L'intérêt de l'IA passe des `` données '' à la `` connaissance ''

S'il vous plaît partager cette histoire!
L'intelligence artificielle produit naturellement des connaissances artificielles. Voyez-vous quelque chose de mal dans cette proposition? Une définition de l'artificiel est «fait par les gens pour ressembler à quelque chose de naturel», ce qui signifie qu'il est faux tout en ayant l'intention trompeuse de vous convaincre que c'est réel. ⁃ Éditeur TN

La révolution de l'intelligence artificielle (IA) a été déclenchée il y a plus d'un demi-siècle. Au cours de la dernière décennie, l'intelligence artificielle est passée d'un domaine scientifique universitaire à une partie pratique de notre vie quotidienne. Les stratégies commerciales d'IA les plus courantes que nous voyons sont construites autour de données. Nous pensons que les données propriétaires sont actuellement le fossé le plus stratégique pour les entreprises d'IA, mais dans les années à venir, elles deviendront moins un atout unique, ce qui rendra la différenciation des données propriétaires moins durable. Par conséquent, nous nous attendons à un changement d'orientation, des stratégies d'IA basées sur les données, vers des stratégies d'IA basées sur la connaissance.

L'avancement du Big Data, facilité par le déploiement de nombreux capteurs, la connectivité Internet et l'amélioration matérielle et logicielle de la puissance de calcul, des capacités de communication et du stockage numérique, ont permis à l'IA de passer des petits projets de recherche académique aux applications de production de grandes entreprises. Essentiellement, les mégadonnées nécessitaient des modèles d'IA sophistiqués pour analyser et obtenir des connaissances et des informations, tandis que les modèles d'IA nécessitaient le masse critique de big data pour la formation et l'optimisation. Par conséquent, à l'heure actuelle, les données sont souvent perçues comme un fossé stratégique suffisant pour les startups d'IA. En tant qu'investisseurs en capital-risque, nous constatons régulièrement ce phénomène. Ces dernières années, nous avons vu de nombreuses startups placer l'acquisition de données au cœur de leur stratégie commerciale. Un nombre croissant de ces sociétés mettent l'accent sur les ensembles de données uniques qu'elles ont acquis et leur stratégie à long terme pour acquérir des données propriétaires supplémentaires - comme une barrière durable à l'entrée. De plus, alors que les outils d'IA et les plates-formes d'IA en tant que service ont banalisé le développement de modèles d'IA et que les données publiques sont devenues omniprésentes, le besoin perçu de construire et de défendre un fossé de données est devenu palpable.

Dans l'écosystème technologique actuel, les marchés ont de plus en plus récompensé les entreprises avec des programmes d'IA de premier plan et un contrôle sur les données propriétaires - comme un avantage concurrentiel substantiel et durable. Des entreprises telles que Google et Netflix ont développé et organisé des ensembles de données massifs et faisant autorité sur une longue période, tandis que de nombreuses autres entreprises ont eu du mal à égaler leur succès. Un exemple est la perturbation massive des fournisseurs de services de médias et des sociétés de production rivaux, qui ont été dépassés par Netflix ' stratégie de données sophistiquée.

Néanmoins, en raison des progrès attendus dans la capacité et la volonté d'échanger des données, nous pensons que dans une décennie, les fossés de données exclusives seront moins durables. Si les données alimenteront toujours le moteur de valeur de l'IA, les stratégies commerciales de l'IA seront de plus en plus axées sur la connaissance.

Monter la pyramide des valeurs de l'IA, vers la couche de connaissances

La pyramide des valeurs de l'IA est basée sur des données et guidée par les connaissances. Alors qu'aujourd'hui «nous nous noyons dans l'information mais manquons de connaissances», nous prévoyons de remonter la pyramide des valeurs de l'IA, vers la couche de connaissances. En effet, nous avons commencé à voir des avancées qui vont favoriser et accélérer cette tendance par la création d'échanges de données. Nous nous attendons à ce que l'échange de données soit facilité par une combinaison de faisabilité accrue et d'une volonté de partager des données standardisées en échange de connaissances précieuses. En résumé, les données deviendront plus abondantes, disponibles, fiables, standardisées et peu coûteuses - la définition parfaite d'un produit idéal. Utiliser les données comme barrière durable à l'entrée sera plus difficile à l'avenir.

La faisabilité accrue du partage des données sera accélérée par la prolifération des sources de données via le Internet des Objets (IoT) (IoT). En outre, il existe de nouvelles techniques, protocoles et normes pour la mise en commun, le partage et l'échange de données. À l'avenir, la capacité accrue de partager des données deviendra vraiment significative lorsqu'il y aura une incitation et une tendance croissante à le faire. Alors que l'IA sape et perturbe l'héritage barrières concurrentielles à l'entrée, de nombreuses organisations tentent sans relâche de collecter leurs propres données propriétaires et de les monétiser. Hélas, cette acquisition et utilisation des données n'est ni facile, ni fructueuse et crée donc une dissonance stratégique. En effet, bien que l'IA soit de plus en plus indispensable pour la plupart des organisations, elle ne fait pas partie de leurs compétences héritées ou de leur expertise de base. En outre, le cpénurie chronique et persistante d'ingénieurs, des développeurs, des chefs de produits et des managers formés à l'IA accentue cette dissonance et conduit à une préférence de solution pour le partage de données dans un but d'échange de connaissances.

Un exemple de la combinaison de la capacité et de la volonté de créer grâce à l'échange de données pour la production de connaissances est la nouvelle proposition par l'Union européenne, pour créer «un marché unique des données», afin de donner aux personnes, aux entreprises et aux organisations les moyens de prendre de meilleures décisions en s'appuyant sur des informations issues de données non personnelles afin de rivaliser avec les géants actuels de la technologie.

Un autre facteur qui contribue à rendre les douves de données moins durables est l'invention de nouvelles solutions de données qui permettent d'utiliser des ensembles de données plus petits pour les modèles d'apprentissage. Des solutions de données synthétiques (par exemple, avec des réseaux d'adversaires génératifs) et d'autres techniques de minimisation, comme l'augmentation des données, pourraient permettre aux entreprises de créer des produits d'IA perturbateurs, sans d'énormes quantités de données.

Lire l'histoire complète ici…

À propos de l'éditeur

Patrick Wood
Patrick Wood est un expert de premier plan et critique sur le développement durable, l'économie verte, l'Agenda 21, l'Agenda 2030 et la technocratie historique. Il est l'auteur de Technocracy Rising: The Trojan Horse of Global Transformation (2015) et co-auteur de Trilaterals Over Washington, Volumes I and II (1978-1980) avec le regretté Antony C. Sutton.
S'abonner
Notifier de
invité

1 Commentaire
Le plus ancien
Date Les plus votés
Commentaires en ligne
Voir tous les commentaires