Global produktstrategi-chef udtaler om udfordringer ved AI-udvikling
I den travle atmosfære i Las Vegas diskuterede Marinella Profi, Global produktstrategi-chef for Generative AI-segmentet hos SAS, de forskellige udfordringer, som AI står over for i et internationalt landskab. Profi fremhævede, at der er en betydelig forskel i datamængder på tværs af forskellige lande på grund af varierende love og systemer. Denne forskel påvirker uvægerligt effektiviteten af AI-løsninger.
Profi fremhævede forskningsresultater: lande som USA, Kina og Tyskland er førende og akkumulerer 70% af verdens data. På den anden side formår mange nationer ikke at opbygge sammenlignelige datasamlingsystemer på grund af lovmæssige, institutionelle eller teknologiske begrænsninger. SAS ser denne ulighed som en mulighed for at skabe lige vilkår. Deres engagement i at understøtte sprogspecifikke data i over 100 lande og håndtere data med regionale karakteristika bidrager til at mindske regionale uligheder i AI.
Ved det nylige ‘SAS Innovate 2024’-arrangement præsenterede SAS ‘SAS Data Maker,’ en innovativ løsning til at hjælpe med at overkomme udfordringerne ved følsom databeskyttelse og knaphed på data. SAS Data Maker integreres i SAS’s Generative AI-suite og giver en mulighed for regulerede industrier som bankvæsenet at omgå udfordringer med datasamling ved hjælp af syntetisk genererede data, hvilket sikrer kontinuiteten i AI-fremstød uden at krænke privatlivsforskrifterne.
Profi lagde vægt på ikke kun datagenerering, men også vigtigheden af AI-tilregnelighed og fremhævede SAS’s ‘modelkort’ og ‘AI-governance-rådgivningstjenester.’ Disse initiativer sigter mod at øge gennemsigtigheden og undgå skabelsen af forudindtagede eller unormale AI-modeller. SAS’s engagement i at opretholde seks nøgleprincipper på tværs af alle AI-relaterede tjenester er hjørnestenen i at vinde kundetillid og sikre ansvarlige AI-løsninger.
Betydningen af syntetisk datagenerering
Syntetisk datagenerering er et nyt felt, der adresserer nogle af de mest presserende problemer inden for kunstig intelligens (AI) og maskinlæring (ML) udvikling, såsom privatlivsproblemer, begrænsninger i datatilgængelighed og ubalancerede datasæt. Skabelsen af syntetiske data involverer brug af algoritmer til at generere nye data, som ikke stammer fra faktiske personer, men stadig opretholder statistiske ligheder med virkelige data. Dette kan være særligt nyttigt ved træning af AI-modeller.
Nøglespørgsmål og svar:
Hvad er syntetisk data?
Syntetisk data er kunstigt genereret data, der ikke er baseret på virkelige begivenheder eller information, men skabt algoritmisk for at ligne faktiske data med hensyn til karakteristika og statistiske egenskaber.
Hvorfor er syntetisk datagenerering vigtig for AI?
Syntetisk datagenerering er vigtig for AI, fordi det kan supplere eller erstatte virkelige data, når der er problemer med databeskyttelse, datatilgængelighed eller ubalancerede datasæt. Det tillader fortsat udvikling og træning af AI-modeller, hvor faktiske data måske er begrænset.
Hvordan bidrager SAS’s ‘SAS Data Maker’ til AI-udvikling?
‘SAS Data Maker’ hjælper med at overvinde udfordringer med databeskyttelse og knaphed ved at generere høj kvalitet syntetisk data, som kan anvendes i industrier som bankvæsen, hvor databeskyttelse er afgørende. Dette styrker evnen til at udvikle robuste AI-modeller samtidig med at overholde privatlivsbegrænsninger.
Nøgleudfordringer og kontroverser:
– Dataægthed: At sikre, at syntetisk data præcist afspejler kompleksiteten og nuancerne i virkelige data forbliver en vedvarende udfordring, der påvirker gyldigheden af AI-modeller.
– Databeskyttelse: Der er bekymringer for, at syntetisk data utilsigtet kan indeholde information, der kan spores tilbage til virkelige personer, hvilket rejser bekymringer om privatliv.
– Regulatorisk accept: Reguleringsmyndigheder kan være forsigtige med brugen af syntetisk data til beslutningstagning, især i følsomme industrier som finans og sundhedsvæsen.
Fordele:
– Tillader AI-udvikling trods strenge privatlivslove og datamangel.
– Reducerer risikoen for at videregive følsomme persondata.
– Hjælper med at balancere datasæt, dermed forhindrer modelforudindtagethed og øger diversiteten af data.
Ulemper:
– Syntetisk data kan ikke fuldt ud fange kompleksiteten af virkelige data.
– Potentielle regulatoriske problemer og mangel på bred accept i visse industrier.
– Genereringsprocessen kan være beregningsmæssig dyr og kompleks.
For mere information om kunstig intelligens og dataanalyser løsninger kan du besøge hoveddomænet for SAS på SAS for en omfattende forståelse af deres tjenester og indsigt i AI og analytics.
The source of the article is from the blog anexartiti.gr