When it comes to augmented analytics, the focus has been on incorporating AI and ML to democratize access to data and, more importantly, insights. The idea is to enable more personnel across an organization to utilize data. And over the next year, businesses will turn to BI tools that enable a new wave of end-users to access data, dashboards, and reports—and that means accessing all of that on their terms from their preferred device. ESG research shows that 57% of all workers expect to be able to perform the majority of their job functions from any device and nearly one-quarter (23%) of workers specifically use a mobile device for more than a third of their workday.5 Marrying data, analytics, BI, and insight with AI-based technology will be central to the democratization of analytics.
|
Wenn es um erweiterte Analysen geht, lag der Schwerpunkt auf der Integration von KI und ML, um den Zugriff auf Daten und, was noch wichtiger ist, Einblicke zu demokratisieren. Die Idee besteht darin, mehr Personal in einer Organisation in die Lage zu versetzen, Daten zu nutzen. Und im nächsten Jahr werden sich Unternehmen an BI-Tools wenden, die es einer neuen Welle von Endbenutzern ermöglichen, auf Daten, Dashboards und Berichte zuzugreifen — und das bedeutet, dass sie von ihrem bevorzugten Gerät aus zu ihren Bedingungen zugreifen können. ESG-Untersuchungen zeigen, dass 57% aller Beschäftigten davon ausgehen, dass sie den Großteil ihrer Arbeitsaufgaben von jedem Gerät aus ausführen können, und fast ein Viertel (23%) der Arbeitnehmer nutzen ein mobiles Gerät für mehr als ein Drittel ihres Arbeitstags.5 Die Verbindung von Daten, Analysen, BI und Erkenntnissen mit KI-basierter Technologie wird von zentraler Bedeutung für die Demokratisierung der Analytik.
|
|
5. Source: ESG Master Survey Results, 2019 Digital Work Trends Survey, November 2019.
|
5. Quelle: ESG-Masterbefragungsergebnisse, Umfrage zur digitalen Arbeitstrends 2019, November 2019.
|
|
|