togel

Saat AI Menyerang Penghasilan

Empat langkah yang dapat diambil perusahaan untuk menghindari panggilan pendapatan mereka berikutnya menjadi retrospektif pada AI yang serba salah

AI dapat mendorong pertumbuhan pendapatan yang fenomenal – sampai tidak. Pelajaran itu sedang dipelajari dengan cara yang sulit di semakin banyak perusahaan di mana masalah dengan sistem AI tidak ditangkap dan diperbaiki sebelum berdampak secara material pada pendapatan.

Contoh terbaru adalah Unity Software, sebuah platform untuk membuat dan mengoperasikan konten 3D (RT3D) interaktif dan real-time. Pada panggilan pendapatan terbarunya, Unity mengungkapkan bahwa mereka melewatkan ekspektasi garis atas dan menurunkan panduan pendapatannya untuk sisa tahun ini sebagian karena “luka yang ditimbulkan sendiri” di AI.

Secara khusus, CEO dan Ketua Eksekutif perusahaan John Riccitiello mengutip beberapa masalah terkait model pembelajaran mesin (ML) yang menyebabkan perkiraan dampak terhadap bisnis sekitar $110 juta pada tahun 2022:

  • Penurunan Kinerja: Masalah pertama “adalah kesalahan pada platform kami yang mengakibatkan berkurangnya akurasi untuk alat Audience Pinpointer kami, masalah pendapatan yang mahal mengingat alat Pinpointer kami mengalami pertumbuhan yang signifikan” setelah perubahan privasi oleh Apple. Untuk konteks, Audience Pinpointer adalah alat penargetan iklan bertenaga ML yang memanfaatkan data pihak pertama Unity untuk membantu pemasar menjangkau audiens tertentu dengan lebih baik.
  • Masalah Kualitas Data: Perusahaan juga “kehilangan nilai sebagian dari… data pelatihan sebagian karena kami menelan data buruk dari pelanggan besar.”
  • Kebutuhan untuk Kuat, Real-Time Pemantauan Model: Sebagai bagian dari solusi, perusahaan “menyebarkan sistem dan proses pemantauan, peringatan dan pemulihan untuk segera mengurangi masalah data kompleks di masa depan.”

Panggilan untuk Persatuan

Ketika AI gagal di panggung publik seperti ini, godaan untuk menimbun perusahaan apa pun yang ada di blok pemotongan terkadang tak tertahankan (lihat: Zillow). Ilmuwan data dan insinyur pembelajaran mesin secara refleks berbicara tentang mengapa pendekatan perusahaan X terhadap infrastruktur atau membangun model di bawah standar. Vendor menerbitkan potongan “Sudah kubilang” dengan alasan platform mereka dapat mencegah masalah sendirian. Dan para jurnalis membedah setiap kesalahan yang terjadi pada perusahaan. Meskipun siklus ini sebagian besar sehat – industri yang memeriksa dirinya sendiri dan mempelajari pelajaran berharga – terkadang mengabaikan cerita yang lebih besar.

Inilah kebenarannya: ini bisa terjadi pada ratusan perusahaan. Ini bukan hanya tentang Unity atau Zillow atau perusahaan lain yang menjadi sorotan; masalah dengan model kemungkinan besar mengintai tanpa terdeteksi di setiap industri, menunggu untuk diungkap. Semakin banyak perusahaan bahkan mengungkapkan sebanyak mungkin dalam laporan tahunan mereka. Menurut sebuah makalah baru-baru ini, 47 perusahaan – sekitar satu dari sepuluh (9,4%) dari Fortune 500 – mengutip AI dan pembelajaran mesin sebagai faktor risiko dalam laporan keuangan tahunan terbaru mereka, meningkat 20,5% dari tahun ke tahun. Ini mungkin mengecilkan risiko mengingat banyaknya perusahaan yang memanfaatkan AI dalam produksi.

Kabar baiknya adalah ada praktik terbaik untuk mencegah masalah umum dengan ML sebelum berdampak signifikan pada pendapatan. Berikut adalah empat langkah yang dapat diambil setiap perusahaan untuk mengelola risiko AI dengan lebih baik dari perspektif organisasi dan teknis.

