Baca juga : Alasan perusahaan menggunakan kecerdasan buatan
Namun, kecepatan transformasi proses otomasi yang luar biasa ini bahkan bisa lebih tinggi, dan ada beberapa masalah yang saat ini menghambatnya. Mana yang merupakan hambatan paling penting yang menghambat adopsi pembelajaran mesin?
Kurangnya Organisasi
Perusahaan, terutama yang lebih besar, adalah makhluk yang kompleks. Sama seperti hydra mitologis, ia memiliki banyak kepala yang sering membuat keputusan yang sama, seperti chief information officer (CIO), chief digital officer (CDO) dan jelas chief executive officer (CEO). Semua petugas ini menjalankan departemen mereka sendiri, yang diharapkan untuk menggerakkan upaya AI mereka bersama-sama, pada saat yang sama dan dengan tingkat upaya yang sama. Cukuplah untuk mengatakan, dalam kehidupan nyata, ini jarang terjadi.
Mengklarifikasi siapa yang "memiliki" proyek pembelajaran mesin dan dengan demikian bertanggung jawab untuk mempelopori penerapannya dalam perusahaan adalah langkah pertama. Dalam organisasi di mana beberapa tim analisis dan data yang sudah mapan perlu menyinkronkan operasi mereka, tidak jarang bahwa banyak dari mereka akhirnya mencairkan pekerjaan mereka pada segudang proyek yang lebih kecil. Proyek percontohan yang lebih kecil dapat berkontribusi pada pemahaman keseluruhan tentang ilmu pembelajaran mesin, tetapi sering gagal dalam mencapai efisiensi otomasi yang dibutuhkan oleh bisnis inti.
Baca juga : Cara Memulai Pembelajaran Mesin
Baca juga : Cara Memulai Pembelajaran Mesin
Manajemen layanan TI (ITSM) mungkin merupakan satu solusi efektif untuk mengatasi masalah ini dengan membantu berbagai tim TI memahami, misalnya, sektor-sektor bisnis yang menghasilkan pendapatan signifikan di mana otomatisasi dapat meningkatkan margin atau mengurangi persentase kesalahan.
Pelatihan tidak memadai
Pembelajaran mesin adalah teknologi lama namun baru. AI dasar sudah ada sejak awal 80-an, tetapi perkembangan baru-baru ini dalam algoritma pembelajaran modern membantu teknologi ini mengambil lompatan kuantum ke depan. Spesialis sejati yang bekerja di bidang ini yang memiliki pengetahuan yang cukup mendalam, memang sangat langka, terutama karena Google dan Facebook meraup 80 persen insinyur pembelajaran mesin dengan Ph.D.
Banyak organisasi mengetahui batasan mereka dan tidak lebih dari 20 persen berpikir bahwa pakar TI mereka sendiri memiliki keterampilan yang diperlukan untuk mengatasi AI. Permintaan akan keterampilan pembelajaran mesin berkembang pesat, tetapi mereka yang memiliki keahlian dan bakat yang dibutuhkan adalah bintang rock sejati saat ini. Namun, banyak dari mereka yang memiliki pelatihan yang cukup dengan algoritma pembelajaran yang mendalam mungkin tidak memiliki kualifikasi formal seperti gelar master untuk menunjukkan hal itu. Ingat: Bidang ini masih baru - banyak yang merintisnya hari ini adalah programmer lama dari era di mana Ph.D dalam pembelajaran mesin tidak ada.
Baca juga : Bagaimana kecerdasan buatan mempengaruhi iklim
Baca juga : Bagaimana kecerdasan buatan mempengaruhi iklim
Banyak profesional sumber daya manusia sekarang harus berjuang dengan kesulitan merekrut kandidat yang tepat untuk pekerjaan yang kompleksitasnya mungkin di luar keahlian mereka sendiri . Hari ini, bahkan mengatakan perbedaan antara kompetensi insinyur pembelajaran mesin, seorang ilmuwan data dan pengembang front-end adalah prestasi yang kompleks untuk non-pribumi. Namun, pada akhirnya, rekrutmen yang ditenagai AI mungkin akan menjadi solusi tersendiri untuk membantu semua manajer SDM.
Perlindungan Data dan Privasi yang Tidak Dapat Diakses
Sebelum mereka dapat belajar tentang apa pun dengan algoritma pembelajaran mesin mutakhir mereka, AI perlu diberi data. Banyak dan banyak data. Namun, sebagian besar waktu data ini tidak siap untuk dikonsumsi, terutama ketika itu datang dalam bentuk yang tidak terstruktur . Proses agregasi data rumit dan memakan waktu, terutama ketika data disimpan secara terpisah atau dengan sistem pemrosesan yang berbeda. Semua langkah ini membutuhkan perhatian penuh dari tim yang berdedikasi khusus yang terdiri dari berbagai ahli.
Ekstraksi data juga sering tidak dapat digunakan setiap kali mengandung sejumlah besar informasi sensitif atau pribadi. Meskipun kebingungan atau enkripsi informasi ini pada akhirnya membuatnya dapat digunakan, waktu dan sumber daya tambahan harus dikhususkan untuk operasi yang memberatkan ini. Untuk mengatasi masalah di bagian hulu, data sensitif yang perlu dianonimkan harus disimpan secara terpisah segera setelah dikumpulkan.
Kepercayaan dan Kepercayaan
Fleksibilitas bukan sifat yang dimiliki semua manusia. Dan ketika algoritma pembelajaran yang mendalam tidak dapat dijelaskan dengan cara sederhana kepada orang yang bukan programmer atau insinyur, mereka yang mungkin ingin bertaruh pada AI untuk memanfaatkan peluang bisnis baru mungkin mulai berkurang. Hal ini terutama berlaku di beberapa industri bata-dan-mortir yang lebih tradisional . Sebagian besar waktu, pada kenyataannya, data historis praktis tidak ada dan algoritma perlu diuji terhadap data nyata untuk membuktikan efisiensinya. Sangat mudah untuk memahami bagaimana dalam beberapa industri seperti pengeboran minyak & gas , hasil yang kurang optimal dapat menyebabkan risiko yang substansial (dan tidak diinginkan).
Baca juga : Teknologi yang mempengaruhi kontak pusat
Baca juga : Teknologi yang mempengaruhi kontak pusat
Banyak perusahaan yang masih tertinggal dalam hal transformasi digital mungkin perlu merevolusi seluruh infrastruktur mereka untuk mengadopsi AI dengan cara yang bermakna. Hasil mungkin memerlukan waktu yang lama sebelum terlihat, karena data perlu dikumpulkan, dikonsumsi, dan dicerna sebelum percobaan menghasilkan buah. Meluncurkan proyek pembelajaran mesin berskala besar tanpa jaminan investasi yang layak memerlukan tingkat fleksibilitas, sumber daya, dan keberanian tertentu yang mungkin tidak dimiliki oleh banyak perusahaan.
Kesimpulan
Dalam pergantian peristiwa yang aneh, banyak dari hambatan yang masih memperlambat atau menghentikan kemajuan AI terkait dengan sifat dan perilaku manusia daripada batas teknologi itu sendiri.
Tidak ada jawaban pasti bagi mereka yang masih meragukan potensi pembelajaran mesin. Ini adalah jalan yang belum pernah diinjak, dan eksperimen lapangan masih diperlukan selama fase pengembangan ini. Sekali lagi, giliran kita untuk memanfaatkan salah satu karakteristik yang membantu umat manusia mencapai ketinggiannya yang paling luar biasa: kemampuan kita untuk beradaptasi. Hanya saja kali ini kita perlu mengajarkan keterampilan ini ke mesin cerdas kita.