|
|
Ten Predictions for AI in 2020
The Last Mile of AI: Deployment
|
AIのラストマイル：展開
|
|
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:
|
すでに特定のベンダーからの波が見られますが、AI ライフサイクルの最後 (モデルを生産に展開する) を通して組織を支援するというアイデアは、2020 年には、顧客やベンダーにとって焦点となるでしょう。次に、顧客が AI の運用を支援するベンダーの重要性を強調する最近収集したデータポイントをいくつか紹介します。
|
|
72% of organizations with AI initiatives do not yet have AI in production.
|
AIイニシアチブを持つ組織の 72% は、まだ生産にAIを持っていません。
|
|
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.
|
AIイニシアチブをサポートするために特殊なインフラストラクチャに投資している組織の 44% は、少なくとも10ヶ月間投資価値を見込んではいません。
|
|
Nearly one in four organizations (23%) cite model deployment as the phase of the AI/ML data pipeline that creates the greatest challenge.1
|
4社に1社近く（23%）が、最大の課題を生み出すAI/MLデータ・パイプラインのフェーズとしてモデルの導入を挙げている。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.
|
なぜ組織は何十万ドルを投資して、1年以上の投資収益率を見ることができないのでしょうか。なぜ企業は、AIを活用する方法の 80% にするために、時間、労力、費用を無駄にし、最終的に不足してしまうのでしょうか？簡単に言うと、AI を埋め込む組み込みのツール、ソリューション、アプリケーションなど、「これで十分です」と言えます。短期的にはうまくいくかもしれませんが、長期的には、特定のビジネスやユースケースに合わせて AI をカスタマイズする方法を理解する必要があります。そこへ到達するには、AI 導入の課題を解決する必要があります。
|
The Persona Conundrum
|
ペルソナの難問
|
|
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.
|
データ・ライフサイクル全体にわたって、非常に多くの組織が直面する課題を認識し、データおよびアプリケーションのライフサイクル全体にわたって、さまざまなペルソナに対応するために、新しい用語が市場で使用されています。DevOps には、開発者と IT 運用間の開発およびデプロイのライフサイクル全体を通して、ベストプラクティス、ツール、コラボレーション、自動化が組み込まれています。DataOps は、データエンジニア、データアーキテクト、データサイエンティストなど、そのプロセスにデータ中心の役割を組み込むという差し迫ったニーズを満たし、分析ワークフローや次世代アプリケーションへのタイインに関するベストプラクティスを取り入れます。MLOP は、本番環境における AI ベースのアプリケーションのデータサイエンスチームと運用チーム間のコラボレーションに対応することで、最初の予測と密接に連携します。
|
|
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.
|
データサイエンスと分析に移行すると、データアクセスの民主化に焦点を当て、ビジネスのあらゆる分野をサポートしてきました。もちろん、ジェネラリストとスペシャリストの両方が効率的かつ効果的に仕事をこなせるツールの必要性が高まります。ベンダーは、データの民主化のための万能薬のように思える製品を発表していますが、エントリポイントや役割から別の役割への引き渡しにはギャップが残っています。
|
|
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.
|
Ops の用語にかかわらず、どのツールからどのデータをどのデバイスを使用してアクセスしたいかに関係なく、データ管理と分析に関わるさまざまなペルソナが増えつつあるため、ベンダーは製品とソリューションを最適な位置づける方法という課題を生み出しています。2020 年には、IT運用や開発者からデータサイエンティストやビジネスアナリストまで、ペルソナベースのマーケティングをベンダーに優先させることを期待しています。
|
Fixing the AI Skills Gap…with AI
|
AI スキルのギャップを修正... AI
|
|
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.
|
AIスキルのギャップをどのように埋めるのですか？もちろんAIでAIを活用する予防策として、AIスキルのギャップを挙げることは、境界線の決まり文句です。これは興味深い難問です。データサイエンティストがいないか、そうしてあまりにも多くのことを求めているかのどちらかです。AIイニシアチブが進行中の組織の 63% が、コアスキルセットと責任の範囲外にある、AIライフサイクルのさまざまなフェーズにわたってタスクを完了する人員を抱えています。2 そして、将来的なテクノロジーへの投資を抑えざるを得ません。
|
|
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.
