Adatminőség: mindennek az alapja
Az MI kimeneteinek minősége szorosan összefügg a felhasznált adatok minőségével. George Lee, a Goldman Sachs Global Institute társelnöke szerint különösen vállalati környezetben kritikus, hogy milyen adatokat adnak a modellek tanítására. Egyre kevesebb a hiteles, jól strukturált forrás, a fejlesztők így már szintetikus vagy más MI által generált adatokkal próbálják pótolni a hiányt. Gyakran új modelleket régebbiek eredményein tanítanak, mivel a nyílt, szabad forrásokból szinte teljesen kifogytak.
Az MI önmagán tanul: veszélyek és korlátok
Neema Raphael, a Goldman Sachs adatfőnöke szerint már most is tapasztalható, hogy az MI modellek saját adataikra hagyatkoznak a tanítás során, ami torzításhoz vezethet. Az úgynevezett modellezési chipezés során minden újabb generáció csak erősíti az előző hibáit, miközben finom részletek vesznek el. Ettől függetlenül Raphael úgy véli, nem ez lesz a fejlődés fő akadálya, hiszen a vállalati adattárházakban még rengeteg feldolgozatlan információ rejtőzik, ezek még nem kerültek az MI kezébe.
Vállalati adatbányák: az igazi kincs?
A vállalati tűzfalak mögé zárt információk komoly üzleti értéket jelenthetnek az MI számára. Bár sok a felhajtás, a fogyasztói alkalmazásokban az MI hatékonysága már kézzelfogható – gondoljunk csak a képfelismerő mobilalkalmazásokra. A nagy áttörés mégis attól függ, mikor lesz képes egy cég a saját adatait rendezni, megtisztítani és üzleti előnyre váltani.
Pénz és valós eredmények: nagy a kontraszt
Ez az optimizmus óvatosságot is kíván. Az amerikai vállalatok eddig körülbelül 14 800 milliárd forintot költöttek generatív MI-fejlesztésekre, de még kevés valódi eredmény látható. Az autonóm MI-ügynökök gyakran hibáznak, és maguktól sem mindig javítják ki magukat. Az adatok minősége, azok elérhetősége és a vállalati szintű alkalmazás dönti majd el, merre halad tovább az MI fejlődése.
