Топ-7 хибних уявлень бізнесу про Big Data та штучний інтелект
13.11.2020
Використовувати ШІ та об’ємні, складні датасети слід розумно, а на результат роботи алгоритмів впливає не стільки кількість, скільки якість даних.
Штучний інтелект (ШІ) і великі дані — дві найгарячіші теми в сфері ІТ-технологій. Незважаючи на це, існує безліч помилкових уявлень, пов’язаних як з big data, так і з ШІ. А “хайп” навколо цих тем породжує ще більше міфів. Освітній ресурс Dataversity зібрав найпоширеніші хибні уявлення, які виникають у бізнесу щодо big data та ШІ.
ШІ не обов’язково залежить від великих даних
Big data можуть знадобитися для тренування штучного інтелекту чи складної дата-аналітики. Однак це означає, що великі дані є невід’ємною частиною ШІ, зазначає дописувач. Припустімо, ви тренуєте чат-бота — для цього не потрібно багато даних. Зазвичай обсяг залежить від задачі: чим вона складніша, тим більше даних потрібно ШІ.
Big Data не обов’язково потребує ШІ
Штучний інтелект може розширити можливості дата-аналітики за рахунок автоматизації та оптимізації аналізу. Однак це не означає, що значущі інсайти з великих датасетів можна отримувати виключно за допомогою ШІ, підкреслює експерт. Зберігання та аналітика великих даних, бізнес-аналіз, візуалізація — всі ці опції доступні для бізнесу і без використання штучного інтелекту. Звісно, data science та машинне навчання можуть стати в пригоді, якщо потрібно знайти патерни у величезних обсягах інформації. Але це аж ніяк не означає, що з великими даними працювати можуть виключно програми з інтегрованим ШІ.
Аналітика вищого рівня та ШІ — не одне і те ж
Штучний інтелект та аналітика вищого рівня тісно пов’язані одне з одним, однак між ними є відмінності. Зокрема, ШІ може самостійно вдосконалювати свої аналітичні можливості за рахунок машинного навчання. Водночас робота інструментів для аналітики вищого рівня залежить від параметрів, які вводяться вручну.
Більше даних — не завжди краще
Зазвичай, чим більше даних ви візьмете для тренування моделей машинного навчання, які лежать в основі ШІ, тим краще. Але у big data є свої “темні сторони”: похибки в даних можуть призвести до перекосів у роботі алгоритмів. Дописувач радить фокусуватися на якості даних, а не на їхній кількості. Навіть якщо ви дасте алгоритмам більше неякісних даних, від цього вони навряд чи стануть працювати краще. Тому сам по собі обсяг накопиченої інформації ще не гарантує успішне використання штучного інтелекту.
Big Data та ШІ можуть уже бути поруч
Хайп довкола штучного інтелекту підштовхує розробників інтегрувати такі технології до своїх продуктів. Тому вже зараз значна кількість софту спирається на ШІ, принаймні частково. Насправді ви можете навіть не звертати увагу, що такі інструменти вже використовуються у вашій компанії, зазначає експерт. І вам не обов’язково бути фахівцем з data science, щоб їх застосовувати.
Людина — не зайвий елемент
Серед основних перепон на шляху застосування ШІ у бізнес-цілях — непрозорість його роботи і відсутність довіри з боку користувачів. Багато компаній або просто відмовляються від такої інтеграції, або намагаються додати людину до цих процесів. Спеціалісти мають контролювати як дані (якість, репрезентативність, дотримання приватності), так і роботу алгоритмів (використання ШІ, який можна пояснити, замість “чорної скриньки”), зазначає дописувач.
Немає сенсу зберігати всю інформацію
Збір даних не має бути самоціллю, підкреслює експерт. Як вже зазначалося, більше даних не змусить ШІ працювати краще і знаходити цінніші інсайти. АI — не панацея, бізнес має приділяти достатньо уваги якості інформації, щоб отримувати користь від використання новітніх технологій дата-аналітики.
