2023 Gartner Hype Cycle™ for Artificial Intelligence (AI) identifică inovații și tehnologii care oferă beneficii semnificative și chiar transformaționale, abordând în același timp limitările și riscurile sistemelor predispuse la erori. Strategiile pentru IA ar trebui să ia în considerare care dintre acestea oferă cele mai credibile cazuri pentru investiții.
„AI Hype Cycle prezintă multe inovații care merită o atenție deosebită în perioada de doi până la cinci ani până la adoptarea pe scară largă, care includ inteligența artificială generativă și inteligența decizională”, spune Afraz Jaffri, Director Analyst Gartner. „Adoptarea timpurie a acestor inovații va aduce un avantaj competitiv semnificativ și va diminua problemele asociate utilizării modelelor AI în cadrul proceselor de afaceri”, a completat Jaffri.
Descarcă acum: Build a Value-Driving AI Strategy for Your Business
Două tipuri de inovații GenAI sunt dominante
Inteligența artificială generativă (Generative AI) domină discuțiile despre inteligența artificială, contribuind în mod real la creșterea productivității pentru dezvoltatorii și cei care lucrează din domeniul cunoașterii, folosind sisteme precum ChatGPT.
Acest lucru a determinat organizațiile și industriile să își regândească procesele de afaceri și valoarea resurselor umane, împingând GenAI la vârful așteptărilor excesive (Peak of Inflated Expectations) pe Hype Cycle.
Gartner vede acum două părți ale mișcării AI generative pe calea către sisteme de AI mai puternice:
• Inovații care vor fi alimentate de GenAI.
• Inovații care vor alimenta progresele în GenAI.
Aflați mai multe: Executives’ Guide to Generative AI
Inovații care vor fi alimentate de AI generativă
Inteligența artificială generativă are un impact asupra afacerii în ceea ce privește descoperirea, crearea, autenticitatea și reglementările legate de conținut. De asemenea, are capacitatea de a automatiza munca umană, precum și experiențele clienților și angajaților.
Tehnologiile critice care se încadrează în această categorie sunt următoarele:
• Inteligența generală artificială (Artificial general intelligence – AGI) este inteligența (în prezent ipotetică) a unei mașini care poate îndeplini orice sarcină intelectuală pe care o poate îndeplini un om.
• Ingineria AI este fundamentală pentru furnizarea de soluții de IA la scară pe nivel de întreprindere. Disciplina creează la nivelul organizației sisteme coerente bazate pe inteligență artificială de dezvoltare, livrare și operaționale.
• Sistemele autonome sunt sisteme fizice sau software autogestionabile care execută sarcini pe anumite domenii bine definite care prezintă trei caracteristici fundamentale: autonomie, învățare și capacitatea de acțiune.
• Serviciile cloud AI oferă instrumente de construire a modelelor de IA, API-uri pentru servicii preconstruite și middleware asociat care permite construirea/ formarea, implementarea și consumul de modele de învățare automată (machine learning – ML) care rulează pe infrastructura preconstruită ca servicii cloud.
• AI compozită se referă la aplicarea combinată (sau fuziunea) a diferitelor tehnici de IA pentru a îmbunătăți eficiența învățării pentru a lărgi nivelul reprezentărilor cunoștințelor. Rezolvă o gamă mai largă de probleme de afaceri într-un mod mai eficient.
• Viziunea computerizată (Computer vision) este un set de tehnologii care implică captarea, procesarea și analizarea imaginilor și videoclipurilor din lumea reală pentru a extrage informații semnificative, contextuale din lumea fizică.
• AI centrată pe date (Data-centric AI) este o abordare care se concentrează pe îmbunătățirea și îmbogățirea datelor de training pentru a obține rezultate mai bune în AI. AI centrată pe date abordează, de asemenea, calitatea datelor, confidențialitatea și scalabilitatea.
• AI Edge se referă la utilizarea tehnicilor AI încorporate în produse non-IT, dispozitive terminale IoT, gateway-uri și servere edge. Acesta cuprinde cazuri de utilizare pentru aplicații de consum, comerciale și industriale, cum ar fi vehicule autonome, capabilități îmbunătățite de diagnosticare medicală și analiză video în flux.
• Aplicațiile inteligente utilizează adaptarea învățată pentru a răspunde în mod autonom la solicitările oamenilor și mașinilor.
• Operaționalizarea modelului (ModelOps) se concentrează în primul rând pe guvernanța end-to-end și pe managementul ciclului de viață al analizei avansate, al IA și a modelelor de decizie.
• Sistemele operaționale de AI (OAISys) permit orchestrarea, automatizarea și scalarea AI gata de producție și de nivel enterprise, cuprinzând ML, DNN și IA generativă.