|
皮肉な点は、顧客とベンダーの両方がこの課題を認識している一方で、ベンダー（AI の才能の多くを雇用している）は、問題を解決するために組み込み AI を備えたツールを構築していることです。これは、2 つのタイプのロールに役立ちます。どちらのロールにもヘルプが必要です。データエンジニア、データアーキテクト、データスチュワードなどの非データサイエンティストにとって、インテリジェントな自動化機能を備えた高度なツールにより、日常業務をより迅速に完了し、ガードレールを使用して AI テクノロジーに公開できます。データサイエンティスト自身にとって、コアな専門知識に重点を置き、AI ライフサイクル全体にわたるコラボレーションと再現性を向上させることです。今年を通して見てきましたが、来年は変わりません。AIの民主化は引き続き望まれ、強調され、受け入れられるでしょう。
|
AI Will Take Action
|
AIが行動を起こす
|
|
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.
|
現在 AI を活用しているユーザーにとって、主な方法は、製品やソリューションを通じて AI にアクセスし、予測的な洞察を提供することです。システムは、履歴結果に関するトレーニングを受けた事前構築済みの AI モデルに切り替え、リアルタイムのデータストリームを分析し、問題が生じた場合に警告します。AIイニシアティブが進行中の3人に1人（32%）の組織が、AIをレコメンデーションエンジンとして使用しています。3 また、ログファイルの分析、ITシステムの管理、リソースの監視、インフラストラクチャの調整など、ITはこの分野における重要なエントリポイントです。しかし、単純な警告は、低いぶら下がっている果物です。実際、AIよりもルールベースの自動化であるため、「AI」とはみなされるべきではない場合もあります。
|
|
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.
|
AIが次にこの領域で起こっているのは、学習した行動や要件に基づいて適切な行動を取ることである。Actionable AI は、システムの管理、保守、プロビジョニングの方法を変更します。それは単に洞察を提供する以上のことを行います。AIは、インテリジェント自動化の次の波を真に実現するために行動を開始します。また、ITのAIを低ぶら下がり果物と見なす人もいるかもしれませんが、すべての業界では、AIが行動を起こすという考えを採用しています。バルブが自動的にオフになったり、生産ラインが自動的に停止したり、高価値のタスクにより多くの時間を割り当てるよう指示する通知があるかもしれません。
|
|
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.
|
実用的なAIと手を差し伸べることは、適切なレベルのコントロールと説明責任を確保することです。今日のAIは、次のような質問に答えるために頻繁に使用されています。何があったの？何が起こるのでしょうか？パターン認識にAIを使用することは、私たちが今日いるところです（まだ初期段階にあります）。しかし、AIベースの決定を下すには、実行されたアクションの原因と効果を理解するなど、より多くの情報が必要です。AI を使用してユーザーが原因を理解し、その効果を人間の言葉で説明することで、AI の採用が大幅に促進されます。もちろん、これは説明可能なAIの領域にあります。AIから得られた洞察は、人間が理解できるポイントまで説明する必要があります。現在、このような機能を提供する技術ベンダーはほとんどいませんが、2020年にこの機能は必須となり、特に規制の厳しい業界で AI の採用を促進します。
|
From the Home to the Workplace
|
自宅から職場まで
|
|
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.
|
AIアシスタントの利用はかつてないほど高くなりました。NLPをスマートデバイス上で活用して、基本的な質問に答えたり、基本的なタスクを完了したりすることがかつてないほど一般的になってきています。消費者は常に次のようなフレーズでデバイスを促します。今日の温度は何ですか？カレンダーには何がありますか？今日の時事について教えてください。私の食料品リストにミルクを加えなさい。
|
|
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.
|
しかし、このテクノロジーの企業への移行は始まっており、2020年にわたって継続されます。たとえば、エンタープライズITでは 57% の組織が、NLP を使用して IT システムと対話することは、レポートの作成を求めるような限定的な特定の機能に適していると感じています。一方、さらに 35% は AI アシスタント技術の使用を待たずに、それを将来の方法として引用し、完全に楽しみにしています機能のあらゆる側面を採用しています。4 分析でも同じことが言えます。分析では、専門知識が限られている新しいタイプのエンドユーザーが、データ主導の目標を達成するために、特定の基幹業務がデータ主導の目標を達成できるようにデータを探します。BIプラットフォームでは、ユーザーが（音声で）質問をしたり、回答を得ることができる初期段階に入っています。AIが話し言葉や文章を誤解する可能性があっても、職場での音声コマンドに対する理解と反応を確実にするために、特定の業界での使用方法やレトリックライブラリが広がることを期待しています。2020では、音声の相互作用に基づくまったく新しい採用トレンドラインがもたらされます。機能。
|
Prioritizing Customer Service
|
カスタマーサービスの優先順位付け
|
|
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.
