|
|
Ten Predictions for AI in 2020
The Last Mile of AI: Deployment
|
L'ultimo miglio dell'intelligenza artificiale: distribuzione
|
|
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:
|
Stiamo già vedendo ondate di questo da parte di alcuni fornitori, ma l'idea di aiutare le organizzazioni a superare l'ultimo miglio del ciclo di vita dell'IA, ovvero implementare un modello in produzione, diventerà un punto focale per clienti e fornitori nel 2020. Di seguito sono riportati alcuni punti dati raccolti di recente che sottolineano l'importanza dei fornitori che aiutano i clienti a rendere operativa l'IA:
|
|
72% of organizations with AI initiatives do not yet have AI in production.
|
Il 72% delle organizzazioni con iniziative AI non ha ancora in produzione l'intelligenza artificiale.
|
|
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.
|
Il 44% delle organizzazioni che investono in infrastrutture specializzate per supportare le iniziative di intelligenza artificiale non si aspetta di vedere valore nei loro investimenti per almeno dieci mesi.
|
|
Nearly one in four organizations (23%) cite model deployment as the phase of the AI/ML data pipeline that creates the greatest challenge.1
|
Quasi una organizzazione su quattro (23%) cita la distribuzione del modello come la fase della pipeline di dati AI/ML che crea la sfida più grande 1
|
|
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.
|
Perché un'organizzazione dovrebbe investire centinaia di migliaia di dollari per non vedere un ritorno sull'investimento per oltre un anno? Perché le aziende dovrebbero sprecare tempo, sforzi e denaro per ottenere l'80% del modo di sfruttare l'intelligenza artificiale, per poi cadere a corto alla fine? In poche parole, non lo faranno. Si rivolgeranno a strumenti, soluzioni o applicazioni precompilati che incorporano l'intelligenza artificiale e dicono, «è abbastanza buono». A breve termine, potrebbe funzionare, ma a lungo termine, avranno bisogno di capire come personalizzare meglio l'intelligenza artificiale per il loro business e caso d'uso specifico. E per arrivarci, dovranno risolvere la sfida di distribuzione dell'intelligenza artificiale.
|
The Persona Conundrum
|
L'enigma Persona
|
|
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.
|
Riconoscendo le sfide incontrate da così tante organizzazioni durante il ciclo di vita dei dati, viene utilizzata una nuova terminologia sul mercato per affrontare le diverse persone coinvolte durante il ciclo di vita dei dati e delle applicazioni. DevOps incorpora best practice, strumenti, collaborazione e automazione per tutto il ciclo di vita dello sviluppo e della distribuzione tra sviluppatori e operazioni IT. DataOps colma la necessità urgente di incorporare ruoli incentrati sui dati in quel processo (data engineer, data architects, data scientist) per comunicare, collaborare e incorporare le best practice per i flussi di lavoro di analisi e le applicazioni di nuova generazione. MLOP va di pari passo con la prima previsione, affrontando la collaborazione tra team di data science e team operativi per applicazioni basate sull'intelligenza artificiale in produzione.
|
|
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.
|
Passando alla data science e all'analytics, c'è stata una maggiore attenzione alla democratizzazione dell'accesso ai dati per supportare tutte le aree del business. Questo ovviamente spinge la necessità di strumenti che consentano al meglio a generalisti e specialisti di completare il loro lavoro in modo efficiente ed efficace. Mentre i fornitori annunciano prodotti che sembrano la panacea per la democratizzazione dei dati, rimangono lacune quando si tratta di punti di ingresso e passaggi da un ruolo all'altro.
|
|
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.
|
Indipendentemente dalla terminologia Ops o da chi sta cercando di accedere a quali dati da quale strumento utilizzando quale dispositivo, il numero crescente di persone coinvolte nella gestione e analisi dei dati crea una sfida per i fornitori nel modo migliore di posizionare i propri prodotti e soluzioni. Nel 2020, si aspettano che i fornitori assegnino priorità al marketing basato sulla persona dalle operazioni IT e dagli sviluppatori ai data scientist e agli analisti aziendali.
|
Fixing the AI Skills Gap…with AI
|
Risolvere il divario delle competenze AI... con l'intelligenza artificiale
|
|
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.
|
Come colmare il divario di competenze AI? Con l'intelligenza artificiale, ovviamente. È un cliché borderline citare il divario di competenze IA come un impedimento nel sfruttare l'intelligenza artificiale. È un enigma interessante: o non hai uno scienziato di dati, o lo fai e chiedi troppo a loro. Il sessantatreper cento delle organizzazioni con iniziative di intelligenza artificiale in corso dispone di personale che completa attività in diverse fasi del ciclo di vita dell'IA che non rientrano nelle competenze e responsabilità.2 E sta costringendo le organizzazioni a trattenere gli investimenti futuri nella tecnologia.
|
|
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.