• Ingineria promptă (Prompt engineering) este disciplina de a furniza intrări, sub formă de text sau imagini, modelelor IA generative pentru a specifica și a limita setul de răspunsuri pe care modelul le poate produce.
• Roboții inteligenți (Smart robots) sunt mașini alimentate cu inteligență artificială, adesea mobile, concepute pentru a executa în mod autonom una sau mai multe sarcini fizice.
• Datele sintetice (Synthetic data) sunt o clasă de date care sunt mai curând generate artificial decât obținute din observații directe ale lumii reale.
Inovații care vor alimenta progresul AI generative
„Explorarea AI generative se accelerează, datorită popularității Stable Diffusion, Midjourney, ChatGPT și modelelor de limbaj extinse (large language model – LLM). Organizațiile utilizatorilor finali din majoritatea industriilor experimentează în mod agresiv AI generativă”, spune Svetlana Sicular, VP Analyst Gartner.
„Producătorii de tehnologie formează grupuri de IA generativă pentru a acorda prioritate livrării de aplicații și instrumente activate de AI generativă. Numeroase startup-uri au apărut în 2023 pentru a inova cu AI generativă și ne așteptăm ca aceasta să crească. Unele guverne evaluează impactul AI generative și se pregătesc să introducă reglementări”, a detaliat Svetlana Sicular.
Lista tehnologiilor critice care se încadrează în această categorie include următoarele:
• Simularea AI este aplicarea combinată a tehnologiilor de AI și de simulare pentru a dezvolta în comun agenți de AI și mediile simulate în care aceștia pot fi instruiți, testați și uneori implementați.
• Managementul încrederii, riscurilor și securității AI (AI TRiSM) asigură modelului de AI guvernanța, credibilitatea, corectitudinea, fiabilitatea, robustețea, eficacitatea și protecția datelor.
• AI cauzală identifică și utilizează relațiile cauză-efect pentru a trece dincolo de modelele predictive bazate pe corelație către sisteme de AI care pot prescrie mai eficient acțiuni și pot acționa cu un grad mai mare de autonomie.
• Etichetarea și adnotarea datelor (Data labeling and annotation – DL&A) este un proces în care activele de date sunt în continuare clasificate, segmentate, adnotate și îmbunătățite pentru a îmbogăți datele pentru o analiză mai bună și proiecte de AI.
• Primele principii ale AI (First-principles AI – FPAI) (cunoscut și ca physics-informed AI) încorporează principii fizice și analogice, legile de guvernare și cunoștințele de domeniu în modelele AI. FPAI extinde ingineria AI la inginerie de sisteme complexe și sisteme bazate pe modele.
• Modelele de bază (Foundation models) sunt modele cu parametri mari antrenate pe o gamă largă de seturi de date într-o manieră auto-supravegheată.
• Graficele de cunoștințe (Knowledge graphs) sunt reprezentări ale lumii fizice și digitale care pot fi citite de mașini. Acestea includ entități (oameni, companii, active digitale) și relațiile lor, care aderă la un model de date grafic.
• Sistemele multiagent (Multiagent systems – MAS) este un tip de sisteme de AI compus din agenți multipli, independenți (dar interactivi), fiecare capabil să-și perceapă mediul și să întreprindă acțiuni. Agenții pot fi modele de AI, programe software, roboți și alte entități de calcul.
• AI neurosimbolică este o formă de IA compozită care combină metode de învățare automată și sisteme simbolice pentru a crea modele de AI mai robuste și de mai mare încredere. Oferă o infrastructură de raționament pentru a rezolva mai eficient o gamă mai largă de probleme de afaceri.
• AI responsabilă este un termen umbrelă pentru aspectele legate de alegeri adecvate de afaceri și etice atunci când se adoptă AI. Acesta cuprinde responsabilități și practici organizaționale care asigură dezvoltarea și funcționarea AI pozitive, responsabile și etice.
Afraz Jaffri este Director Analyst la Gartner și se concentrează pe Analytics, Data Science și AI. El îi sfătuiește pe liderii din domeniul Data and Analytics să profite la maximum de investițiile lor în știința datelor moderne, învățarea automată și platformele de analiză.
Svetlana Sicular este VP Analyst la Gartner și se concentrează pe domeniul aflat la intersecția dintre date și AI. Ea este convinsă că omul plus AI este mai inteligent decât fără ajutorul acestei tehnologii. Adevărata pasiune a Svetlanei Sicular este să ajute organizațiile să realizeze transformarea digitală folosind AI pentru a implementa idei de afaceri inovatoare.