|
私たちの多くはそこにいました：何かを見つけることができなかったり、質問に答えるために助けを必要としたり、リアルタイムの支援を提供するウェブページの隅にポップアップが表示されません。人間はそのカスタマーサービスとのやり取りの背後にあることが多いのですが、チャットボットは質問に答えたり、次のやり取りを指示したりする手段としてますます使用されるようになっています。今日の課題は、これらのチャットボットの多くは単純な自動化に基づいているため、特に複雑な質問や要求ではヘルプが限られていることにあります。来年は、単純な自動化からより高度な理解と推奨まで、その第一レベルのチャットボット体験を向上させる予定です。AIは、意図を検出し、感情状態を確立し、より適切に質問に答え、バックエンドで顧客サービスの人側に適切な情報を提供して、顧客が最終的な行動にできるだけ満足することを保証します。
|
Riding the Millennial Wave
|
千年波に乗る
|
|
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.
|
労働者の次の波は、異なる（そしてより良い）レベルのデータリテラシーで労働力に入るでしょう。彼らは、日常生活の中で高度なテクノロジーや次世代のテクノロジーを活用して問題を解決したり、タスクを完了したりすることに慣れているでしょうし、同じことを仕事に期待します。これにより、AIを使用して日常業務を改善する組織内の新しい影響力の波が明るくなります。AI消費における基幹業務は引き続き重要な推進要因となりますが、業務効率と生産性の向上のために、高度な自動化の恩恵を受けることを望んでいる従業員自身が、より大きなプッシュを期待しています。
|
The Good and Bad of AI-based Content
|
AIベースのコンテンツの良し悪し
|
|
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.
|
年間を通して、数多くのストーリーが、AIベースのコンテンツ作成の画期的な（場合によっては危険な）アングルを強調し、継続的な金融ニュースを配信し、選挙/世論調査結果を強調し、世論に影響を与え、認識を変え、「フェイクニュース」を共有しています。多くのツールはプライベート/プロプライエタリなままです。例えば、全国のメディアが事実に基づいた記事を繰り返し書き込むために使用したものですが、他の技術は遅刻時点でよりニュース価値のあるものになっています。OpenAI は、インテリジェントなテキストレスポンスを自動的に生成します。Deepfakeとは、特殊なAIを活用して、画像、オーディオ、ビデオのイン/アウト部分をレイヤー化するという考え方です。前者は、以前はプライベートに保たれていましたが、最近一般公開されました。これにより、より多くの人、組織、団体などがAIを合法的または悪意のある方法で活用する方法が拓かれています。そしてもちろん、世界的に影響力のある大統領選挙では、公的に共有されたコンテンツで何が本物で、何が偽物であるかを検出することがこれまで以上に重要になると言及する必要があります。2020は、AIライター検出の世界標準を確立するための道を開くでしょう。
|
Focus on Mobility
|
モビリティにフォーカス
|
|
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.
|
拡張された分析に関しては、AI と ML を組み込み、データへのアクセス、さらに重要な点として、インサイトを民主化することに重点が置かれています。このアイデアは、組織全体でより多くの従業員がデータを活用できるようにすることです。そして、来年、企業は新たなエンドユーザーがデータ、ダッシュボード、レポートにアクセスできるようにする BI ツールに切り替えるでしょう。つまり、そのすべてを、好みのデバイスから自分の条件に従ってアクセスすることです。ESGの調査によると、全従業員の 57% がどのデバイスからでも職務機能を実行できると予想しており、作業者の約 4分の1（23%）が就業日の3分の1以上にモバイルデバイスを特に使用しています。5 データ、分析、BI、および洞察をAIベースのテクノロジーと組み合わせることは分析の民主化の中心。
|
|
|