Kunstig intelligens producerer naturligt kunstig viden. Ser du noget galt med dette forslag? En definition af kunstig er "lavet af folk til at ligne noget naturligt", hvilket betyder, at det er falsk, mens det vildledende har til hensigt at overbevise dig om, at det er ægte. ⁃ TN Editor
Den kunstige intelligens (AI) revolution blev antændt for mere end et halvt århundrede siden. I det sidste årti er AI vokset fra et akademisk videnskabeligt felt til at begynde at være en praktisk del af vores hverdag. De mest almindelige AI-forretningsstrategier, vi ser, er bygget op omkring data. Vi mener, at proprietære data i øjeblikket er den mest strategiske voldgrav for AI-virksomheder, men i de kommende år vil de blive mindre af et unikt aktiv, hvilket gør proprietær datadifferentiering mindre bæredygtig. Derfor forventer vi et skift i fokus fra databaserede AI-strategier til videnbaserede AI-strategier.
Fremskridt med big data, der er gjort lettere ved implementeringen af adskillige sensorer, internetforbindelse og forbedring af hardware og software inden for beregningskraft, kommunikationsevner og digital lagring, har gjort det muligt for AI at skalere fra små akademiske forskningsprojekter til applikationer til produktion af store virksomheder. I det væsentlige krævede big data sofistikerede AI-modeller for at analysere og udlede viden og indsigt, mens AI-modellerne havde brug for kritisk masse af big data til træning og optimering. Derfor opfattes data i øjeblikket ofte som en tilstrækkelig strategisk voldgrav til AI-startups. Som venturekapitalinvestorer ser vi dette fænomen rutinemæssigt. I de senere år har vi set mange startups, der placerer dataindsamling i centrum for deres forretningsstrategi. Et stigende antal sådanne virksomheder understreger de unikke datasæt, de har erhvervet, og deres langsigtede strategi for at erhverve yderligere proprietære data - som en bæredygtig adgangsbarriere. Da AI-værktøjer og AI-as-a-service-platforme har kommodiseret udviklingen af AI-modeller, og offentlige data er blevet allestedsnærværende, er det opfattede behov for at opbygge og forsvare en voldgrav til data blevet håndgribeligt.
I dagens teknologiøkosystem har markederne i stigende grad belønnet virksomheder med førende AI-programmer og kontrol over proprietære data - som en væsentlig og bæredygtig konkurrencemæssig fordel. Virksomheder som Google og Netflix har udviklet og kurateret massive og autoritative datasæt over lang tid, mens mange andre virksomheder forgæves kæmpede for at matche deres succes. Et eksempel er den massive afbrydelse af konkurrerende medietjenesteudbydere og produktionsselskaber, som blev outmanøvreret af Netflix ' sofistikeret datastrategi.
På grund af forventede fremskridt inden for evnen og viljen til at udveksle data tror vi ikke desto mindre, at inden for et årti vil proprietære datagrave være mindre bæredygtige. Mens data stadig fremmer AI-værdimotoren, fokuseres AI-forretningsstrategier i stigende grad på viden.
Bevæger sig op ad AI-værdipyramiden mod videnslaget
AI-værdipyramiden er baseret på data og drevet af viden. Mens vi i dag ”drukner i information, men sulter efter viden”, forventer vi at bevæge os op ad AI-værdipyramiden mod videnlaget. Vi er faktisk begyndt at se fremskridt, der fremmer og fremskynder denne tendens ved oprettelse af dataudveksling. Vi forventer, at dataudveksling vil blive lettet af en kombination af øget gennemførlighed og vilje til at dele råvarer til gengæld for værdifuld viden. Sammenfattende bliver data mere rigelige, tilgængelige, pålidelige og standardiserede og billigere - den perfekte definition af en ideel vare. Brug af data som en bæredygtig adgangsbarriere vil være vanskeligere i fremtiden.
Den øgede gennemførlighed til at dele data vil blive fremskyndet af udbredelsen af datakilder gennem Tingenes internet (IoT). Derudover er der nye teknikker, protokoller og standarder til pooling, deling og udveksling af data. Når man ser fremad, bliver den øgede evne til at dele data virkelig vigtig, når der er incitament og en stigende tilbøjelighed til at gøre det. Da AI underminerer og forstyrrer arv konkurrencedygtige hindringer for adgang, mange organisationer forsøger ubarmhjertigt at indsamle deres egne data og tjene penge på dem. Ak, denne dataindsamling og -udnyttelse er hverken let eller frugtbar og skaber derfor strategisk dissonans. Dette skyldes, at selvom AI i stigende grad er uundværlig for de fleste organisationer, er det ikke en del af deres arvede færdigheder eller kerneekspertise. Derudover er ckronisk og vedvarende mangel af ingeniører, udviklere, produktledere og ledere, der er uddannet i AI, skærper denne dissonans og fører til en løsningspræference for datadeling med det formål at udveksle viden.
Et eksempel på kombinationen af evne og vilje, der skabes gennem udveksling af data til videngenerering, er det nye forslag af Den Europæiske Union, at skabe "et indre marked for data" for at give mennesker, virksomheder og organisationer mulighed for at træffe bedre beslutninger baseret på indsigt fra ikke-personlige data for at konkurrere med de nuværende teknologiske giganter.
En anden faktor, der bidrager til, at datagrave bliver mindre bæredygtige, er opfindelsen af nye dataløsninger, der muliggør brug af mindre datasæt til træningsmodeller. Syntetiske dataløsninger (for eksempel med generative kontradiktoriske netværk) og andre minimeringsteknikker, som f.eks. Dataforøgelse, kan muligvis give virksomheder mulighed for at skabe forstyrrende AI-produkter uden enorme mængder data.
Patrick Wood er en førende og kritisk ekspert på bæredygtig udvikling, grøn økonomi, Agenda 21, 2030 Agenda og historisk teknokrati. Han er forfatter af Technocracy Rising: The Trojan Horse of Global Transformation (2015) og medforfatter til Trilaterals Over Washington, bind I og II (1978-1980) med afdøde Antony C. Sutton.
