Kunstmatige intelligentie drijft al een groot deel van de technologie aan die de moderne economie stimuleert. AI is nu een essentieel onderdeel van hoe we internet gebruiken, maar is ook te vinden op beurzen, geavanceerde fabrieken en geautomatiseerde magazijnen. Het begint onze auto's te besturen en zelfs onze vloeren te stofzuigen. En toch maakt slechts een fractie van de bedrijven die aanzienlijk kunnen profiteren van AI gebruik van deze aanpak om hun producten en diensten te leveren.

Een belangrijke reden hiervoor is het gebrek aan hoogwaardige data. Technologiereuzen zoals Google, Microsoft en Amazon hebben grote vooruitgang geboekt op het gebied van AI - door software te ontwikkelen om onze vragen te beantwoorden en te identificeren wat er op onze foto's staat - dankzij hun uitgebreide gegevensverzamelingsactiviteiten. Maar veel gevestigde industrieën die kunnen profiteren van AI en geavanceerde robotica hebben moeite om zich te verzamelen, gegevens op een handige manier beheren en gebruiken.

Het hebben van hoogwaardige en betrouwbare gegevens is essentieel om bedrijven te helpen hun markten en klanten beter te begrijpen en geautomatiseerde besluitvorming mogelijk te maken. Op infrastructuurniveau is data kunnen planners en ontwikkelaars sturen en helpen bij het optimaliseren van het gebruik en onderhoud van gebouwen, wegen en spoorwegen. Dit kan ook helpen de CO2-uitstoot te verminderen door onze infrastructuur langer mee te laten gaan en efficiënter te laten werken, helpen om verspilde energie en onnodig verkeer te verminderen.

Stichting van AI

Gegevens zijn, gewoon, de basis van kunstmatige intelligentie. Om AI te trainen om een ​​specifieke taak uit te voeren, u moet doorgaans voorbeeldgegevens uitvoeren via de progressieve leeralgoritmen, zodat deze zich kan aanpassen en het vermogen om patronen te herkennen en dienovereenkomstig te reageren kan verbeteren. Sommige AI kunnen vervolgens het repetitieve proces van het ontdekken van nuttige informatie uit nieuwe gegevens automatiseren en zelfs beter worden in het herkennen van patronen dan mensen of het identificeren van dingen die we nooit zouden kunnen. In sommige gevallen, hoe meer data AI verwerkt, hoe beter het leert functioneren.

Echter, ondanks de mogelijke voordelen, onderzoek toont aan dat in sommige sectoren maar 10% van de bedrijven dit soort geavanceerde analysebenaderingen heeft ontgrendeld. Industrieën zoals telecom, automotive en financiële dienstverlening proberen de techreuzen in te halen. Maar veel sectoren, inclusief gezondheidszorg, opleiding, overheid en bouw, zijn nog niet in de buurt van het bereiken van het volledige potentieel van het gebruik van data en AI.

Bijvoorbeeld, het versnellen van de medische diagnose en het nauwkeuriger maken ervan zou alleen al in de Amerikaanse gezondheidszorg een besparing van 400 miljard dollar kunnen opleveren. Maar de juiste regels en prikkels om voldoende mensen aan te moedigen hun medische gegevens met AI-ontwikkelaars te delen, zijn er nog niet en dus moet de sector dit potentieel nog realiseren.

Dus hoe kunnen meer bedrijven beginnen met het verzamelen van de gegevens waarmee ze het maximale uit AI kunnen halen? Er zijn doorgaans verschillende belangrijke problemen die bedrijven kunnen tegenhouden. De benodigde gegevens bestaan ​​mogelijk niet, het kan ontoegankelijk zijn (bijvoorbeeld omdat het privé is), het kan op te veel locaties voorkomen, bronnen of formaten om nuttig te zijn. Het kan ook van beperkte kwaliteit zijn of niet verzameld zijn voor gebruik met AI en dus niet over de juiste informatie beschikken.

Het kan ook zijn dat er teveel van is. We horen vaak over de waarde van "big data", zeer grote datasets waaruit patronen en andere bruikbare inzichten kunnen worden getrokken. Maar het verzamelen van meer gegevens leidt niet altijd tot betere analyseresultaten en kan soms onnodig ingewikkeld en arbeidsintensief zijn.

Deze problemen kunnen vaak ontstaan ​​doordat bedrijven niet over de juiste strategie of expertise beschikken. Onderzoek toont aan dat veel bedrijven nog steeds geen toegewijde datateams hebben om ervoor te zorgen dat de juiste gegevens worden verzameld, beheerd en vervolgens correct gebruikt. Echter, mijn collega's en ik hebben onlangs onderzoek gedaan waaruit blijkt dat technologiebedrijven met minder dan 50 werknemers vaak veel gebruik maken van data-analyse. Dit suggereert dat innovatieve start-ups zich meer bewust kunnen zijn van de waarde van data en flexibel genoeg kunnen zijn om deze effectief te gebruiken in vergelijking met traditionele grote bedrijven.

Als de traditionele bedrijven en andere organisaties die het meest kunnen profiteren van data en AI willen kunnen concurreren, winst maken en bouwen aan een duurzame wereld, ze moeten data gaan omarmen. AI-oplossingen kunnen alleen zo goed zijn als de kwaliteit van de gegevens waarop ze zijn gebouwd. Dit betekent het aannemen van de juiste mensen en het invoeren van het vereiste beleid om de juiste gegevens te verzamelen, toegankelijk maken, de kwaliteit beoordelen en deze vervolgens gebruiken om AI-oplossingen te ontwikkelen. Alleen op deze manier kunnen deze organisaties echt profiteren van de volgende industriële revolutie.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.