No boom desse conjunto de tecnologias, as empresas precisam entender as reais possibilidades e usar a imaginação para contornar os obstáculos
Logo, logo, a inteligência artificial (IA) estará em todos os produtos e serviços. Os avanços em deep learning, ou aprendizado profundo de máquina, são os mais animadores na área, pois vêm apresentando saltos em precisão de classificação e predição, sem precisar usar feature engineering (seleção, entre os dados brutos, de características que possam ser utilizadas em modelos preditivos) associada ao aprendizado tradicional supervisionado. Em vez de programados, esses sistemas são treinados.
No entanto, há limitações à vista. Os processos requerem grandes volumes de dados rotulados para realizar tarefas complexas com precisão e obter esses grandes conjuntos de dados pode ser difícil. Mesmo quando eles estão disponíveis, os esforços de rotulagem requerem recursos humanos gigantescos. Além disso, pode ser difícil saber como um modelo matemático treinado com deep learning chega a uma predição, recomendação ou decisão. Para ajudar os executivos a compreenderem melhor o que pode minar suas iniciativas de IA, observamos cinco dessas limitações e as soluções que começam a surgir para lidar com elas.
Limitação 1: rotulagem de dados