Mala poduzeća koja nisu uložila u ai vjerojatno nisu napravila dovoljno istraživanja

Samo 21 posto malih poduzeća implementiralo je rješenja temeljena na umjetnoj inteligenciji (AI), navodi se u izvješću Bluewolfa (IBM-ove tvrtke). Istraživanje AI Investment Gap anketiralo je 177 donositelja odluka diljem svijeta kako bi se utvrdilo jesu li još usvojili AI i strojno učenje (ML) i dubinu njihovog razumijevanja tih tehnologija. Iako je 33 posto malih poduzeća planiralo uložiti u AI u narednih 12 mjeseci (čime je ukupan broj posvojitelja AI iduće godine iznosio 54 posto), ukupan je iznos još uvijek manji od onog velikih tvrtki. Osim toga, 30 posto velikih tvrtki već je uložilo u AI, dok 44 posto planira započeti s investiranjem u narednih 12 mjeseci. To ukupno iznosi 74 posto, ili 20 posto više od ukupnog broja malih poduzeća.

Vanessa Thompson, starija potpredsjednica uvida u kupca u Bluewolf, rekla je da postoji jaz između znanja koje su usvojile AI alate i onih koje to ne planiraju usvojiti. Ona naziva ovaj zaljev "AI Investment Gap" i opisuje ga kao "odstupanje između rukovoditelja na razini C koji razumiju AI i onih koji ga još trebaju primijeniti u svoje poslovanje", navodi se u pisanom priopćenju.

Budući da Bluewolf prodaje AI alate, trebao bi im sugerirati da je jedini razlog zašto ljudi ne kupuju AI alate zato što ne znaju za njih. Da bih provjerio Thompsonove tvrdnje, razgovarao sam s Brandonom Purcelom, starijim analitičarom uvida u kupce u Forrester Research, o tome što, ako postoje, mogu postojati drugi problemi koji bi uzrokovali jaz između onih koji su usvojili AI i onih koji to nisu. Purcell i Forrester Research proveli su vlastite slične studije o usvajanju AI. Iako je njegov ukupni broj sličan IBM-u - 51 posto tvrtki je usvojilo ili proširuje AI, a 20 posto ih kaže da ih planira usvojiti u narednih 12 mjeseci - Purcell je iznio nekoliko drugih uvjerljivih razloga zašto bi male tvrtke mogle zaostajati krivulja usvajanja AI.

Trošak AI

Purcell je ograničavanja ulaganja naveo kao glavni faktor, pogotovo "što se odnosi na skup vještina. Mala poduzeća nemaju resurse za zapošljavanje znanstvenika", rekao je. To su radnici koji će izvući uvid iz podataka koji se ubacuju u i iz poslovnog softvera.

Oni će također odrediti da li AI točno čita vaše podatke i poduzima akcije na temelju vlastite inteligencije. Prosječna plaća znanstvenika za podatke iznosi 113.436 dolara godišnje, prema Glassdoor-u, što je (u velikoj shemi bogatih) tek nešto manje od prosječne plaće američkog izvršnog direktora (166.000 dolara, prema PayScaleu). Dakle, ako ste izvršni direktor malog poduzeća koji posluje s britkim maržama i ne želite smanjiti vlastitu plaću, bilo bi teško racionalizirati trošenje šest podataka na znanstvenika podataka - i trošenje novca na softverski sustav koji može pretvoriti podatke u AI.

No, ne samo da je uložen novac taj koji zabranjuje manjim tvrtkama da ulažu u softver usmjeren na AI. "Na srodnoj bilješci postoji faktor podataka", rekao je Purcell. "AI cvjeta kad imate velike količine podataka. Mala poduzeća nemaju toliko podataka za to."

Razmislite ovako: Znate kako Facebook zna koje prijatelje označiti kad objave fotografiju? To je zato što Facebook prikuplja informacije iz svih vaših prethodno označenih postova. Jeste li ikad gledali film koji vam je Netflix preporučio? Netflix je znao preporučiti taj film na temelju vaših prethodnih odabira. Facebook i Netflix u mogućnosti su dati preporuke na temelju ML-a, koji je prvi rođak AI-ja. Iako su slični, oba se termina često upotrebljavaju naizmjenično (i pogrešno).

