人工智能终于证明了围绕它几十年的炒作是正确的。虽然人工智能还不是人类的救世主，但它已经从概念发展为现实，其实际应用正在让我们的世界变得更美好。然而，人工智能的许多奇迹般的壮举都是隐藏的，只有透过世俗的伪装才能观察到它的影响。以一家在30多个国家开展业务的大型保险公司为例。公司每年处理超过2000万个客户电话。通过语音转文本技术和自然语言处理，他们能够分析通话内容以满足特定的业务需求：控制销售质量、了解客户表达和需求、获取情感反馈和分析数据等等。再看看世界顶级可再生能源生产商AES。与传统能源相比，可再生能源需要更多的设备来管理和监控。数据科学和人工智能通过自动化提高AES的运营效率，并提供数据驱动的洞察力，增强性能工程师的行动和决策。这可确保满足正常运行时间要求，并尽可能快速、高效和经济地向客户提供清洁能源。AES也在尽自己的一份力量拯救世界。这些以及已经投入生产的无数AI应用程序正在获得关注。然而，到目前为止，人工智能的潜力受到三个关键制约因素的限制：计算能力不足；需要将数据绑定到特定（集中）位置；并且缺乏训练数据。由于一些关键的技术创新，一场翻天覆地的变化正在发生，人工智能正在摆脱这些限制，企业必须准备好利用这项强大的技术。让我们来看看这些限制——阻碍人工智能发展的枷锁——以及它们在未来可能会如何崩溃。AI枷锁一：计算能力传统上，企业没有足够的处理能力来驱动AI模型并保持其运行。企业一直在考虑是否应该完全依赖云环境来获取所需的资源，或者在云和本地资源之间分配计算投资是否更好。本地、本地GPU集群现在是企业的一种选择。如今，一些更大、更先进的组织正专注于生产用例并投资于他们自己的GPU集群（例如NVIDIADGXSuperPOD）。GPU集群为企业提供了运行所需的专用马力。大量经过训练的模型——如果它们使用基于软件的分布式计算框架。这样的框架可以抽象出跨不同GPU节点手动解析训练工作负载的困难。人工智能链2：集中数据数据通常在集中位置收集、处理和存储，通常称为数据仓库，为公司的行为创建单一的真实来源。维护单个数据存储库使其易于管理、监控和迭代。正如公司现在可以选择投资在线或云计算能力一样，近年来出现了一种通过分散数据来创建数据仓库灵活性的运动。数据局部性的规律可能使分布式企业中的数据聚合成为不可能。而数据模型边缘用例的快速出现，使得单一数据仓库的概念不再是绝对的。如今，大多数组织都在运行混合云，因此需要将数据绑定到一个特定位置的日子已经一去不复返了。当我们看到企业继续利用混合云时，他们获得了混合云的所有好处——包括边缘部署模型的灵活性。人工智能枷锁三：训练数据缺乏有用的数据一直是人工智能普及的一大障碍。虽然我们在技术上被数据所包围，但收集和存储数据可能既耗时、乏味又昂贵。还有偏见的问题。在开发和部署AI模型时，它们需要保持平衡且没有偏见，以确保它们产生的见解有价值且不会造成伤害。但正如现实世界是有偏见的，数据也是有偏见的。为了扩展模型的使用，您需要大量数据，同时全力以赴纠正数据中的偏差。为了克服这些挑战，企业正在转向合成数据。事实上，合成数据正在兴起。Gartner估计，到2024年，AI应用程序中60%的数据将是合成的。对于数据科学家来说，数据的性质（真实的或合成的）无关紧要。重要的是数据的质量。综合数据消除了潜在的偏见。它还易于扩展且采购成本较低。通过合成数据，公司还可以选择预先标记的数据，从而大大减少生产和生成训练模型原材料所需的时间和资源。人工智能的兴起随着人工智能摆脱数据质量、计算和位置的限制，将会出现更多涉及我们日常生活的用例和更准确的模型。今天已经看到领先的组织使用人工智能优化业务流程，而那些不采取措施跟上的组织将处于明显的竞争劣势。要充分享受人工智能的好处，实施需要自上而下。在数据科学家努力进行模型开发和部署的同时，高管们也必须接受有关这些概念的教育，以便最好地将AI整合到他们的业务战略中。了解AI技术及其潜力的执行领导者可以对AI及其业务进行更好的战略投资。相反，当他们不知道AI如何有效支持业务目标时，他们可能只是将钱投入某些应用程序，并希望使用AI的新研究项目和AI能够取得成果。这是一种次优的自下而上方法。相反，高管需要与数据科学从业者和劳动力领导者合作，学习如何将这些技术最好地整合到他们的常规业务计划中。到2023年，我们有望看到人工智能的束缚逐渐松动（如果没有完全打破的话），因此企业是时候通过投资让世界变得更美好的解决方案来帮助释放人工智能的全部潜力了.更好，进而帮助这些企业在当今的数字经济中保持竞争力。
