Η υιοθέτηση της generative τεχνητής νοημοσύνης σημείωσε εντυπωσιακή αύξηση 17% το 2024, όπως αποκαλύπτει μια νέα έκθεση της Appen, αναδεικνύοντας παράλληλα τις προκλήσεις που αντιμετωπίζουν οι επιχειρήσεις στη συλλογή και διαχείριση ποιοτικών δεδομένων για την υποστήριξη των συστημάτων τεχνητής νοημοσύνης.
Παρά την ταχύτατη εξάπλωση της τεχνητής νοημοσύνης στις εταιρικές λειτουργίες, οι οργανισμοί βρίσκονται αντιμέτωποι με σημαντικά εμπόδια στη διασφάλιση της ποιότητας των δεδομένων που απαιτούνται για την ανάπτυξη αποτελεσματικών μοντέλων AI. Η έκθεση του 2024 για την κατάσταση της τεχνητής νοημοσύνης αποκαλύπτει ότι οι δυσκολίες στην προμήθεια, τον καθαρισμό και την ετικετοποίηση των δεδομένων αυξήθηκαν κατά 10% σε σχέση με πέρυσι, υπογραμμίζοντας τις πολυπλοκότητες που συνεπάγεται η ανάπτυξη και συντήρηση συστημάτων AI που ανταποκρίνονται στις απαιτήσεις των σύγχρονων επιχειρήσεων.
Η Si Chen, επικεφαλής στρατηγικής στην Appen, εξήγησε ότι όσο πιο σύνθετα γίνονται τα μοντέλα τεχνητής νοημοσύνης, τόσο μεγαλύτερες είναι οι απαιτήσεις σε δεδομένα. «Οι επιχειρήσεις ανακαλύπτουν ότι δεν αρκεί να έχουν απλώς πολλά δεδομένα. Για να λειτουργήσει αποτελεσματικά ένα μοντέλο, τα δεδομένα πρέπει να είναι ακριβή, ποικίλα, σωστά επισημασμένα και προσαρμοσμένα στην κάθε περίπτωση χρήσης», δήλωσε η Chen. Η ταχεία υιοθέτηση της generative τεχνητής νοημοσύνης, που βασίζεται σε μεγάλα γλωσσικά μοντέλα (LLMs), έχει επιτρέψει στις επιχειρήσεις να αυτοματοποιούν εσωτερικές διεργασίες, αυξάνοντας την παραγωγικότητα και μειώνοντας τα κόστη. Ωστόσο, αυτό έχει δημιουργήσει νέες προκλήσεις, κυρίως στον τομέα της διαχείρισης των δεδομένων που απαιτούνται για τη σωστή λειτουργία των μοντέλων.
Παράλληλα, η generative τεχνητή νοημοσύνη χρησιμοποιείται ολοένα και περισσότερο για την υποστήριξη κρίσιμων λειτουργιών, όπως η πληροφορική, η έρευνα και η ανάπτυξη νέων προϊόντων και η βελτιστοποίηση της παραγωγικής διαδικασίας. Στον αντίποδα, υπάρχει μια μικρή μείωση στη χρήση της generative AI σε τομείς όπως το marketing και η επικοινωνία, καθώς οι εταιρείες προσαρμόζουν τις προτεραιότητές τους με βάση την εξειδίκευση των μοντέλων τους.
Η έκθεση αποκαλύπτει επίσης μια ανησυχητική τάση: η ανάπτυξη έργων τεχνητής νοημοσύνης και η απόδοση επενδύσεων (ROI) παρουσιάζουν πτώση. Από το 2021, το ποσοστό των έργων AI που φτάνουν στο στάδιο της υλοποίησης έχει μειωθεί κατά 8,1%, ενώ το ποσοστό των έργων που αποφέρουν ουσιαστική απόδοση επένδυσης έχει μειωθεί κατά 9,4%. Αυτό αποδίδεται κυρίως στην αυξανόμενη πολυπλοκότητα των νέων μοντέλων AI, τα οποία, σε αντίθεση με πιο ώριμες τεχνολογίες όπως η αναγνώριση εικόνας ή η αυτοματοποίηση ομιλίας, απαιτούν δεδομένα υψηλής ποιότητας και προσαρμοσμένα στις συγκεκριμένες ανάγκες του κάθε έργου. Αυτή η πολυπλοκότητα δυσχεραίνει την επιτυχή υλοποίηση των έργων, με αποτέλεσμα οι επιχειρήσεις να γίνονται πιο επιλεκτικές στα έργα που αποφασίζουν να προχωρήσουν σε ανάπτυξη.
