Menu
  • Home
  • O nás
  • Projekty ▾
    • Výzkum
    • Detektor urážek
    • Český detektor emocí
    • Anglický detektor emocí
    • Veřejné mínění emocí
    • Startup Akademie
  • Kariéra
  • Kontakt
  • Kalendář
  • Blog
Skip to content

HypeCycle pro AI 2021

by Eva Popílková | Posted on 9. 11. 202111. 12. 2021

Každý rok se těším na aktualizovaný HypeCycle od společnosti Gartner. Gartneři se dotazují velkého množství společností co používají, a co se chystají používat a dokáží z toho vysledovat určité trendy. Předpovědět budoucnost je mimořádně nesnadné.

Když jsem byl na jejich konferenci před pár lety, hrdě předpovídali, že dnes budou lidé více komunikovat s chatoboty než se skutečnými lidmi. To jim naštěstí nevyšlo. Chatboti jsou dnes ve světě v tzv. údolí deziluze a praxe už hodně ukázala slabá místa klasických stromových chatbotů.

Jaké trendy vidí Gartneři v AI dnes?
1. Operacionalizace AI – dnes trvá průměrné organizaci 8 měsíců než se jí podaří nasadit hotový model na produkční prostředí. To je moc pomalé a tak většina společností přemýšlí jak tento čas díky lepší architektuře zkrátit. Jedním z řešení je ModelOps – které tento čas zkracuje + může obsahovat i systém pro správu a řízení celého životního cyklu AI.

2. Efektivní využití dat, modelů a výpočtů. Do této skupiny spadají moje oblíbení kompozitní (hybridní) modely. Čili kombinace silných modelů typicky hlubokých neuronových sítí s něčím, co je dobře vysvětlitelné jako je expertní systém. Také sem spadá generativní AI, které vylepšuje datasety vygenerovanými syntetickými daty.

3. Odpovědná AI – AI stále častěji pomáhá lidem s rozhodováním a spolu s tím roste i důraz na to zmenšit předpojatost. Často se mluví o diskriminaci kvůli rase, pohlaví, věku, čtvrti kde bydlíte a tak podobně. V EU a USA je stále silnější důraz na spravedlivost, transparentnost, bezpečnost, soukromí.

4. Data – stále více pozorností se obracejí na nové analytické techniky známé jako „malá data“ a „široká data“. Jedná se o to jak efektivněji využívat data co máme k dispozici. Například jak predikovat průběh epidemie, když máme jen krátkou řadu (small data)? Jak vytěžit více informací z různých nestrukturovaných a různorodých dat (wide data)?

Zdroje:
– https://www.gartner.com/…/the-4-trends-that-prevail-on…
– https://signum.ai/…/small-and-wide-data-is-important…/
– https://en.wikipedia.org/wiki/ModelOps
Post Views: 1 143
Strojové učeníAI big data Chatbot Gartner HypeCycle malá data ModelOps široká data small data umělá inteligence

Related Posts

7 dubna, 2019

Právě jsem dokončil další kurz božského AI profesora Andrew Ng – AI pro každého

10 června, 2021

Nové datasety i modely zrychlují AI

15 března, 2023

DigiKomenský – Největší učitel všech dob v podobě Jana Amose Komenského – pro učení dětem i samoukům

Nejnovější příspěvky

  • Digi Dvojče Jana Tyla napsalo další článek
  • Článek s pomocí digitálního dvojčete Jana Tyla
  • Umění digitálního věku
  • Revoluce v programování – Claude Code
  • DigiHavel ve školách slaví úspěch u dětí

Archivy

Rubriky

Štítky

AI AI Awards algoritmus algoritmy Alphai Alpha Industries Amazon Andrew Ng BERT Chatbot DALL·E Deep Learning DigiHavel digitální filosof Digitální spisovatel Dita Malečková Elon Musk Facebook Google GPT-2 GPT-3 GPU Hyperprostor IBM Inovace Jan Tyl Matylda Microsoft Neuronová síť NEWSPARK NLP NVIDIA OpenAI podcast Přednáška RNN Robot soutěž startup strojové učení technologie TensorFlow Tomáš Sedláček umělá inteligence Český rozhlas
Copyright Alpha Industries – blog. All rights reserved. | Powered by WordPress & Writers Blogily Theme
Alpha Industries - blog
  • Home
  • O nás
  • Projekty
    • Výzkum
    • Detektor urážek
    • Český detektor emocí
    • Anglický detektor emocí
    • Veřejné mínění emocí
    • Startup Akademie
  • Kariéra
  • Kontakt
  • Kalendář
  • Blog