1) Tahu Apa yang Bisa (dan Akan) Salah

Dalam hal penerapan AI, ini adalah masalah kapan – bukan jika – model akan menghadapi masalah dalam produksi. Tidak seperti sistem pengembangan perangkat lunak yang sebagian besar berbasis aturan, hasil yang sukses dalam pembelajaran mesin tidak hanya bergantung pada kesehatan sistem tetapi juga berbagai kompleksitas model dan lapisan data yang mendasarinya. Konsep dan penyimpangan fitur, kecondongan produksi pelatihan, kegagalan model berjenjang, masalah saluran data, dan outlier menantang bahkan tim pembelajaran mesin paling canggih yang menerapkan model yang berkinerja sempurna dalam pelatihan.

2) Menerapkan Observabilitas ML

Tentu saja, mengetahui ada masalah hanyalah setengah dari perjuangan; tim juga perlu mencari tahu alasannya. 84,3% ilmuwan data dan insinyur ML mengutip waktu yang diperlukan untuk mendeteksi dan memperbaiki masalah dengan model pembelajaran mesin mereka sebagai titik kesulitan hari ini, dengan lebih dari satu dari empat mengatakan itu membutuhkan waktu seminggu atau lebih. Observabilitas machine learning full-stack dengan pelacakan performa ML dapat membantu menutup celah ini dengan membantu tim secara otomatis menentukan sumber masalah performa model. Memanfaatkan platform seperti Arize, tim dapat secara otomatis memunculkan kelompok di mana dampak kinerja atau dampak penyimpangan paling tinggi dan menyesuaikannya.

3) Berinvestasi pada Orang yang Tepat

Dalam laporan keuangan tahunan terbarunya, Unity Software menandai kemampuan perusahaan untuk bersaing memperebutkan talenta sebagai faktor risiko potensial, mencatat bahwa “persaingan sangat ketat” untuk “insinyur yang berpengalaman dalam merancang dan mengembangkan produk platform berbasis cloud” dan “ilmuwan data” dengan pengalaman dalam pembelajaran mesin dan kecerdasan buatan.”

Meskipun ini adalah masalah di seluruh industri yang tidak dapat dijawab dengan mudah, perusahaan dapat menghindari kesalahan yang tidak disengaja. Satu kesalahan umum yang dilakukan perusahaan saat berinvestasi di AI adalah mempekerjakan terlalu banyak ilmuwan data dan tidak cukup insinyur pembelajaran mesin. Sementara ilmuwan data sangat penting untuk membangun model pertama organisasi, mereka sering kekurangan keterampilan teknis untuk memasukkan model ke dalam produksi dan memeliharanya begitu ada. Insinyur pembelajaran mesin mengkhususkan tugas tersebut dan dapat membantu memastikan organisasi memiliki tumpukan ML untuk menskalakan upaya AI sebelum model pertama diterapkan.

4) Pastikan Tim ML Lebih Dekat dengan Bisnis yang Mereka Layani

Hal-hal besar terjadi ketika pembuat model dan pemilik produk sejalan; sebaliknya juga benar. Jika bisnis menambahkan tim pembelajaran mesin terpusat atau pusat keunggulan AI ke organisasi teknis mereka, satu hal yang tidak boleh hilang dalam proses tetapi sering terjadi (lebih lanjut tentang ini di bagian mendatang) adalah kolaborasi erat dengan klien internal. Teknologi dapat membantu. Memanfaatkan observabilitas ML, ilmuwan data dan insinyur ML dapat mengaitkan metrik model dengan hasil bisnis – membagikan hasilnya dengan tim produk dan eksekutif bisnis.

Kesimpulan

Meskipun sorotan publik dapat menjadi tak kenal ampun dan terkadang tidak adil, Unity Software layak mendapatkan banyak pujian atas transparansinya dan menunjukkan jalan ke depan bagi seluruh industri. Risiko AI jauh lebih besar daripada hanya satu perusahaan, dan memanfaatkan alat seperti observabilitas ML untuk mendeteksi dan memecahkan masalah dengan lebih baik saat muncul harus menjadi taruhannya.

Apakah bermain judi togel sdy 2021 aman atau tidak, itu terlalu tergantung dengan bandar togel online daerah anda memasang. Pasalnya udah ada banyak sekali bettor yang sukses dan berhasil berkat rajin bertaruh di pasaran togel sidney pools. Oleh karena itulah para pembaca sekalian mesti pintar dalam memilah bandar togel online yang terdapat di google atau internet. Mendapatkan keuntungan saat bermain judi togel sidney hanya mampu kita menikmati apabila kami bertaruh di tempat yang tepat.