A Fortune-ban megjelent cikkében Andrew Ng, a Google Brain és a Coursera egyik alapítója azt hangsúlyozza, hogy a Big Data a neve alapján nagy, de a nagy adathalmazok nem feltétlen szükségesek a mesterséges intelligencia alkalmazásokhoz.

Jelenleg egy tipikus AI rendszer fejlesztéséhez hozzátartozik, hogy nagy adatmennyiségeken tanítják, például sok vásárlói adat alapján megérti a vásárlási preferenciákat, így jobb ajánlásokat tud adni, ami jobb hirdetésekhez és magasabb értékesítéshez vezet. Kevés vállalat képes azonban tovább növelni a tanításra használt adatok mennyiségét, de Ng szerint a nagy internet cégek mellett kevés olyan alkalmazási terület létezik, ahol igazán szükség van big data használatára. 

A következő nagy áttörést az AI terén olyan algoritmusok megalkotása jelentheti, amelyek jól működnek kisebb adathalmazok esetén is. Az “adat-centrikus” AI lényegi eleme az adatok módszeres gyűjtése és kezelése (címkézése, validálása, tisztítása, augmentációja, stb.). A modell-centrikus megközelítésnél ezzel szemben az adat “rögzített” és modelleké, algoritmusoké a főszerep. Az adat-centrikusnak megközelítésben, ahol az adatok minősége jóval fontosabb azok mennyiségénél, a nagy kihívást a sztenderdek kialakítása jelenti. Minél kisebb ugyanis egy adathalmaz annál fontosabb, hogy egységesen, pontosan legyen felcímkézve.

Ha ezt sikerül megoldani, az jelentős előrelépést hozhat a mesterséges intelligencia alkalmazásában a gyártásban, egészségügyben vagy a mezőgazdaságban. Ezekben az iparágakban sokkal többféle alkalmazási terület van, de az adathalmazok mérete jóval kisebb. A mesterséges intelligencia használata itt végül még nagyobb gazdasági értéket teremthet, mint az Internet világában.

Forrás: Nicholas Gordon: Don’t buy the ‘big data’ hype, says cofounder of Google Brain, 2021, July 30. (https://fortune.com/2021/07/30/ai-adoption-big-data-andrew-ng-consumer-internet/)

Összeállították: