Das Folgende ist der Hauptinhalt des Artikels:
Obwohl künstliche Intelligenz in dem Gesamt Popularität des Unternehmens nach wie vor gering ist (in unserer letzten Studie, ca. 20%), aber Führungskräfte wissen, dass künstliche Intelligenz nicht nur einen Hype ist. Verschiedene Industrieorganisationen zu dieser Technologie großer Aufmerksamkeit zahlen, zu sehen, es kann ihr Geschäft spielen, welche Rolle sie das gleiche tun sollen, schätzen wir den potenziellen Wert der technischen Analyse heute erstellt 40% aus kommt ‚tief Lernen‘ (ein mehrschichtiges künstliches neuronales Netz genannt wird, Künstliche Intelligenz: Im Allgemeinen schätzen wir, dass der Wert von Deep Learning zwischen 3,5 Billionen und 5,8 Billionen Dollar pro Jahr liegt.
Allerdings sind viele Unternehmer noch unsicher, wo sie künstliche Intelligenz anwenden sollten die größte Rendite zu bekommen. Denn in der ganzen Sache eingebettet künstliche Intelligenz muss enorme Investitionen in Talent Acquisition und Modernisierung Technologie-Stack machen, auch für radikale Veränderungen genannt Initiativen, die sicherstellen, dass künstliche Intelligenz substanziellen Wert liefert, ob sie dabei hilft, bessere Entscheidungen zu treffen oder verbraucherorientierte Anwendungen zu verbessern.
Durch eine eingehende Studie von mehr als 400 Anwendungsfällen künstlicher Intelligenz in 19 Branchen und 9 Geschäftsfunktionen haben wir herausgefunden, dass es am besten ist, ein altes Sprichwort zu verwenden, um die Frage zu beantworten, wo künstliche Intelligenz eingesetzt werden soll. Geld geht '.
Geschäftsbereiche, die traditionell den höchsten Wert für das Unternehmen bieten, stellen häufig Bereiche dar, in denen künstliche Intelligenz die größte Wirkung haben kann, beispielsweise Marketing und Vertrieb in Handelsunternehmen, die oft einen hohen Wert haben Mit künstlicher Intelligenz für personalisierte Werbeaktionen werden die zusätzlichen Verkäufe von stationären Einzelhändlern um 1-2% steigen, während in der High-End-Fertigung der Betrieb oft den größten Wert hat Die Intelligenz kann auf der Grundlage potenzieller ursächlicher Faktoren der Nachfrage vorhergesagt werden, was die Vorhersagegenauigkeit um 10-20% erhöht, was bedeutet, dass die Lagerkosten um 5% und die Einnahmen um 2-3% steigen können.
Obwohl die Anwendung von künstlicher Intelligenz ein breites Spektrum von Funktionsbereichen abdeckt, glauben wir, dass künstliche Intelligenz in diesen zwei übergreifenden Bereichen - Supply Chain Management / Produktion sowie Marketing und Vertrieb - in mehreren Branchen am stärksten zum Tragen kommen kann Die Stärke davon, zumindest für den Augenblick, ist kombiniert, und wir schätzen, dass diese Anwendungsfälle mehr als zwei Drittel der gesamten Möglichkeiten der künstlichen Intelligenz ausmachen.
Künstliche Intelligenz kann für globale Unternehmen einen Wert von 1,4 bis 2,6 Billionen US-Dollar in Marketing und Vertrieb schaffen und einen Wert von 1,2 bis 2 Billionen US-Dollar in der Lieferkettenverwaltung und -herstellung schaffen (von denen einige dem Unternehmen gehören und einige dem Kunden gehören). In der Fertigung kommt der größte Nutzen künstlicher Intelligenz darin, dass er für vorausschauende Wartung verwendet wird (ungefähr 0,5-0,7 Billionen US-Dollar in globalen Unternehmen). Künstliche Intelligenz kann Audio und Video, einschließlich Audio und Video, verarbeiten. Eine große Datenmenge bedeutet, dass sie Anomalien schnell erkennen kann, um Fehlfunktionen zu vermeiden, unabhängig davon, ob es sich um ein seltsames Geräusch eines Flugzeugtriebwerks oder um einen durch einen Sensor erkannten Fehler in der Montagelinie handelt.
