Deep learning is belangrijkste aanjager voor AI-oplossingen

Deep learning, een variant van machine learning (ML), is de belangrijkste aanjager voor succesvolle kunstmatige intelligentie (AI) oplossingen. Dat komt omdat deep learning superieure gegevens combinatie mogelijkheden biedt over andere ML-benaderingen, voorspelt onderzoeksbureau Gartner. In het jaar 2019 zal deep learning een cruciale driver zijn voor de beste prestaties rond zaken het voorspellen van klantvragen en fraudezaken.

"Deep learning is een uitbreiding op machine learning waarbij complexe data-rijke zakelijke problemen worden uitgelezen en geanalyseerd. Deep learning kan bijvoorbeeld veelbelovende resultaten geven bij het interpreteren van medische beelden om vroegtijdig kanker te diagnosticeren. Het kan ook helpen bij het verbeteren van het zicht van personen met een handicap, zelfrijdende voertuigen controleren , of een spraak van een bepaalde persoon herkennen en begrijpen."

Fraude

Deep learning belicht alle voordelen van ML. Verschillende doorbraken in cognitieve domeinen tonen dit aan. Baidu's speech-to-text diensten zijn beter dan van mensen die vergelijkbare taken uitvoeren. PayPal gebruikt deep learning als een best-in-class aanpak om frauduleuze betalingen te blokkeren. Amazon is ook deep learning aan het toepassen voor de beste productaanbevelingen.

Analytics

Vandaag zijn de meest voorkomende gevallen van ML toepassingen succesvol door middel deep learning in beeld-, tekst- en audioverwerking, maar ook steeds meer bij het voorspellen van de vraag, het bepalen van tekortkomingen rond service en productkwaliteit, het detecteren van nieuwe soorten fraude, streaming analytics over bewegende data en het voorspellen van onderhoudsdiensten. ML en AI-initiatieven vereisen echter meer dan alleen data en algoritmen om succesvol te zijn. Ze hebben een mix van vaardigheden, infrastructuur en zakelijke inkoop nodig, adus Gartner.

Data

De meeste organisaties hebben de nodige data-vaardigheden niet nodig voor eenvoudige ML-oplossingen. Als ML-projecten niet kunnen worden aangepakt met gebruiksvriendelijke applicaties, zullen IT-leiders ML-expertise nodig hebben en die moeten worden gezocht in specialisten. Gartner voorspelt daarom dat 80 procent van de data wetenschappers in 2018 deep learning in hun toolkits hebben. Als een van je teams goed inzicht heeft in gegevens, business domain expertise heeft en output's kan interpreteren, is het klaar om ML-experimenten te starten, aldus Garner. Zelfs als je team ervaring heeft met algoritmen, kan het beginnen met verpakte applicaties of API's.