گزارش: 73 درصد از تصمیم گیرندگان ML نگران هستند که باد مخالف ممکن است مانع از سرمایه گذاری بیشتر در ML شود.

مطالعه سفارشی جدید Capital One توسط Forrester Consulting بزرگترین چالش‌ها، نگرانی‌ها و فرصت‌های پیش روی شرکت‌ها را هنگام استفاده از یادگیری ماشینی (ML) برای بهبود عملکرد تجاری در سراسر سازمان نشان می‌دهد.

در زمانی که سازمان‌ها به طور فزاینده‌ای در حال سرمایه‌گذاری و اولویت‌بندی استقرار ML هستند، مطالعه Capital One نشان می‌دهد که اکثریت تصمیم‌گیرندگان مدیریت داده با موانع عملیاتی کلیدی روبرو هستند که ممکن است مانع استقرار ML شود، از جمله شفافیت، قابلیت ردیابی و توضیح‌پذیری جریان داده (73%). و تجزیه سیلوهای داده بین بخش های داخلی (41٪).

دیو کانگ، SVP و رئیس بینش داده در Capital One می‌گوید: «کسب‌وکارها پتانسیل عظیمی را در استفاده از یادگیری ماشین می‌بینند، اما در داده‌های خود با باد مخالف مواجه می‌شوند. این می‌تواند کسب‌وکارها را از دیدن بینش‌های عملی باز دارد و در وهله اول از اتخاذ و عملیاتی کردن راه‌حل‌های ML اجتناب می‌کند.»

موانع داده های یادگیری ماشینی

یکی دیگر از موانع کلیدی برای مدیران داده ها – شکستن سیلوهای داده است. بیش از نیمی (57٪) معتقدند سیلوهای داخلی بین دانشمندان داده و متخصصان مانع استقرار ML می شوند و 38٪ می گویند سیلوهای داده در سراسر سازمان و شرکای داده خارجی چالشی برای بلوغ ML هستند.

دیگر چالش های برتر عبارتند از:

• کار با مجموعه داده های بزرگ، متنوع و نامرتب (36%)
• مشکل در تبدیل مدل های آکادمیک به محصولات قابل استقرار (39%)
• کاهش خطر هوش مصنوعی (38%)

با این حال، با وجود این نگرانی‌ها، داده‌ها همچنین نشان می‌دهند که پذیرش ML همچنان در حال افزایش است و تقریباً 70 درصد از مدیران در حال برنامه‌ریزی برای افزایش استفاده از ML در سراسر سازمان خود هستند. اولویت‌های برتر استقرار ML در سه سال آینده شامل تشخیص خودکار ناهنجاری (40%)، دریافت به‌روزرسانی‌های شفاف برنامه‌ها و زیرساخت‌ها به‌طور خودکار (39%)، و رعایت الزامات جدید نظارتی و حفظ حریم خصوصی برای هوش مصنوعی مسئولانه و اخلاقی (39%) است.

اعتقاد به وعده ML

این نظرسنجی نشان می‌دهد که تصمیم‌گیرندگان مدیریت داده به وعده AI/ML برای رشد کسب‌وکار خود اعتقاد دارند، اما برای ادامه تکامل برنامه‌های ML خود، تصمیم‌گیران باید بر سیلوها در بین افراد و فرآیندها غلبه کنند.

آنها همچنین باید راه‌های بهتری برای ترجمه مدل‌های آکادمیک به محصولات قابل استقرار برای نشان دادن بهتر بازگشت سرمایه به مدیران بیابند. تصمیم گیرندگان با استفاده از شرکای با تجربه دست اول و تمرکز بی وقفه بر روی وعده تجاری ML، می توانند نتایج کلیدی عملیاتی کردن ML مانند کارایی، بهره وری و بهبود تجربه مشتری (CX) را برای رهبری اجرایی ثابت کنند.

روش شناسی

مطالعه سفارشی Capital One توسط Forrester Consulting از 150 تصمیم گیرنده مدیریت داده در آمریکای شمالی در مورد اهداف، چالش ها و برنامه های ML سازمانشان برای عملیاتی کردن ML مورد بررسی قرار گرفت.

گزارش کامل کپیتال وان و فارستر را بخوانید.