人工知能 (AI) は、研究室から実際のアプリケーションまでどのように異なるのでしょうか?

人工知能が実際の応用に入ると、遭遇する問題のほとんどは複雑になります。 しかし、現段階では、人工知能はこれらの問題を独自に効果的に分解して情報を収集することができず、実際の作業ではデータの問題に行き詰まってしまうことがよくあります。

[[429998]]

その中で、特に顕著なのが以下の問題です。

1. データの可用性の問題: データの所有権が原因で、大量の構造化されたビジネス データを見つけるのは非常に困難であり、または多大な労力を必要とします。
2. ダーティデータの問題: 実際の生産プロセスでは、エネルギーの 90% 以上がデータのクリーニングに費やされています。実際のデータ生成プロセスでは、さまざまな技術的問題、人間の偏見の問題、情報のラベル付けの問題により、データエラーが発生する可能性があります。
3. データフロー速度の問題は、ラボではモデルの精度を評価するために 2 セットのデータを使用するのが簡単だということです。しかし、実際のアプリケーションでは、将来を予測することがよくあります。このとき、実際のデータが時間内にモデルに取り込まれるかどうかが非常に重要です。

データが不十分だと、顔の特徴に基づいて犯罪の可能性を判断するなど、アルゴリズムの偏りが生じる可能性があります。

現在のビッグデータと人工知能のアルゴリズムには、検索におけるジェンダー問題や、フードデリバリーのアルゴリズムが乗客のリスク識別を支援できないことなど、依然として多数のデータギャップとバイアスが存在します。

現実の問題は非常に複雑であるため、AIの大規模な応用には社会全体のデータ利用エコシステムの改善が伴わなければならず、データセキュリティは秩序ある状態で公正かつ公平に運用されなければなりません。