Dirbtinio intelekto plėtros iššūkiai
Dirbtinis intelektas (DI), technologija, kuri pastaraisiais metais padarė didžiulį poveikį įvairioms industrijoms, dabar susiduria su nauju iššūkiu. Goldman Sachs atstovai teigia, kad interneto duomenys, kurie iki šiol buvo naudojami DI modelių mokymui, jau yra visiškai išnaudoti. Tai reiškia, kad kūrėjams reikia ieškoti naujų duomenų šaltinių, kad galėtų toliau tobulinti DI galimybes.
Sintetinių duomenų naudojimas
Vienas iš sprendimų, kurį kūrėjai naudoja norėdami įveikti šį duomenų trūkumą, yra sintetinių duomenų kūrimas. Tai reiškia, kad DI modeliai mokomi naudojant tekstus, kodus ir vaizdus, kurie buvo sukurti kitų dirbtinio intelekto sistemų. Nors šis metodas leidžia generuoti didelius duomenų kiekius, jis taip pat kelia pavojų, kad DI modeliai mokysis tik iš savęs ir dėl to gali sumažėti jų kokybė.
Uždari duomenų šaltiniai kaip ateities sprendimas
Nima Rafaelis, Goldman Sachs duomenų direktorius, teigia, kad ateities sprendimas slypi uždaruose korporaciniuose duomenyse. Šie duomenys, kurie nėra laisvai prieinami viešai, gali tapti naujos kartos DI modelių pagrindu. Jie gali suteikti reikalingą įvairovę ir naujoves, kurios yra būtinos norint išlaikyti ir tobulinti modelių kokybę.
Technologijos įtaka ir ateities perspektyvos
DI technologijų plėtra ir toliau keičia mūsų kasdienį gyvenimą, nuo asmeninių asistentų iki sudėtingų analitinių sistemų. Tačiau norint išlaikyti šią pažangą, būtina užtikrinti, kad DI modeliai turėtų prieigą prie įvairių ir kokybiškų duomenų. Uždari duomenų šaltiniai gali būti raktas į šviesią ir inovatyvią DI ateitį.