|
La parte ironica è che mentre sia i clienti che i fornitori hanno riconosciuto questa sfida, i fornitori (che stanno assumendo gran parte del talento AI) stanno costruendo strumenti con intelligenza artificiale incorporata per risolvere il problema. Questo può aiutare due tipi di ruoli, entrambi i quali hanno bisogno di aiuto. Per i non-data scientist come data engineer, data architects, data steward, ecc., strumenti avanzati con automazione intelligente consentiranno loro di completare più rapidamente le loro attività quotidiane, esponendoli alle tecnologie AI con guardrail. Per gli stessi data scientist, si tratta più di concentrarsi sulle loro competenze di base e di migliorare la collaborazione e la ripetibilità durante l'intero ciclo di vita dell'IA. L'abbiamo visto durante quest'anno, e l'anno prossimo non è diverso: la democratizzazione dell'IA continuerà a desiderare, enfatizzata e abbracciata.
|
AI Will Take Action
|
L'IA intraprenderà azioni
|
|
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.
|
Per coloro che utilizzano l'intelligenza artificiale oggi, il metodo predominante consiste nell'accedere all'IA tramite un prodotto o una soluzione per fornire informazioni predittive. I sistemi si rivolgono a modelli di intelligenza artificiale predefiniti che vengono addestrati sui risultati storici, analizzano i flussi di dati in tempo reale e quindi avvisano quando qualcosa non va. Quasi una su tre (32%) organizzazioni con iniziative AI in corso stanno utilizzando l'intelligenza artificiale come motore di raccomandazione.3 E l'IT è un punto di ingresso chiave in questo settore, sia che si tratti di analizzare i file di registro, gestire i sistemi IT, monitorare le risorse o orchestrare l'infrastruttura. Ma un semplice allarme è il frutto basso appeso. In effetti, in alcuni casi, non dovrebbe essere considerato affatto «AI» poiché è più automazione basata su regole rispetto all'intelligenza artificiale.
|
|
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.
|
Dove l'IA sta andando avanti in questo spazio sta prendendo l'azione appropriata in base a comportamenti o requisiti appresi. L'intelligenza artificiale fruibile cambierà il modo in cui i sistemi vengono gestiti, gestiti e sottoposti a provisioning. Farà molto di più che semplicemente fornire intuizioni. L'IA inizierà ad agire per abilitare veramente la prossima ondata di automazione intelligente. E mentre alcuni potrebbero considerare l'intelligenza artificiale nell'IT il frutto basso, ogni settore cercherà di abbracciare l'idea di un'azione IA. Forse si tratta di una valvola che si spegne automaticamente, di una linea di produzione che si arresta automaticamente o di una notifica che indirizza il personale a dedicare più tempo a un'attività di alto valore.
|
Why versus What
|
Perché contro cosa
|
|
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.
|
Andare di pari passo con l'intelligenza artificiale attuabile è garantire il giusto livello di controllo e responsabilità. L'intelligenza artificiale oggi viene utilizzata pesantemente per rispondere a domande come: Che cos'è? Cos'e' successo? Cosa succederà? Usare l'intelligenza artificiale per il riconoscimento del modello è dove siamo oggi (ancora nella sua infanzia). Ma le organizzazioni hanno bisogno di molte più informazioni per sostenere una decisione basata sull'intelligenza artificiale, compresa la comprensione della causa e dell'effetto di un'azione intrapresa. L'utilizzo dell'intelligenza artificiale per aiutare gli utenti a comprendere la causa e quindi spiegare l'effetto in termini umani favorirà significativamente l'adozione dell'intelligenza artificiale. Questo naturalmente atterra nel regno dell'intelligenza artificiale spiegabile, dove le intuizioni derivate dall'IA devono essere spiegate a un punto in cui possono essere comprese da un umano. Mentre pochi fornitori di tecnologia offrono funzionalità come questa oggi, nel 2020, questa funzionalità diventerà un must have, soprattutto per far avanzare l'adozione di IA in settori altamente regolamentati.
|
From the Home to the Workplace
|
Dalla casa al posto di lavoro
|
|
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.
|
L'uso di assistenti AI non è mai stato più alto. Sta diventando sempre più comune utilizzare PNL su un dispositivo intelligente per rispondere a domande di base o completare attività di base. I consumatori chiedono costantemente i loro dispositivi con frasi come: Qual è la temperatura oggi? Cosa c'e' sul mio calendario? Parlami degli eventi attuali di oggi. Aggiungi il latte alla mia lista della spesa.
|
|
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.
|
Ma il passaggio di questa tecnologia all'impresa sta iniziando e continuerà per tutto il 2020. Nell'IT aziendale, ad esempio, il 57% delle organizzazioni ritiene che l'utilizzo di PNL per interagire con i sistemi IT sia utile per funzioni limitate e specifiche come la richiesta di generare un report, mentre un ulteriore 35% non vede l'ora di utilizzare la tecnologia assistente AI, citandola come la via del futuro e in attesa di abbracciando tutti gli aspetti delle capacità.4 Lo stesso si può dire nell'analisi, dove un nuovo tipo di utente finale con competenze limitate cercherà dati per aiutare la propria specifica linea di business a raggiungere un obiettivo basato sui dati. Siamo nelle prime fasi in cui le piattaforme BI consentono agli utenti di porre (con voce) una domanda e ottenere una risposta. Anche con il potenziale per l'intelligenza artificiale di fraintendere una parola o una frase parlata, aspettatevi di vedere espansioni di utilizzo e librerie retoriche per alcuni settori per garantire una migliore comprensione e reazione ai comandi vocali sul posto di lavoro. 2020 porterà una nuova linea di tendenza di adozione basata sull'interazione vocale capacità.
