Talaan ng mga Nilalaman:
Video: 24 Oras: Mag-asawang natigil sa pagtatrabaho sa barko, namuhunan sa negosyong pag-susuplay ng itlog (Nobyembre 2024)
21 porsiyento lamang ng mga maliliit na negosyo ang nagpatupad ng mga solusyon sa artipisyal na katalinuhan (AI), ayon sa isang ulat mula sa Bluewolf (isang kumpanya ng IBM). Ang AI Investment Gap Survey ay polled ang 177 mga gumagawa ng desisyon sa buong mundo upang matukoy kung pinagtibay pa nila ang pag-aaral ng AI at machine (ML), at ang lalim ng kanilang pag-unawa sa mga teknolohiyang ito. Bagaman ang 33 porsyento ng mga maliliit na negosyo ay binalak na mamuhunan sa AI sa loob ng susunod na 12 buwan (na nagdadala ng kabuuang bilang ng mga adopter ng AI sa susunod na taon sa 54 porsiyento), ang kabuuan ay mas mababa pa kaysa sa mga malalaking kumpanya. Dagdag pa, 30 porsyento ng mga malalaking kumpanya ay namuhunan na sa AI habang 44 porsyento na plano upang simulan ang pamumuhunan sa loob ng susunod na 12 buwan. Dinadala nito ang kabuuang sa 74 porsyento, o 20 porsyento na higit pa sa kabuuan ng maliliit na negosyo.
Si Vanessa Thompson, Senior Vice President ng Karanasan ng Karanasan ng Customer sa Bluewolf, ay nagsabi na ang isang agwat ng kaalaman ay umiiral sa pagitan ng mga kumpanya na nagpatibay ng mga kasangkapan sa AI at sa mga hindi pinaplano na magpatibay ng naturang mga tool. Tinawag niya ang Golpo na ito na "AI Investment Gap" at inilalarawan ito bilang isang "pagkakaiba sa pagitan ng mga executive ng C-level na nauunawaan ang AI at ang mga hindi pa naipapataw ito sa kanilang negosyo, " ayon sa isang nakasulat na pahayag.
Sapagkat ibinebenta ng Bluewolf ang mga kasangkapan sa AI, dapat itong iminumungkahi na ang tanging kadahilanan na hindi binibili ng mga tao ang mga kasangkapan sa AI ay dahil hindi nila alam ang tungkol sa kanila. Upang suriin ang pag-angkin ni Thompson, nakipag-usap ako kay Brandon Purcell, Senior Analyst of Customer Insights sa Forrester Research, tungkol sa ano, kung mayroon man, iba pang mga isyu na maaaring magdulot ng agwat sa pagitan ng mga nagpatibay ng AI at sa mga wala. Ang Purcell at Forrester Research ay nagsagawa ng kanilang sariling katulad na pag-aaral tungkol sa pag-ampon ng AI. Bagaman ang kanyang pangkalahatang mga numero ay katulad ng IBM's - 51 porsyento ng mga kumpanya ang nagpatibay o nagpapalawak ng AI, at 20 porsyento ang nagsasabing plano nilang mag-ampon sa loob ng susunod na 12 buwan - dumating si Purcell kasama ang iba pang mga dahilan na bakit ang mga maliliit na negosyo ay maaaring nasa likuran. ang curve ng pag-ampon ng AI.
Ang Gastos ng AI
Tinukoy ng Purcell ang mga hadlang sa pamumuhunan bilang isang pangunahing kadahilanan, lalo na "dahil nauugnay ito sa set ng kasanayan. Ang mga maliliit na negosyo ay walang mga mapagkukunan upang umarkila ng mga siyentipiko ng data, " aniya. Ito ang mga manggagawa na kukuha ng mga pananaw mula sa data na itinulak papasok at labas ng software ng negosyo.
Sila rin ang magpapasiya kung tumpak na binabasa ng AI ang iyong data at kumukuha ng mga aksyon batay sa sarili nitong katalinuhan. Ang average na suweldo para sa isang scientist ng data ay $ 113, 436 bawat taon, ayon sa Glassdoor, na (sa grand scheme ng mayaman) bahagyang mas mababa sa average na suweldo ng isang Amerikanong CEO ($ 166, 000, ayon sa PayScale). Kaya, kung ikaw ay isang maliit na CEO ng negosyo na nagpapatakbo sa mga labaha-payat na mga margin at hindi mo nais na kunin ang iyong sariling suweldo, kung gayon magiging mahirap na mangatuwiran na gumastos ng anim na numero sa isang siyentipiko ng data-at paggastos ng pera sa isang software system na makakapagbukas ng data sa AI.
Ngunit hindi lamang ang pera na kasangkot na nagbabawal sa mas maliit na mga kumpanya mula sa pamumuhunan sa AI-driven na software. "Sa isang kaugnay na tala, mayroong isang kadahilanan ng data, " sabi ni Purcell. "Lumago ang AI kapag mayroon kang malaking halaga ng data. Ang mga maliliit na negosyo ay walang maraming data na gawin iyon."
Isipin ito tulad nito: Alam mo kung paano nalalaman ng Facebook kung aling mga kaibigan ang mai-tag kapag nag-post ka ng litrato? Iyon ay dahil ang Facebook ay nagtitipon ng impormasyon mula sa lahat ng dati mong nai-post na mga post. Napanood mo na ba ang isang pelikula na inirerekomenda sa iyo ng Netflix? Alam ng Netflix na inirerekumenda ang pelikula na batay sa iyong mga dating pagpipilian. Ginagawa ng Facebook at Netflix ang mga rekomendasyong ito batay sa ML, na siyang unang pinsan ng AI. Bagaman magkapareho sila, ang parehong mga termino ay madalas na ginagamit na salitan (at hindi tama).
