Stalo sa vtedy
Obrazové správy z archívu
Dôvodom je, že prácne vytvorené dátové modely, ktoré majú šancu zlepšiť obchodné výsledky, znížiť riziká alebo zlepšiť lojalitu zákazníkov, zostávajú neraz nevyužité v zásuvkách.
Autor TASR
Bratislava 15. októbra (TASR) - Až polovicu dátových modelov, ktoré firmy vytvoria, v praxi nikdy nevyužijú. Od umelej inteligencie v podobe humanoidného stroja schopného vnímať okolie a samostatne konať je ešte ďaleko. Technológie patriace do tejto oblasti však už slovenské firmy nasadzujú.
Prieskum agentúry Go4insight na vyše dvoch stovkách respondentov zo slovenského podnikateľského prostredia ukázal, že takmer tretina podnikov na Slovensku v súčasnosti využíva prediktívnu analytiku a vyše štvrtiny strojové učenie. Prediktívna analytika umožňuje firmám lepšie sa rozhodovať na základe dátových analýz a vďaka strojovému učeniu sa softvér dokáže sám učiť a nadobudnuté znalosti následne autonómne aj využiť.
Samotným analyzovaním dát ani využívaním programov schopných samostatne nadobúdať vedomosti však firmy nič nezískajú. "Mnohé z podnikov, ktoré sa hrdo hlásia k využívaniu technológií umelej inteligencie v podobe prediktívnej analytiky a strojového učenia, v skutočnosti nemajú z vynaloženého úsilia a investícií adekvátny osoh," konštatuje na základe skúseností z praxe Richard Kraus zo spoločnosti SAS Slovakia.
Dôvodom je, že prácne vytvorené dátové modely, ktoré majú šancu zlepšiť obchodné výsledky, znížiť riziká alebo zlepšiť lojalitu zákazníkov, zostávajú neraz nevyužité v zásuvkách. Podľa celosvetových prieskumov spoločností SAS aj Gartner sa takmer polovica vytvorených dátových modelov do praxe nikdy nenasadí. Iná štúdia poradenskej agentúry IDC uvádza, že všetky vytvorené dátové modely má v reálnej prevádzke nasadené iba 35 % organizácií.
Podniky začínajú s pokročilými dátovými technológiami a strojovým učením experimentovať bez toho, aby mali jasno v tom, ako sa následne o dátové modely starať. To znamená, že dátové modely nedokážu rýchlo presúvať do reálnej prevádzky, sledovať ich výkonnosť, a prípadne ich aktualizovať. Dostať dátový model do produkcie trvá podľa štúdie IDC v priemere viac ako 3 mesiace. Dáta, na základe ktorých model vznikol, už vtedy môžu byť zastarané.
"Naskočiť na vlnu nadšenia a pustiť sa do zbierania či upratovania dát, aby sa následne dali analyzovať a zmysluplne využiť, je iba prvý krok. Ak firma nechce premrhať množstvo peňazí a úsilia, potrebuje mať tiež jasne stanovené procesy, delegované zodpovednosti a adekvátne nástroje, ktoré jej pomôžu zvládnuť celý životný cyklus analytiky," uzatvára Kraus.
Prieskum agentúry Go4insight na vyše dvoch stovkách respondentov zo slovenského podnikateľského prostredia ukázal, že takmer tretina podnikov na Slovensku v súčasnosti využíva prediktívnu analytiku a vyše štvrtiny strojové učenie. Prediktívna analytika umožňuje firmám lepšie sa rozhodovať na základe dátových analýz a vďaka strojovému učeniu sa softvér dokáže sám učiť a nadobudnuté znalosti následne autonómne aj využiť.
Samotným analyzovaním dát ani využívaním programov schopných samostatne nadobúdať vedomosti však firmy nič nezískajú. "Mnohé z podnikov, ktoré sa hrdo hlásia k využívaniu technológií umelej inteligencie v podobe prediktívnej analytiky a strojového učenia, v skutočnosti nemajú z vynaloženého úsilia a investícií adekvátny osoh," konštatuje na základe skúseností z praxe Richard Kraus zo spoločnosti SAS Slovakia.
Dôvodom je, že prácne vytvorené dátové modely, ktoré majú šancu zlepšiť obchodné výsledky, znížiť riziká alebo zlepšiť lojalitu zákazníkov, zostávajú neraz nevyužité v zásuvkách. Podľa celosvetových prieskumov spoločností SAS aj Gartner sa takmer polovica vytvorených dátových modelov do praxe nikdy nenasadí. Iná štúdia poradenskej agentúry IDC uvádza, že všetky vytvorené dátové modely má v reálnej prevádzke nasadené iba 35 % organizácií.
Podniky začínajú s pokročilými dátovými technológiami a strojovým učením experimentovať bez toho, aby mali jasno v tom, ako sa následne o dátové modely starať. To znamená, že dátové modely nedokážu rýchlo presúvať do reálnej prevádzky, sledovať ich výkonnosť, a prípadne ich aktualizovať. Dostať dátový model do produkcie trvá podľa štúdie IDC v priemere viac ako 3 mesiace. Dáta, na základe ktorých model vznikol, už vtedy môžu byť zastarané.
"Naskočiť na vlnu nadšenia a pustiť sa do zbierania či upratovania dát, aby sa následne dali analyzovať a zmysluplne využiť, je iba prvý krok. Ak firma nechce premrhať množstvo peňazí a úsilia, potrebuje mať tiež jasne stanovené procesy, delegované zodpovednosti a adekvátne nástroje, ktoré jej pomôžu zvládnuť celý životný cyklus analytiky," uzatvára Kraus.