Η Chen υπογραμμίζει ότι η generative τεχνητή νοημοσύνη προσφέρει προηγμένες δυνατότητες στην κατανόηση, την ανάλυση και τη δημιουργία περιεχομένου, αλλά είναι επίσης πιο δύσκολο να υλοποιηθεί. Τα τεχνολογικά αυτά μοντέλα απαιτούν εξειδικευμένα και ακριβή δεδομένα, ενώ η απόδοση επένδυσης συχνά εξαρτάται από την ικανότητα των επιχειρήσεων να διαχειρίζονται αυτά τα δεδομένα με συνέπεια και ακρίβεια.
Η ποιότητα των δεδομένων αναδεικνύεται ως ένας κρίσιμος παράγοντας για την επιτυχία της τεχνητής νοημοσύνης, αλλά η ίδια η ποιότητα φαίνεται να μειώνεται. Η έκθεση επισημαίνει ότι η ακρίβεια των δεδομένων έχει μειωθεί κατά περίπου 9% από το 2021. Καθώς τα μοντέλα τεχνητής νοημοσύνης γίνονται πιο εξελιγμένα, οι απαιτήσεις για δεδομένα γίνονται επίσης πιο πολύπλοκες. Σχεδόν το 86% των επιχειρήσεων αναφέρει ότι επανεκπαιδεύει τα μοντέλα AI τουλάχιστον μία φορά κάθε τρίμηνο, γεγονός που δείχνει τη συνεχή ανάγκη για νέα και συναφή δεδομένα. Παρ’ όλα αυτά, η συχνή ανανέωση των δεδομένων καθιστά πιο δύσκολη τη διασφάλιση της ακρίβειας και της ποικιλομορφίας τους.
Προκειμένου να ανταποκριθούν στις απαιτήσεις αυτές, οι επιχειρήσεις στρέφονται όλο και περισσότερο σε εξωτερικούς παρόχους δεδομένων για την εκπαίδευση και την αξιολόγηση των μοντέλων τους. Περίπου το 90% των επιχειρήσεων βασίζεται σε εξωτερικές πηγές για την εκπαίδευση των μοντέλων τεχνητής νοημοσύνης, ενώ το 93% των υπεύθυνων λήψης αποφάσεων αναφέρει ότι επιθυμεί τη συνεργασία με στρατηγικούς εταίρους που μπορούν να υποστηρίξουν όλο τον κύκλο ζωής των δεδομένων AI. Οι επιχειρήσεις αναζητούν τρόπους για να διαχειριστούν πιο αποτελεσματικά τα δεδομένα εκπαίδευσης και βελτιστοποίησης, καθώς η διαχείριση δεδομένων έχει αναδειχθεί ως το μεγαλύτερο εμπόδιο για την επιτυχή εφαρμογή της τεχνητής νοημοσύνης.
Τα προβλήματα στη διαχείριση των δεδομένων δεν περιορίζονται μόνο στην ποσότητα, αλλά επεκτείνονται στην ποιότητα και την ακρίβεια των δεδομένων. Η έκθεση καταγράφει αύξηση κατά 10% στα εμπόδια που σχετίζονται με τη συλλογή, τον καθαρισμό και την ετικετοποίηση των δεδομένων, κάτι που δυσχεραίνει την ανάπτυξη αποτελεσματικών μοντέλων AI. Όσο πιο εξειδικευμένα γίνονται τα έργα τεχνητής νοημοσύνης, τόσο μεγαλύτερες είναι οι προκλήσεις που αντιμετωπίζουν οι επιχειρήσεις στην προετοιμασία των σωστών δεδομένων. Για την αντιμετώπιση αυτών των προβλημάτων, οι εταιρείες επικεντρώνονται σε μακροπρόθεσμες στρατηγικές που δίνουν έμφαση στην ακρίβεια, τη συνέπεια και την ποικιλομορφία των δεδομένων, ενώ πολλές αναζητούν στρατηγικές συνεργασίες με παρόχους δεδομένων για την καλύτερη διαχείριση του κύκλου ζωής των δεδομένων.
Η ανθρώπινη συμβολή παραμένει ζωτικής σημασίας για την ανάπτυξη αποδοτικών και ηθικών συστημάτων τεχνητής νοημοσύνης. Στην έκθεση αναφέρεται ότι το 80% των ερωτηθέντων τονίζει τη σημασία της ανθρώπινης παρέμβασης στη μηχανική μάθηση. Η ανθρώπινη παρουσία είναι ιδιαίτερα σημαντική για τη μείωση της μεροληψίας και τη διασφάλιση της ηθικής ανάπτυξης των μοντέλων AI, ειδικά στη generative τεχνητή νοημοσύνη, όπου τα παραγόμενα αποτελέσματα μπορεί να είναι απρόβλεπτα και να απαιτούν προσεκτική επίβλεψη. Οι ειδικοί συμβάλλουν στην αναγνώριση πιθανών μεροληψιών και την ευθυγράμμιση των μοντέλων με πραγματικές συμπεριφορές και αξίες, κάτι που είναι καθοριστικό για την επιτυχία της τεχνητής νοημοσύνης στο επιχειρηματικό περιβάλλον.