Evo osnovne razlike između pojmova: ML sustavi koriste inteligenciju za poboljšanje performansi nudeći vam preporuke i načine za pojednostavljivanje procesa, dok sustavi koji koriste AI daju softver autonomiji za obavljanje zadataka i donošenje odluka bez ljudskog nadzora. ML je Netflix koji daje filmske preporuke, dok je AI automobil koji vas vozi na posao dok spavate na stražnjem sjedalu. Kao mala tvrtka koja tek počinje generirati podatke, prednosti AI bit će neznatne u usporedbi s onim što bi tvrtka Fortune 500 mogla vidjeti kad uključe svoj AI softver.

Je li Bluewolf pogrešan?

Dakle, je li Bluewolf u svojoj anketi hranio loše podatke? Znaju li male tvrtke za AI, ali jednostavno nemaju novca ili podataka da ih uzbuđuju? Purcell ne misli da je Bluewolfovo istraživanje pogrešno. Zapravo, on zaslužuje IBM Watson kao tvorca kognitivnog računanja, krovnog izraza koji obuhvaća AI, ML i ostale aplikacije koje oponašaju ljudski mozak.

"Potrošili su mnogo novca da bi stvorili tu kategoriju, ali imaju velike konkurente u prostoru: Google, Amazon, Facebook, Microsoft, " rekao je Purcell. "Te tvrtke sjede i na ogromnim količinama podataka koji se koriste za obučavanje AI sustava. Holivudska definicija AI je robustan robot. Nismo ga još koristili. No, kada je u pitanju implementacija AI na razini poduzeća za praktični AI, IBM sjajno izrađuje te alate."

Zablude o Hollywoodu, AI-u i robotima koji nas ubijaju u snu su vjerojatni razlog zašto su se male tvrtke odustale od učenja više o AI alatima. Ako ste prodavač majica u Oklahomi, što je onda od dobrog automobila ili budućeg robota naoružanog laserskim pištoljem? Međutim, ako se uzmu u manje poznatom kontekstu, Purcell i Thompson vide slučajeve praktične uporabe za mala poduzeća - koriste slučajeve o kojima mala poduzeća još nisu obrazovana.

Uz nešto što Thompson i Bluewolf nazivaju "pojačanom inteligencijom", malim tvrtkama nije nužno potrebna stručnost podataka ili skupa informacija da bi iskoristili AI. Bluewolf definira pojačanu inteligenciju kao sposobnost aplikacija da rasuđuju, zaključuju i izvlače ideje, čak i s nestrukturiranim skupima podataka, kao što su jezik i slike. Čak i na početku prikupljanja podataka tvrtke, proširena inteligencijska rješenja mogu se učiti kako odlaze, bez obzira na to koliko se malo podataka unosi u sustav.

"Proširena inteligencija pomaže krajnjim korisnicima da predvidi što dalje raditi pružajući im profil onoga što trebaju njihovi kupci", rekao je Thompson. "Mi vidimo proširenje kao način da AI postane stvarnost za tvrtke bilo koje veličine."

To uključuje stvari poput kombiniranja vanjskih i unutarnjih podataka kako bi se poboljšalo znanje koje tehnologija proširene inteligencije koristi za donošenje poslovnih odluka. Na primjer, kombiniranjem vanjskih lokalnih obrasca kupovine i vremenskih podataka s vlasničkim, podacima o obrascu kupnje kupaca, tvrtke za e-trgovinu mogu pružiti hiper personalizirane kampanje. U ovom bi slučaju znanstvenik podataka bio od pomoći, ali nije potreban, a mnoštvo podataka o klijentima učinilo bi kampanju još jačom. No, to ne bi zaustavilo kampanju da bude snažnija nego što bi bila bez kombinacije unutarnjih i vanjskih izvora podataka.