Små bedrifter som ikke har investert i ai, har sannsynligvis ikke forsket nok

Bare 21 prosent av små bedrifter har implementert kunstig intelligens (AI) -baserte løsninger, ifølge en rapport fra Bluewolf (et IBM-selskap). AI Investment Gap Survey spurte 177 beslutningstakere over hele verden for å finne ut om de hadde tatt i bruk AI og maskinlæring (ML) ennå, og dybden i deres forståelse av disse teknologiene. Selv om 33 prosent av småbedrifter planla å investere i AI i løpet av de neste 12 månedene (noe som gir totalt antall AI-adoptere neste år til 54 prosent), er totalen fortsatt lavere enn for store selskaper. I tillegg har 30 prosent av store selskaper allerede investert i AI mens 44 prosent planlegger å begynne å investere i løpet av de neste 12 månedene. Dette bringer totalen til 74 prosent, eller 20 prosent mer enn totalen for små bedrifter.

Vanessa Thompson, seniordirektør for kundeopplevelsesinnsikt hos Bluewolf, sa at det eksisterer et kunnskapsmangel mellom selskaper som har tatt i bruk AI-verktøy og de som ikke planlegger å ta i bruk slike verktøy. Hun kaller denne bukten "AI Investment Gap" og beskriver den som en "avvik mellom ledere på C-nivå som forstår AI og de som ennå ikke har implementert det i virksomheten, " ifølge en skriftlig uttalelse.

Fordi Bluewolf selger AI-verktøy, ville det være nødvendig for dem å antyde at den eneste grunnen til at folk ikke kjøper AI-verktøy, er fordi de ikke vet om dem. For å sjekke Thompsons påstand snakket jeg med Brandon Purcell, senioranalytiker for kundeinnsikt ved Forrester Research, om hva, om noen, andre problemer som kan eksistere for å forårsake gapet mellom de som har tatt i bruk AI og de som ikke har det. Purcell og Forrester Research har gjennomført sine egne lignende studier om AI-adopsjon. Selv om hans totale tall ligner på IBMs - 51 prosent av selskapene har adoptert eller utvider AI, og 20 prosent sier at de planlegger å adoptere i løpet av de neste 12 månedene - kom Purcell med et par andre tvingende grunner til at små bedrifter kan stå bak kurven for AI-adopsjon.

Kostnaden for AI

Purcell omtalte investeringsbegrensninger som en viktig faktor, spesielt "når det gjelder ferdighetssett. Små bedrifter har ikke ressurser til å ansette dataforskere, " sa han. Dette er arbeiderne som vil hente ut innsikt fra dataene som blir presset inn og ut av programvaren.

De vil også være de som avgjør om AI leser dataene dine nøyaktig og tar handlinger basert på egen intelligens. Gjennomsnittslønnen for en dataforsker er $ 113.436 per år, ifølge Glassdoor, som er (i den store ordningen med rike) bare litt mindre enn gjennomsnittslønnen til en amerikansk administrerende direktør ($ 166.000, ifølge PayScale). Så hvis du er administrerende direktør i en liten bedrift som opererer med syltetynne marginer og ikke ønsker å kutte din egen lønn, ville det være vanskelig å rasjonalisere å bruke seks tall på en dataforsker - og bruke penger på en programvaresystem som kan slå data i AI.

Men det er ikke bare pengene involvert som forbyr mindre selskaper å investere i AI-drevet programvare. "På en relatert merknad er det en datafaktor, " sa Purcell. "AI blomstrer når du har store datamengder. Små bedrifter har ikke så mye data for å gjøre det."

Tenk på det slik: Du vet hvordan Facebook vet hvilke venner du skal merke når du legger ut et bilde? Det er fordi Facebook har samlet informasjon fra alle de tidligere merkede innleggene dine. Har du noen gang sett en film som Netflix anbefalte deg? Netflix visste å anbefale filmen basert på dine tidligere valg. Facebook og Netflix klarer å komme med disse anbefalingene basert på ML, som er den første fetteren til AI. Selv om de er like, brukes begge begrepene om hverandre (og feil).

Her er den grunnleggende forskjellen mellom begrepene: ML-systemer bruker intelligens for å forbedre ytelsen ved å tilby deg anbefalinger og måter å effektivisere prosesser, mens systemer som bruker AI gir programvare autonomi til å utføre oppgaver og ta beslutninger uten menneskelig tilsyn. ML er Netflix som gir filmanbefalinger mens AI er en bil som kjører deg til jobb mens du tar en lur i baksetet. Som en liten virksomhet som akkurat begynner å generere data, vil fordelene med AI være små i forhold til hva et Fortune 500-selskap kan se når de slår på AI-programvaren.

Er Bluewolf feil?

Så ble Bluewolf matet med dårlig informasjon i undersøkelsen? Vet små bedrifter om AI, men de har ikke penger eller data til å bli begeistret for det? Purcell synes ikke Bluewolfs forskning er feil. Faktisk krediterer han IBM Watson som skaperen av kognitiv databehandling, paraplybegrep som inkluderer AI, ML og andre applikasjoner som etterligner den menneskelige hjernen.

"De brukte mye penger på å opprette den kategorien, men de har store konkurrenter på plassen: Google, Amazon, Facebook, Microsoft, " sa Purcell. "Disse selskapene sitter også på enorme mengder data som brukes til å trene AI-systemer. Hollywood-definisjonen av AI er den følsomme roboten. Vi har ikke brukt det ennå. Men når det gjelder implementering av AI på bedriftsnivå for praktisk AI, IBM utmerker seg med å lage disse verktøyene."

Misoppfatninger om Hollywood, AI og roboter som myrder oss i søvne er en sannsynlig årsak til at små bedrifter har kastet seg fra å lære mer om AI-verktøy. Hvis du er en t-skjorteselger i Oklahoma, hva er da for en autonom bil eller en fremtidig robot bevæpnet med en laserpistol? Når det tas i mindre kjent sammenheng, ser Purcell og Thompson imidlertid praktiske brukssaker for små bedrifter - bruk saker som små bedrifter ikke har fått utdanning ennå.

Med noe Thompson og Bluewolf omtaler som "augmented intelligence", trenger ikke små bedrifter nødvendigvis datakompetanse eller informasjonskraften for å dra nytte av AI. Bluewolf definerer utvidet intelligens som appens mulighet til å resonnere, utlede og trekke ut ideer, selv med ustrukturerte datasett, for eksempel språk og bilder. Selv i begynnelsen av et selskaps datainnsamling kan utvidede intelligensløsninger lære seg mens de går, uavhengig av hvor lite informasjon som mates inn i systemet.

"Augmented intelligence hjelper sluttbrukere med å forutsi hva de skal gjøre videre ved å gi dem en profil av hva kundene trenger, " sa Thompson. "Vi ser forsterket som en måte å gjøre AI til en realitet for selskaper av alle størrelser."

Dette inkluderer ting som å kombinere eksterne og interne data for å legge til grunn kunnskapen som den utvidede etterretningsteknologien bruker for å ta forretningsavgjørelser. Ved å kombinere eksterne lokale handlemønstre og værdata med egenutviklede data om kundeshoppingmønster, kan for eksempel e-handelsbedrifter levere hyper-personaliserte kampanjer. I dette scenariet ville en dataforsker være nyttig, men ikke nødvendig, og en mengde kundedata ville gjort kampanjen enda kraftigere. Men det ville ikke hindre kampanjen i å bli kraftigere enn den ville vært uten kombinasjonen av interne og eksterne datakilder.