Sztuczna inteligencja (AI) wydaje się być wszędzie. Doświadczamy tego w domu i na naszych telefonach. Zanim się zorientujemy — jeśli wierzyć przedsiębiorcom i innowatorom biznesowym — sztuczna inteligencja będzie obecna w prawie każdym produkcie i usłudze, które kupujemy i używamy. Ponadto jego zastosowanie do rozwiązywania problemów biznesowych rośnie w zawrotnym tempie. Jednocześnie rosną obawy o konsekwencje AI: martwimy się wpływem automatyzacji opartej na sztucznej inteligencji na miejsce pracy, zatrudnienie i społeczeństwo. Rzeczywistością czasami gubioną zarówno wśród obaw, jak i triumfów technologii jest to, że same technologie sztucznej inteligencji – a mianowicie uczenie maszynowe i jego podzbiór, głębokie uczenie – mają wiele ograniczeń, które nadal będą wymagały znacznego wysiłku by je przezwyciężyć. Poznanie tych ograniczeń to skuteczna pomoc kadrze kierowniczej w lepszym zrozumieniu wyzwań, jakie stawia przed nami rozwój sztucznej inteligencji.
Przydatnym punktem wyjścia jest zrozumienie najnowszych postępów w technikach głębokiego uczenia się. Te postępy, które są prawdopodobnie najbardziej ekscytującymi osiągnięciami w dziedzinie sztucznej inteligencji, zapewniają skoki w dokładności klasyfikacji i przewidywania, i robią to bez zwykłej „inżynierii funkcji” związanej z tradycyjnym uczeniem nadzorowanym. Głębokie uczenie wykorzystuje wielkoskalowe sieci neuronowe, które mogą zawierać miliony symulowanych „neuronów” ułożonych warstwowo. Chociaż poczyniono znaczne postępy, nadal pozostaje wiele do zrobienia. Kluczowym krokiem jest dopasowanie podejścia AI do problemu i dostępności danych. Ponieważ systemy te są „uczone”, a nie zaprogramowane, różne procesy często wymagają ogromnych ilości oznaczonych danych, aby dokładnie wykonywać złożone zadania. Uzyskanie dużych zbiorów danych może być trudne. W niektórych dziedzinach mogą po prostu nie być dostępne, ale nawet jeśli są dostępne, wysiłki związane z etykietowaniem mogą wymagać ogromnych zasobów ludzkich.
Większość obecnych modeli sztucznej inteligencji jest trenowana poprzez „nadzorowane uczenie”. Oznacza to, że ludzie muszą oznaczać i kategoryzować podstawowe dane, co może być sporym i podatnym na błędy obowiązkiem. Jednocześnie pojawiają się obiecujące nowe techniki, takie jak nadzór in-stream, w których dane mogą być etykietowane w trakcie naturalnego użytkowania. Podejścia nienadzorowane lub częściowo nadzorowane zmniejszają potrzebę dla dużych, oznaczonych zestawów danych.
