Les 7 principaux défis de l'intelligence artificielle en 2022

Avez-vous déjà entendu parler de Neuralink ? Il s'agit d'une start-up en herbe cofondée par Elon Musk qui travaille sur une intégration sérieuse de l'intelligence artificielle avec le corps humain. Ils ont développé une puce qui est un ensemble de 96 petits fils de polymère, chacun contenant 32 électrodes et pouvant être transplanté dans le cerveau.

Je sais ce que vous pensez : "C'est de la science-fiction sérieuse", mais la réponse est : non. Cela se produit dans le monde réel et en utilisant cet appareil, et vous pouvez connecter votre cerveau à des appareils électroniques de tous les jours sans même les toucher !

C'est l'heure des questions sérieuses : est-ce vraiment nécessaire ? Sera-t-il si utile ? Sommes-nous prêts pour ce type de technologie ? Quel impact cela aurait-il sur nos vies à l'avenir ? Découvrons les défis de l'IA.

Rejoignez le cours en ligne d'apprentissage automatique des meilleures universités du monde - Masters, programmes de troisième cycle pour cadres et programme de certificat avancé en ML et IA pour accélérer votre carrière.

L'impact de l'intelligence artificielle sur les vies humaines et l'économie a été étonnant. L'intelligence artificielle peut ajouter environ 15,7 billions de dollars à l'économie mondiale d'ici 2030. Pour mettre cela en perspective, il s'agit de la production économique combinée de la Chine et de l'Inde à ce jour.

Alors que diverses entreprises prédisent que l'utilisation de l'IA peut augmenter la productivité des entreprises jusqu'à 40 %, l'augmentation spectaculaire du nombre de start-ups d'IA a été multipliée par 14 depuis 2000. L'application de l'IA peut aller du suivi d'astéroïdes et d'autres corps cosmiques dans l'espace pour prédire les maladies sur terre, explorer des moyens nouveaux et innovants de lutter contre le terrorisme pour créer des dessins industriels.

Principaux défis courants en IA

1. Puissance de calcul

La quantité d'énergie utilisée par ces algorithmes gourmands en énergie est un facteur qui éloigne la plupart des développeurs. Le Machine Learning et le Deep Learning sont les tremplins de cette Intelligence Artificielle, et ils nécessitent un nombre toujours croissant de cœurs et de GPU pour fonctionner efficacement. Il existe divers domaines dans lesquels nous avons des idées et des connaissances pour mettre en œuvre des cadres d'apprentissage en profondeur tels que le suivi des astéroïdes, le déploiement des soins de santé, le traçage des corps cosmiques, et bien plus encore.

Ils nécessitent la puissance de calcul d'un supercalculateur, et oui, les supercalculateurs ne sont pas bon marché. Bien qu'en raison de la disponibilité du Cloud Computing et des développeurs de systèmes de traitement parallèles, les développeurs travaillent plus efficacement sur les systèmes d'IA, ils ont un prix. Tout le monde ne peut pas se le permettre avec une augmentation de l'afflux de quantités de données sans précédent et des algorithmes complexes en augmentation rapide.

2. Déficit de confiance

L'un des facteurs les plus importants qui inquiètent l'IA est la nature inconnue de la façon dont les modèles d'apprentissage en profondeur prédisent la sortie. Comment un ensemble spécifique d'entrées peut concevoir une solution pour différents types de problèmes est difficile à comprendre pour un profane.

De nombreuses personnes dans le monde ne connaissent même pas l'utilisation ou l'existence de l'intelligence artificielle, et comment elle est intégrée dans les objets du quotidien avec lesquels ils interagissent, tels que les smartphones, les téléviseurs intelligents, les banques et même les voitures (à un certain niveau d'automatisation).

3. Connaissances limitées

Bien qu'il existe de nombreux endroits sur le marché où nous pouvons utiliser l'intelligence artificielle comme une meilleure alternative aux systèmes traditionnels. Le vrai problème est la connaissance de l'Intelligence Artificielle. En dehors des passionnés de technologie, des étudiants et des chercheurs, il n'y a qu'un nombre limité de personnes qui sont conscientes du potentiel de l'IA.

Par exemple, de nombreuses PME (petites et moyennes entreprises) peuvent planifier leur travail ou apprendre des moyens innovants d'augmenter leur production, de gérer les ressources, de vendre et de gérer des produits en ligne, d'apprendre et de comprendre le comportement des consommateurs et de réagir au marché de manière efficace et efficiente. . Ils ne connaissent pas non plus les fournisseurs de services tels que Google Cloud, Amazon Web Services et d'autres dans l'industrie technologique.

4. Au niveau humain

Il s'agit de l'un des défis les plus importants de l'IA, qui a maintenu les chercheurs à l'affût des services d'IA dans les entreprises et les start-ups. Ces entreprises peuvent se vanter d'une précision supérieure à 90 %, mais les humains peuvent faire mieux dans tous ces scénarios. Par exemple, laissez notre modèle prédire si l'image est celle d'un chien ou d'un chat. L'humain peut prédire la sortie correcte presque à chaque fois, avec une précision étonnante supérieure à 99 %.

