Gartner Meraam Bab Selanjutnya AI: Peluang, Risiko, dan Hambatan Adopsi
Pembelajaran mesin dan kecerdasan buatan semakin mendekati tahap harapan yang terlampaui dalam siklus hype.
Dalam webinar, analis direktur Gartner, Peter Krensky, menggambarkan keadaan saat ini pembelajaran mesin dan kecerdasan buatan, lima tahun ke depan, dan beberapa tantangan yang kemungkinan akan mempengaruhi adopsi, pengembangan, dan penerapan.
Menurut Krensky, ML dan AI semakin mendekati tahap harapan yang terlampaui dalam siklus hype. Realitas augmented dan virtual sudah mengenai 'lemah penantian', yang mengikuti puncak, dan kendaraan otonom serta drone telah melewati puncak, tetapi belum sampai ke dasar siklus.
Itu dikatakan, masih ada sejumlah besar industri yang belum tergali untuk AI dan ML. "Hanya 40 persen pelaku terbaik yang melihat kecerdasan buatan sebagai pengubah permainan," kata Krensky. "Jadi, masih banyak ruang hijau di dalam banyak jenis organisasi, bahkan seluruh industri yang baru saja mencoba apa yang mungkin dengan pembelajaran mesin."
Salah satu faktor yang mendukung pengembangan AI dan ML yang berkelanjutan adalah keselarasan antara konsep inti akademik, ilmiah, dan korporat. Lebih dari 90 persen industri menulis algoritma dan platform AI dan ML dalam Python, banyak menggunakan pustaka open-source yang sama (Apache, TensorFlow) dan infrastruktur cloud yang sama (AWS, Azure).
Keselarasan ini mengarah pada sinergi yang lebih besar di seluruh industri, yang bisa berharga saat merekrut talenta di masa depan.
Di seluruh industri, ada migrasi yang stabil ke cloud, sementara sekitar 30 hingga 45 persen terus menjalankan AI atau ML on-premises. Dalam banyak kasus, Krensky percaya organisasi terlalu banyak membangun program AI atau ML, menghindari alternatif yang lebih murah seperti model yang telah dilatih sebelumnya dan infrastruktur cloud, sementara hasilnya akan mirip.
"Kita harus terbiasa dengan infrastruktur pembelajaran mesin yang ada di cloud dan satu set komponen open-source dan proprietary yang terus berkembang sebagai norma baru," kata Krensky. "Setiap tahun ada framework open-source baru yang tidak kita bicara dua tahun lalu dan sekarang kita bicara sepanjang waktu."
Melihat bagaimana AI diimplementasikan, Gartner memiliki empat model:
- Serahkan tongkat – AI akan bekerja pada bagian tugas yang membosankan, dan operator manusia akan menyelesaikan sisanya.
- Simbiose – AI mampu menutupi kelemahan manusia, misalnya dengan memproses sejumlah besar data dalam hitungan detik.
- Analitik teraugmentasi – AI digunakan sebagai pelatih atau panduan bagi operator manusia, menyediakan analitik atau wawasan dari data. Contohnya bisa menjadi proyek AI terbaru yang menyarankan kata atau kalimat yang hilang di prasasti Yunani kuno.
- Pemeriksaan akal – AI melakukan sebagian besar fungsi, tetapi memiliki operator manusia dalam kesiapan untuk mengawasi kesalahan. Misalnya, bot dukungan pelanggan yang melewatkan kasus sulit kepada manusia.
Dalam survei oleh Gartner, sebagian besar pemimpin bisnis mengatakan keterampilan staf adalah tantangan utama untuk adopsi AI dan ML, sebesar 56 persen. Krensky menyebutkan dalam webinar bahwa sebagian besar pengembang ML adalah muda, memiliki pengalaman kurang dari lima tahun dan telah bekerja di pekerjaan mereka kurang dari dua tahun.
Di atas itu, Gartner melihat keberhasilan proyek sebagai memiliki beberapa anggota staf dengan keahlian yang berbeda. Ilmuwan data, insinyur data, spesialis ML, dan ahli domain semuanya memiliki peran yang berbeda dalam pengembangan proyek AI atau ML, tetapi seringkali organisasi bergantung pada insinyur data dengan pengetahuan luas.
Tantangan kedua terbesar adalah memahami manfaat dan penggunaan AI. Dalam webinar, Krensky merekomendasikan organisasi untuk dengan benar mengelola proyek AI dan tidak berinvestasi di semua area, malah memfokuskan pada beberapa zona kunci yang masuk akal secara finansial.
Cakupan dan kualitas data adalah tantangan ketiga terbesar dan satu yang Krensky yakini harus berada di paling atas daftar. Tanpa manajemen data yang tepat, pemeriksaan kualitas, dan tata kelola data, proyek AI atau ML jauh lebih mungkin gagal.
