Enligt Gartner är de främsta trenderna, som formar framtiden för datavetenskap och maskininlärning, alltså de nedan fem uppräknade, men hur, varför och vad rekommenderar Gratner relaterat till dessa? Så här argumenterade Peter Krensky kring de fem trenderna:
Trend 1: Molndata-ekosystem
Dataekosystem går från fristående programvara eller blandade implementeringar till helt molnbaserade lösningar. Till 2024 förväntar sig Gartner att 50 % av nya systeminstallationer i molnet kommer att baseras på ett sammanhängande molndataekosystem snarare än på manuellt integrerade punktlösningar.
Gartner rekommenderar organisationer att utvärdera dataekosystem baserat på deras förmåga att lösa distribuerade datautmaningar, samt att komma åt och integrera med datakällor utanför sin omedelbara miljö.
Trend 2: Edge AI
Efterfrågan på Edge AI växer för att möjliggöra bearbetning av data vid skapandet vid kanten, vilket hjälper organisationer att få realtidsinsikter, upptäcka nya mönster och uppfylla stränga datasekretesskrav. Edge AI hjälper också organisationer att förbättra utvecklingen, orkestreringen, integrationen och implementeringen av AI.
Gartner förutspår att mer än 55 % av all dataanalys av djupa neurala nätverk kommer att ske vid infångningspunkten i ett edgesystem 2025, upp från mindre än 10 % 2021. Organisationer bör identifiera de applikationer, den AI-träning och de konklusioner som krävs för att flytta till edgemiljöer nära IoT-ändpunkter.
Trend 3: Ansvarsfull AI
Ansvarsfull AI gör AI till en positiv kraft snarare än ett hot mot samhället och sig själv. Den täcker många aspekter av att göra rätt affärsmässiga och etiska val när de tar till sig AI som organisationer ofta hanterar självständigt, såsom affärs- och samhällsvärde, risk, förtroende, transparens och ansvarsskyldighet. Gartner förutspår att koncentrationen av ”förtränade” AI-modeller bland 1 % av AI-leverantörerna år 2025 kommer att göra ansvarsfull AI till ett samhällsproblem.
Gartner rekommenderar att organisationer använder ett riskproportionellt tillvägagångssätt för att leverera AI-värde och är försiktiga när de tillämpar lösningar och modeller. Sök garantier från leverantörer för att säkerställa att de hanterar sina risker och efterlevnadsåtaganden, skyddar organisationer från potentiella ekonomiska förluster, rättsliga åtgärder och skada på rykte.
Trend 4: Datacentrerad AI
Datacentrerad AI representerar ett skifte från ett modell- och kodcentrerat tillvägagångssätt till att vara mer datafokuserad för att bygga bättre AI-system. Lösningar som AI-specifik datahantering, syntetiska data och datamärkningstekniker syftar till att lösa många datautmaningar, inklusive tillgänglighet, volym, integritet, säkerhet, komplexitet och omfattning.
Användningen av generativ AI för att skapa syntetisk data är ett område som växer snabbt, vilket avlastar bördan av att skaffa verklig data så att maskininlärningsmodeller kan tränas effektivt. Till 2024 förutspår Gartner att 60 % av data för AI kommer att vara syntetiska för att simulera verkligheten, framtidsscenarier och förringa AI, upp från 1 % 2021.
Trend 5: Accelererade AI-investeringar
Investeringar i AI kommer att fortsätta att accelerera av organisationer som implementerar lösningar, såväl som av industrier som vill växa genom AI-teknik och AI-baserade företag. I slutet av 2026 förutspår Gartner att mer än 10 miljarder dollar kommer att ha investerats i AI-startups som förlitar sig på grundmodeller – stora AI-modeller tränade på enorma mängder data.
En nyligen genomförd Gartner-undersökning av mer än 2 500 verkställande ledare visade att 45 % rapporterade att den senaste tidens hype kring ChatGPT fick dem att öka AI-investeringarna. 70 procent sa att deras organisation är i undersöknings- och utforskningsläge med generativ AI, medan 19 % är i pilot- eller produktionsläge.