Pour qu'un modèle d'apprentissage en profondeur atteigne des performances similaires, il faudrait un réglage fin sans précédent, une optimisation des hyperparamètres, un grand ensemble de données et un algorithme bien défini et précis, ainsi qu'une puissance de calcul robuste, une formation ininterrompue sur les données de train et des tests sur les données de test. Cela semble beaucoup de travail, et c'est en fait cent fois plus difficile qu'il n'y paraît.

Une façon d'éviter de faire tout le travail acharné consiste simplement à faire appel à un fournisseur de services, car ils peuvent former des modèles d'apprentissage en profondeur spécifiques à l'aide de modèles pré-formés. Ils sont formés sur des millions d'images et sont affinés pour une précision maximale, mais le vrai problème est qu'ils continuent à montrer des erreurs et auraient vraiment du mal à atteindre des performances de niveau humain.

5. Confidentialité et sécurité des données

Le principal facteur sur lequel reposent tous les modèles d'apprentissage profond et automatique est la disponibilité des données et des ressources pour les former. Oui, nous avons des données, mais comme ces données sont générées par des millions d'utilisateurs à travers le monde, il y a des chances que ces données puissent être utilisées à de mauvaises fins.

Par exemple, supposons qu'un fournisseur de services médicaux offre des services à 1 million de personnes dans une ville et qu'en raison d'une cyberattaque, les données personnelles de l'ensemble du million d'utilisateurs tombent entre les mains de tout le monde sur le dark web. Ces données comprennent des données sur les maladies, les problèmes de santé, les antécédents médicaux et bien plus encore. Pour aggraver les choses, nous avons maintenant affaire à des données sur la taille des planètes. Avec autant d'informations affluant de toutes les directions, il y aurait sûrement des cas de fuite de données.

Certaines entreprises ont déjà commencé à travailler de manière innovante pour contourner ces barrières. Il forme les données sur les appareils intelligents et, par conséquent, elles ne sont pas renvoyées aux serveurs, seul le modèle formé est renvoyé à l'organisation.

Lis: Salaire AI en Inde pour les étudiants de première année et expérimentés

6. Le problème du biais

La bonne ou la mauvaise nature d'un système d'IA dépend vraiment de la quantité de données sur lesquelles il est formé. Par conséquent, la capacité d'obtenir de bonnes données est la solution pour de bons systèmes d'IA à l'avenir. Mais, en réalité, les données quotidiennes que les organisations collectent sont pauvres et n'ont aucune signification propre.

Ils sont biaisés et ne définissent d'une manière ou d'une autre la nature et les spécifications d'un nombre limité de personnes ayant des intérêts communs basés sur la religion, l'ethnie, le sexe, la communauté et d'autres préjugés raciaux. Le véritable changement ne peut être apporté qu'en définissant des algorithmes capables de suivre efficacement ces problèmes.

7. Rareté des données

Alors que de grandes entreprises telles que Google, Facebook et Apple sont accusées d'utilisation contraire à l'éthique des données utilisateur générées, divers pays comme l'Inde utilisent des règles informatiques strictes pour restreindre le flux. Ainsi, ces entreprises sont désormais confrontées au problème d'utiliser des données locales pour développer des applications pour le monde, ce qui entraînerait un biais.

Les données sont un aspect très important de l'IA, et les données étiquetées sont utilisées pour entraîner les machines à apprendre et à faire des prédictions. Certaines entreprises essaient d'innover de nouvelles méthodologies et se concentrent sur la création de modèles d'IA qui peuvent donner des résultats précis malgré la rareté des données. Avec des informations biaisées, l'ensemble du système pourrait devenir défectueux.

Lire aussi : L'intelligence artificielle dans la cybersécurité

Conclusion

Bien que ces défis de l'IA semblent très déprimants et dévastateurs pour l'humanité, grâce à l'effort collectif des gens, nous pouvons apporter ces changements très efficacement. Selon Microsoft, la prochaine génération d'ingénieurs doit se perfectionner dans ces nouvelles technologies de pointe pour avoir une chance de travailler avec les organisations du futur et afin de vous préparer, upGrad propose des programmes sur ces technologies de pointe avec bon nombre de nos étudiant travaillant dans Google, Microsoft, Amazon et Visa et dans de nombreuses autres entreprises Fortune 500.

Si vous souhaitez en savoir plus sur l'intelligence artificielle et l'apprentissage automatique, consultez le programme Executive PG d'IIIT-B & upGrad en apprentissage automatique et IA , conçu pour les professionnels en activité et offrant plus de 450 heures de formation rigoureuse, plus de 30 études de cas et affectations, statut IIIT-B Alumni, 5+ projets de synthèse pratiques et aide à l'emploi avec les meilleures entreprises.