Gartner:Masa Depan AI, Dan Tantangannya
Pembelajaran mesin dan kecerdasan buatan mendekati tahap ekspektasi yang meningkat dalam siklus hype.
Dalam webinar, analis direktur Gartner, Peter Krensky, menguraikan keadaan pembelajaran mesin dan kecerdasan buatan saat ini, lima tahun ke depan, dan beberapa tantangan yang mungkin berdampak pada adopsi, pengembangan, dan penerapan.
Menurut Krensky, ML dan AI mendekati tahap ekspektasi puncak yang meningkat dalam siklus hype. Augmented reality dan virtual telah mencapai 'palung kekecewaan', yang mengikuti puncaknya, dan kendaraan otonom dan drone melewati puncaknya, tetapi belum mencapai bagian bawah siklus.
Dikatakan, masih ada sejumlah besar industri yang belum dimanfaatkan untuk AI dan ML. “Hanya 40 persen pemain top yang melihat kecerdasan buatan sebagai pengubah permainan,” kata Krensky. “Jadi, ada banyak ruang hijau dalam banyak jenis organisasi yang berbeda, bahkan seluruh industri yang baru saja mempelajari apa yang mungkin dilakukan 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 algoritme dan platform AI dan ML dengan Python, banyak yang menggunakan pustaka sumber terbuka yang sama (Apache, TensorFlow) dan infrastruktur cloud yang sama (AWS, Azure).
Penyelarasan ini mengarah pada sinergi yang lebih besar di seluruh industri, yang dapat bermanfaat ketika merekrut bakat di masa depan.
Di seluruh industri, ada migrasi yang stabil ke cloud, sementara sekitar 30 hingga 45 persen terus menjalankan AI atau ML di lokasi. Dalam banyak kasus, Krensky percaya bahwa organisasi menghabiskan terlalu banyak uang untuk membangun program AI atau ML, menghindari alternatif yang lebih murah seperti model yang telah dilatih sebelumnya dan infrastruktur cloud, ketika hasilnya akan serupa.
“Kita harus membiasakan diri dengan infrastruktur pembelajaran mesin yang ada di cloud dan rangkaian komponen berpemilik dan sumber terbuka yang terus berkembang sebagai normal baru,” kata Krensky. “Setiap tahun ada kerangka kerja sumber terbuka baru yang tidak kami bicarakan sekitar dua tahun yang lalu dan sekarang kami membicarakannya sepanjang waktu.”
Melihat bagaimana AI diimplementasikan, Gartner memiliki empat model:
- Berikan tongkat kendali – AI akan mengerjakan bagian tugas yang membosankan, dan operator manusia akan menyelesaikan sisanya.
- Simbiosis – AI mampu menutupi kelemahan manusia, misalnya dengan memproses data dalam jumlah besar dalam hitungan detik.
- Augmented analytics – AI digunakan sebagai pelatih atau panduan untuk operator manusia, memberikan analisis atau wawasan dari data. Contohnya adalah proyek AI baru-baru ini yang menyarankan kata atau kalimat yang hilang dalam ukiran Yunani kuno.
- Pemeriksaan kewarasan – AI melakukan sebagian besar fungsi, tetapi memiliki operator manusia yang siaga untuk mengawasi kesalahan. Misalnya, bot dukungan pelanggan yang meneruskan kasus sulit ke manusia.
Dalam sebuah 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 masih muda, memiliki pengalaman kurang dari lima tahun dan telah bekerja kurang dari dua tahun.
Selain itu, Gartner melihat keberhasilan sebuah proyek karena memiliki banyak anggota staf dengan keahlian yang berbeda. Ilmuwan data, insinyur data, spesialis ML, dan pakar domain semuanya memiliki peran berbeda untuk dimainkan dalam pengembangan proyek AI atau ML, tetapi seringkali organisasi mengandalkan insinyur data dengan pengetahuan luas.
Tantangan terbesar kedua adalah memahami manfaat dan penggunaan AI. Dalam webinar, Krensky merekomendasikan bahwa organisasi perlu mengelola proyek AI dengan benar dan tidak berinvestasi di semua area, alih-alih berfokus pada beberapa zona utama yang masuk akal secara finansial.
Cakupan dan kualitas data adalah tantangan terbesar ketiga dan yang menurut Krensky harus berada di urutan teratas. Tanpa manajemen data yang tepat, pemeriksaan kualitas, dan tata kelola data, proyek AI atau ML kemungkinan besar akan gagal.