Narito ang pangunahing pagkakaiba sa pagitan ng mga termino: Ang mga sistema ng ML ay gumagamit ng katalinuhan upang mapabuti ang pagganap sa pamamagitan ng pag-aalok sa iyo ng mga rekomendasyon at mga paraan upang i-streamline ang mga proseso, samantalang ang mga system na gumagamit ng AI ay nagbibigay ng awtonomiya sa software upang magsagawa ng mga gawain at gumawa ng mga pagpapasya nang walang pangangasiwa ng tao. Ang ML ay ang Netflix na gumagawa ng mga rekomendasyon sa pelikula habang ang AI ay isang kotse na nagtutulak sa iyo upang magtrabaho habang nakakapagod ka sa backseat. Bilang isang maliit na negosyo na nagsisimula lamang upang makabuo ng data, ang mga bentahe ng AI ay magiging miniscule kumpara sa kung ano ang maaaring makita ng isang kumpanya ng Fortune 500 kapag binuksan nila ang kanilang software ng AI.
Mali ba ang Bluewolf?
Kaya, pinapakain ba ng Bluewolf ang hindi magandang impormasyon sa kanilang survey? Alam ba ng mga maliliit na negosyo ang tungkol sa AI ngunit wala lang silang pera o data upang mabigla tungkol dito? Hindi akalain ni Purcell na mali ang pananaliksik ni Bluewolf. Sa katunayan, pinapaniwalaan niya ang IBM Watson bilang tagalikha ng nagbibigay-malay na computing, ang termino ng payong na sumasaklaw sa AI, ML, at iba pang mga aplikasyon na gayahin ang utak ng tao.
"Gumastos sila ng maraming pera upang lumikha ng kategoryang iyon, ngunit mayroon silang malaking kakumpitensya sa espasyo: Google, Amazon, Facebook, Microsoft, " sabi ni Purcell. "Ang mga kumpanyang iyon ay nakaupo din sa napakalaking halaga ng data na ginamit upang sanayin ang mga sistema ng AI. Ang kahulugan ng Hollywood ng AI ay ang sentient robot. Hindi pa namin ito ginamit. Ngunit, pagdating sa pagpapatupad ng AI sa antas ng enterprise para sa praktikal na AI, Ang IBM ay napakahusay sa paglikha ng mga tool na iyon. "
Ang mga pagkakamali tungkol sa Hollywood, AI, at mga robot na pumapatay sa amin sa aming pagtulog ay isang malamang na dahilan kung bakit ang mga maliliit na negosyo ay umiwas sa pag-aaral nang higit pa tungkol sa mga kasangkapan sa AI. Kung ikaw ay isang t-shirt na nagbebenta sa Oklahoma, kung ano ang mabuti ay isang awtonomous na kotse o isang hinaharap-robot na armado ng isang laser gun? Gayunpaman, kapag kinuha sa mas maliit na kilalang konteksto nito, nakita nina Purcell at Thompson ang mga praktikal na kaso ng paggamit para sa maliliit na negosyo - gumamit ng mga kaso kung saan ang mga maliliit na negosyo ay hindi pa nakapag-aral.
Sa pamamagitan ng isang bagay na tinutukoy ng Thompson at Bluewolf bilang "pinalaki na katalinuhan, " ang mga maliliit na negosyo ay hindi kinakailangan ng data kadalubhasaan o ang trove ng impormasyon upang samantalahin ang AI. Tinukoy ng Bluewolf ang pinalaki na katalinuhan bilang ang kakayahan para sa mga app na mangatuwiran, madiin, at kunin ang mga ideya, kahit na may hindi nakaayos na mga hanay ng data, tulad ng wika at imahe. Kahit na sa simula ng koleksyon ng data ng isang kumpanya, ang mga pinalaki na mga solusyon sa intelektwal ay maaaring malaman habang nagpapatuloy sila, anuman ang kaunting impormasyon na pinapakain sa system.
"Ang Augmented intelligence ay tumutulong sa pagtatapos ng mga gumagamit na mahulaan kung ano ang susunod na gagawin sa pamamagitan ng pagbibigay sa kanila ng isang profile ng kung ano ang kailangan ng kanilang mga customer, " sabi ni Thompson. "Nakikita namin ang pagpapalaki bilang isang paraan upang gawing katotohanan ang AI para sa mga kumpanya ng anumang laki."
Kasama dito ang mga bagay tulad ng pagsasama-sama ng panlabas at panloob na data upang matukoy ang kaalaman na ginagamit ng pinalaki na teknolohiyang katalinuhan upang makagawa ng mga pagpapasya sa negosyo. Halimbawa, sa pamamagitan ng pagsasama ng mga panlabas na lokal na pattern ng pamimili at data ng panahon na may pagmamay-ari, data ng pattern sa pamimili ng customer, ang mga kumpanya ng e-commerce ay maaaring maghatid ng mga kampanyang hyper-personalized. Sa sitwasyong ito, ang isang siyentipiko ng data ay magiging kapaki-pakinabang ngunit hindi kinakailangan, at isang trove ng data ng customer ay gagawa ng mas malakas na kampanya. Ngunit hindi nito mapigilan ang kampanya mula sa pagiging mas malakas kaysa sa sana kung wala ang pagsasama ng mga panloob at panlabas na mapagkukunan ng data.
