Ogni azienda vuole fare scoperte con AI. Ma se i tuoi dati sono cattivi, le tue iniziative AI sono condannate dall’inizio. Questo è parte del motivo per cui sono sconcertanti 95% dei piloti generativi di intelligenza artificiale stanno fallendo.
Ho visto in prima persona come i modelli AI apparentemente ben costruiti che funzionano in modo affidabile durante i test possano perdere dettagli cruciali che li causano malfunzionamento lungo la linea. E nel mondo dell’IA fisica, le implicazioni possono essere serie. Considera le auto a guida autonoma di Tesla che hanno difficoltà a rilevare i pedoni a bassa visibilità; o i sistemi di prevenzione antifurto di Walmart che segnalano il normale comportamento del cliente come sospetto.
Come CEO di una startup di AI visiva, penso spesso a questi scenari peggiori e sono profondamente consapevole della loro causa sottostante: dati negativi.
Risolvere il problema dei dati errati
Nonostante l’emergere di modelli di visione su larga scala, diversi set di dati e progressi nell’infrastruttura di dati, l’IA visiva rimane estremamente impegnativa.
Prendi l’esempio della tecnologia “Just Walk Out” di Amazon per i suoi negozi di alimentari statunitensi. All’epoca era una specie di idea folle: gli acquirenti potevano entrare in un Amazon Negozio fresco, prendi i loro oggetti e vai senza dover aspettare in fila per pagare. La tecnologia sottostante doveva essere una sinfonia sofisticata di AI, sensori, dati visivi e tecnologie RFID per raggiungere tale esperienza. Amazon lo vedeva come il futuro dello shopping, qualcosa che avrebbe interrotto gli operatori come Walmart, KrogerE Albertsons.
L’intelligenza artificiale di Amazon potrebbe identificare accuratamente un acquirente che raccoglie una coca in condizioni ideali: corridoi illuminati, acquirenti singoli e prodotti nei loro punti designati.
Sfortunatamente, il sistema ha lottato per tenere traccia degli oggetti su corridoi e display affollati. I problemi sono emersi anche quando i clienti hanno restituito oggetti a diversi scaffali o quando hanno acquistato in gruppo. Il modello di AI visivo mancava di una formazione sufficiente su comportamenti rari per funzionare bene in questi scenari.
Il problema principale non era una raffinatezza tecnologica: era una strategia di dati. Amazon aveva addestrato i loro modelli su milioni di ore di video, ma i milioni sbagliati di ore. Hanno ottimizzato per gli scenari comuni mentre sottopongono il caos che guida la vendita al dettaglio nel mondo reale.
Amazon continua a perfezionare la tecnologia, una strategia che evidenzia la sfida di base con la distribuzione di un’intelligenza artificiale. Il problema non era una potenza di calcolo insufficiente o una raffinatezza algoritmica. I modelli avevano bisogno di dati di formazione più completi che hanno catturato l’intero spettro dei comportamenti dei clienti, non solo gli scenari più comuni.
Questo è il punto cieco da miliardi di dollari: la maggior parte delle aziende sta risolvendo il problema dei dati errati.
Qualità rispetto alla quantità
Le imprese spesso presumono che il semplice ridimensionamento dei dati – collezionando milioni di immagini o ore video – chiuderà il divario delle prestazioni. Ma l’intelligenza artificiale visiva non fallisce a causa di troppi dati; Non riesce a causa dei dati sbagliati.
Le aziende che hanno costantemente successo hanno imparato a curare i loro set di dati con lo stesso rigore che applicano ai loro modelli.
Cercano deliberatamente ed etichettano i casi difficili: i graffi che si registrano a malapena su una parte, la presentazione delle malattie rare in un’immagine medica, la condizione di illuminazione una in un migliaio su una linea di produzione o il pedone che sfrecciano tra le auto parcheggiate al tramonto. Questi sono i casi che rompono i modelli nella distribuzione e i casi che separano un sistema adeguato da uno pronto alla produzione.
Questo è il motivo per cui la qualità dei dati sta rapidamente diventando il vero vantaggio competitivo nell’intelligenza artificiale. Le aziende intelligenti non stanno inseguendo il volume puro; Stanno investendo in strumenti per misurare, curare e migliorare continuamente i loro set di dati.
Come le aziende possono usare l’IA visiva con successo
Avendo lavorato a centinaia di importanti distribuzioni di intelligenza artificiale, ci sono alcune migliori pratiche che si distinguono.
Le organizzazioni di successo investono in set di dati standard per valutare i loro modelli. Ciò implica avere una vasta revisione umana per catalogare i tipi di scenari di cui un modello deve esibirsi bene nel mondo reale. Quando si costruiscono parametri di riferimento, è fondamentale valutare i casi di bordo, non solo quelli tipici. Ciò consente una valutazione completa di un modello e prendere decisioni informate sul fatto che un modello sia pronto per la produzione.
Successivamente, i principali team di AI multimodale investono in infrastrutture incentrate sui dati che promuovono la collaborazione e incoraggia visualizzare Performance del modello, non solo misurarlo. Questo aiuta a migliorare la sicurezza e la precisione.
In definitiva, il successo con l’IA visiva non proviene da modelli più grandi o più calcola, deriva dal trattamento dei dati come fondamenta. Quando le organizzazioni mettono i dati al centro del loro processo, sbloccano non solo modelli migliori, ma AI più sicuri, più intelligenti e più di impatto nel mondo reale.
Le opinioni espresse in Fortune.com i pezzi di commento sono esclusivamente le opinioni dei loro autori e non riflettono necessariamente le opinioni e le credenze di Fortuna.