Eine weitere Möglichkeit für Business-Führungskräfte zu bestimmen, wo künstliche Intelligenz eingesetzt werden sollte, ist die Betrachtung von Funktionsabteilungen, die bereits traditionelle Analysen nutzen: In den Anwendungsfällen, in denen künstliche Intelligenz den größten potenziellen Nutzen schaffen kann, ist die neuronale Netzwerktechnologie Kann besser als bestehende Analysetechniken arbeiten oder zusätzliche Einblicke und Anwendungen generieren.In unseren Untersuchungen sind 69% der Anwendungsfälle für künstliche Intelligenz identisch.
In nur 16% der Anwendungsfälle haben wir eine "Greenfield" -Lösung für künstliche Intelligenz gefunden, die sich gut für andere Analysetechniken eignet. (Wenn Algorithmen vielseitiger werden, werden die verschiedenen Daten, die sie werden können, auch Einfacher zu erreichen, kann die Anzahl der Deep-Learning-Anwendungsfälle schnell ansteigen, und der Anteil der Greenfield-Deep-Learning-Anwendungsfälle kann nicht signifikant zunehmen, da ausgereiftere maschinelle Lerntechniken das Potenzial haben, besser und häufiger zu werden.
Selbst wenn wir das wirtschaftliche Potenzial des Einsatzes von künstlicher Intelligenz sehen, erkennen wir die praktischen Hindernisse und Grenzen der Implementierung von künstlicher Intelligenz.Es ist ein großer Wunsch, einen ausreichend großen und umfassenden Datensatz zu erhalten, um den tiefen Appetit von tiefem Lernen für Trainingsdaten zu decken. Herausforderungen: Die Menschen sind zunehmend besorgt über die Verwendung solcher Daten, daher stellt dies auch eine Herausforderung dar, der sich Unternehmen stellen müssen: Sicherheit, Datenschutz und die Möglichkeit, menschliche Vorurteile an künstliche Intelligenzalgorithmen weiterzugeben, müssen angegangen werden. In einigen Branchen, wie Gesundheitswesen und Versicherungen, müssen Unternehmen auch versuchen, die analytischen Ergebnisse der künstlichen Intelligenz in einer einfachen Sprache zu erklären: Warum kommt diese Maschine zu dieser Antwort? Die gute Nachricht ist, dass diese Technologien Fortschritte machen und beginnen Löse einige dieser Einschränkungen.
Zusätzlich zu diesen Einschränkungen Unternehmen der Einsatz von künstlicher Intelligenz Gesicht kann er in der Organisation auf eine schwierigere Herausforderung war es, die Technologie zu beherrschen erfordert ein neues Maß an Know-how, aber der Prozess ist wahrscheinlich ein großes Hindernis für die Technologie werden, wurde in Unternehmen erfolgreich eingesetzt müssen robuste Daten-Governance-Prozesse entwickeln und zu pflegen, und konzentrieren sich auf ‚ersten kilometer‘ - wie Daten und Aufwand zu erhalten und zu organisieren - und schwieriger ‚letzten kilometer‘, das heißt, wie die Ausgabe der künstlichen Intelligenz-Modell integriert in den gesamten Workflow von klinischen Studien Managern und Sales Manager zu Einkäufern.
Obwohl Unternehmen angesichts des Ausmaßes der Technologie und ihrer positiven Auswirkungen auf Unternehmen, Verbraucher und Gesellschaft wachsam und verantwortungsbewusst vorgehen müssen, wenn sie künstliche Intelligenz einsetzen, ist es eine Untersuchung wert, die nicht einfach, aber doch möglich ist folgt ein einfaches Konzept starten: dem Geld folgen.