Как Kineo, мы предлагаем компаниям легкий доступ к решениям машинного обучения. Это означает, что мы являемся первым пунктом назначения для многих немецких корпоративных компаний, когда дело доходит до оценки вариантов использования.
Искусственный интеллект (ИИ) - горячая тема почти во всех крупных компаниях. В повестке дня каждой компании стоит его использование, но мы поняли, что после встречи с более чем 100 компаниями только 15–20% компаний внедрили решения на основе искусственного интеллекта.
Основная причина редкости решений ИИ в компаниях - это (отсутствие) доступности данных. Общие проблемы включают сбор нужных данных за достаточно долгий период времени, чтобы накопить необходимый объем, оцифровку их бумажных сборников данных, а также предоставление данных в нужном формате.
Ниже мы рассмотрим две статистики.
- Какие алгоритмы машинного обучения обычно лучше всего использовать для начала и работы?
- В частности, какие варианты использования ИИ обычно внедряются в первую очередь?
В Kineo мы работаем во многих отраслях, включая автомобилестроение, электронную коммерцию, здравоохранение, металлообработку, производство, мобильность и многое другое. Следовательно, представленные ниже сведения не являются полным анализом рынка, но мы полагаем, что наши цифры могут дать представление о различных отраслях.
Почти 80% проверочных решений Kineo были основаны на типичном алгоритме регрессии / классификации, тогда как 12% вариантов использования основаны на NLP (обработка естественного языка). Мы увидели, что только около 9% случаев использования относятся к области компьютерного зрения.
Почему только 9% компьютерного зрения?
Входной барьер относительно высок, особенно в области компьютерного зрения. Проблема здесь двоякая: типичное решение опирается не только на программное обеспечение, но и на отличное оборудование, такое как системы камер. Поэтому компьютерное зрение редко подходит в качестве первого варианта использования, поскольку основная цель здесь - продемонстрировать возможности, которые предлагает машинное обучение в небольшом масштабе. Мы также предполагаем, что подрывным фактором являются высокие первоначальные затраты.
Когда мы используем компьютерное зрение в первом случае, оборудование обычно уже установлено. Конкретные варианты использования включают автоматизированный контроль качества, распознавание объектов (в основном в автомобильном секторе) или профилактическое обслуживание.
Почему только 12% НЛП?
Мы поняли, что у многих разных компаний есть несколько общих проблем, которые могут быть решены с помощью NLP.
В большинстве случаев НЛП используется для облегчения трудоемких задач, таких как автоматическая обработка факсов, почты, электронной почты, обслуживание клиентов или анализ осуществимости.
В области НЛП наш опыт показывает, что качество данных недостаточное. Более того, поскольку компании только начинают свой путь к цифровизации, мы обнаруживаем, что маркировка данных пока не вызывает беспокойства, особенно если у компании нет опыта работы с ИИ. Наконец, большинство цифровых записей являются изменяемыми, что делает данные уязвимыми для ручной перезаписи людьми, что затрудняет немедленную реализацию варианта использования. В целом, мы активно общаемся с нашими партнерами, чтобы документировать такие процессы, чтобы повысить качество данных. Особенно для первого варианта использования в компании, где существует нехватка времени, чтобы показать ценность проекта ИИ, варианты использования НЛП не так широко предпочтительны, потому что они требуют времени.
Почему так много вариантов использования на основе регрессии / классификации?
Давайте подробнее рассмотрим распределение вариантов использования в этой категории:
Почему так много компаний начинают с прогнозирования?
Причина проста: исторически первыми оцифровывались такие процессы, как документирование продаж, регистрация возможных возможностей и планирование цепочки поставок. Заказы, инвентарь продуктов и продажи состоят из наиболее важных данных в компании и поэтому хорошо поддерживаются независимо от намерения оптимизировать эти процессы с помощью ИИ.
После пандемии компании также очень заинтересованы в моделях, с помощью которых они могут отслеживать влияние внешних факторов (таких как погода, фондовый рынок или развитие пандемии) в прогнозах. Мы считаем этот подход правдоподобным и испытываем его на собственном опыте: когда в модели прогноза используется соответствующий внешний источник данных, показатели оценки могут улучшиться.
Еще одно преимущество - измеримость успеха. Вы можете сравнить прогноз, основанный на искусственном интеллекте, с текущим прогнозом и измерить ценность решения для прогнозирования на основе искусственного интеллекта.
Каждая компания делает прогнозы, но если решение AI станет ближе к реальности в следующие месяцы, добавленная стоимость и потенциал AI будут доказаны, а уверенность в инвестировании в эти технологии возрастет: оптимальный вариант первого использования.