|
Prioritizing Customer Service
|
Assegnazione delle priorità del servizio clienti
|
|
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.
|
Molti di noi sono stati lì: non possiamo trovare qualcosa o bisogno di aiuto per rispondere a una domanda e vedere un popup nell'angolo della pagina web che offre assistenza in tempo reale. Mentre gli esseri umani sono spesso dietro l'interazione del servizio clienti, i chatbot sono sempre più utilizzati come mezzo per rispondere a una domanda o indirizzare alla successiva interazione. La sfida di oggi è che molti di questi chatbot sono più basati sulla semplice automazione, quindi l'aiuto è limitato, soprattutto con domande o richieste più complesse. Il prossimo anno cercherà di migliorare l'esperienza di chatbot di primo livello, dalla semplice automazione alla comprensione e alle raccomandazioni più avanzate. L'IA rileverà l'intento, stabilirà lo stato emotivo, risponderà in modo più appropriato alle domande e, sul back-end, fornirà al lato umano del servizio clienti le informazioni giuste per garantire che il cliente sia il più soddisfatto possibile delle azioni finali.
|
Riding the Millennial Wave
|
Cavalcare l'Onda Millenaria
|
|
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.
|
La prossima ondata di lavoratori entrerà nella forza lavoro con un diverso (e migliore) livello di alfabetizzazione dei dati. Saranno abituati a sfruttare la tecnologia avanzata o di nuova generazione nella loro vita quotidiana per risolvere problemi o completare attività e cercheranno di fare lo stesso nel loro lavoro. Ciò porterà luce a una nuova ondata di influenza all'interno delle organizzazioni per utilizzare l'intelligenza artificiale per migliorare le attività quotidiane. Mentre le linee di business continueranno probabilmente a essere il motore chiave nel consumo di intelligenza artificiale, aspettatevi una spinta maggiore da parte dei lavoratori stessi che cercano di trarre vantaggio dall'automazione avanzata per migliorare l'efficienza operativa e la produttività.
|
The Good and Bad of AI-based Content
|
Il bene e il male dei contenuti basati sull'intelligenza artificiale
|
|
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.
|
Nel corso dell'anno, numerose storie hanno evidenziato alcuni degli angoli innovativi (e in alcuni casi pericolosi) della scrittura di contenuti basati sull'intelligenza artificiale per fornire notizie finanziarie in corso, evidenziare i risultati delle elettori/sondaggi, influenzare l'opinione pubblica, cambiare la percezione e condividere «notizie false». Mentre molti strumenti sono rimasti privati/proprietari, come quelli utilizzati dai media nazionali per scrivere articoli fattuali in modo ripetibile, altre tecnologie sono diventate più interessanti fin da tardi. OpenAI può generare automaticamente risposte testuali intelligenti. Deepfake è l'idea di utilizzare l'intelligenza artificiale specializzata per stratificare pezzi di immagini, audio e video. Il primo è stato precedentemente tenuto privato, ma è stato recentemente messo a disposizione del pubblico. Questo sta spianando la strada a più persone, organizzazioni, entità, ecc., per sfruttare l'intelligenza artificiale in modi legittimi o dannosi. E, naturalmente, va detto che, con un impatto globale delle elezioni presidenziali all'orizzonte, sarà più importante che mai rilevare ciò che è reale e ciò che è falso nei contenuti condivisi pubblicamente. Il 2020 aprirà la strada per stabilire uno standard globale nel rilevamento dell'AI-Writer.
|
Focus on Mobility
|
Focus sulla mobilità
|
|
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.
|
Quando si tratta di analisi aumentata, l'obiettivo è stato quello di incorporare AI e ML per democratizzare l'accesso ai dati e, cosa più importante, gli approfondimenti. L'idea è quella di consentire a più personale di un'organizzazione di utilizzare i dati. E nel corso del prossimo anno, le aziende si rivolgeranno a strumenti di BI che consentono a una nuova ondata di utenti finali di accedere a dati, dashboard e report, e ciò significa accedere a tutto ciò alle proprie condizioni dal proprio dispositivo preferito. La ricerca ESG mostra che il 57% di tutti i lavoratori si aspetta di essere in grado di svolgere la maggior parte delle loro funzioni lavorative da qualsiasi dispositivo e quasi un quarto (23%) dei lavoratori utilizza specificamente un dispositivo mobile per più di un terzo della giornata lavorativa.5 Sposare dati, analisi, BI e informazioni con la tecnologia basata sull'IA sarà centrale per la democratizzazione delle analisi.
|
|
5. Source: ESG Master Survey Results, 2019 Digital Work Trends Survey, November 2019.
|
5. Fonte: ESG Master Survey Results, Indagine sulle tendenze del lavoro digitale 2019, novembre 2019.
|
|
|