જેમ તે તારણ આપે છે, હા, પરંતુ માત્ર ભાગ્યે જ

AI સર્વવ્યાપી છે. આ દિવસોમાં ઘરમાં AI માટે સૌથી સામાન્ય સ્થાનો પૈકી એક સ્માર્ટફોન, સ્માર્ટ હોમ્સ અને ઉપકરણો છે. તાજેતરમાં, જ્યારે અમે રાત્રિભોજન પર બેઠા, અમે એલેક્સા સાથે વાતચીત કરી જે કંઈક આના જેવી હતી:

Me: એલેક્સા, કબ્સ હાઇલાઇટ્સ રમો. [આ એક વિશેષતા છે જે એલેક્સાની હોમ સ્ક્રીન પર દર્શાવવામાં આવી છે. એલેક્સાને તમારી મનપસંદ ટીમ માટે હાઇલાઇટ્સ રમવા માટે કહો.]

એલેક્સા: મને વેબ પર કંઈક મળ્યું. [હું જાણું છું કે જ્યારે એલેક્સા આ રીતે શરૂ થાય છે, ત્યારે એક સમસ્યા છે. તે સારું નહીં ચાલે. એલેક્સા મુઠ્ઠીભર વિડિઓઝની સૂચિ બતાવે છે. ખરું કે, તેમાંના મોટા ભાગના બેઝબોલ વીડિયો છે જેમાં ખેલાડીઓ છેલ્લા 5 વર્ષમાં અસાધારણ નાટકો કરે છે. મારી ભુલ. ફરીથી પ્રયત્ન કરો.]

Me: એલેક્સા, મને નવીનતમ શિકાગો કબ્સ બેઝબોલ રમત માટે હાઇલાઇટ્સ બતાવો. [હું આશા રાખું છું કે તે નમ્ર સ્વર શોધી શકશે નહીં કારણ કે હું મારી વિનંતીને સમજી શકતો ન હોવા માટે દોષ સ્વીકારું છું.]

એલેક્સા: શિકાગો કબ્સ ગેમ માટેની હાઇલાઇટ્સ રમત પૂરી થયાના બે કલાક પછી ઉપલબ્ધ થશે. [પ્રગતિ. મને ખ્યાલ નહોતો કે તેઓ આ જ ક્ષણે રમી રહ્યા હશે. નસીબ મારી બાજુ પર છે. હું અચાનક આશાવાદી છું.]

Me: એલેક્ઝા, સારું, તો પછી ગઈકાલની ઇફિંગ હાઇલાઇટ્સ મને બતાવો. [હા, મારી નિરાશા દેખાવા લાગી છે. હું કોડ તોડવાની ખૂબ નજીક છું. હું લગભગ તેનો સ્વાદ લઈ શકું છું.]

એલેક્સા: માફ કરશો, મને તે ખબર નથી. [તે આ ઘણી વાર કહે છે. કદાચ હું સ્પષ્ટ ન હતો.]

મને: શું તમે મારી મજાક કરી રહ્યા છો? શિકાગો કબ્સ અને પિટ્સબર્ગ પાઇરેટ્સ વચ્ચે સોમવાર 25 જુલાઇ, 2022 ના રોજ રિગલી ફિલ્ડ ખાતે મેજર લીગ બેઝબોલ રમત માટે રમો, વિડિઓ હાઇલાઇટ્સ. [આ વખતે મને વિશ્વાસ છે કે મેં તેને પૂર્ણ કર્યું છે. મેં એક વિશિષ્ટ, અસ્પષ્ટ વિનંતી કરી છે જે હું જાણું છું કે એલેક્સા પાસે એક કૌશલ્ય છે. તે આ પહેલા પણ કરી ચૂક્યો છે. ]

એલેક્સા: [મૌન. કંઈ નહીં. કોઈ જવાબ નથી. હું મેજિક વેક અપ શબ્દ, એલેક્સા કહેવાનું ભૂલી ગયો છું.]

આ સરેરાશ IQ 18-વર્ષના વ્યક્તિનો અંદાજ 100 છે. 6-વર્ષના વ્યક્તિનો સરેરાશ IQ 55 છે. Google AI IQનું મૂલ્યાંકન 47 છે. સિરીનો IQ 24 હોવાનો અંદાજ છે. Bing અને Baidu 30ના દાયકામાં છે. મને એલેક્સાના આઈક્યુનું મૂલ્યાંકન મળ્યું નથી, પરંતુ મારો અનુભવ પ્રિસ્કુલર સાથે વાત કરવા જેવો હતો.

કેટલાક કહી શકે છે કે, કોમ્પ્યુટરને IQ ટેસ્ટ આપવી યોગ્ય નથી. પરંતુ, તે સંપૂર્ણ મુદ્દો છે. AI નું વચન મનુષ્યો જે કરે છે તે કરવાનું છે, ફક્ત વધુ સારું. અત્યાર સુધી, દરેક હેડ-ટુ-હેડ - અથવા, આપણે કહીએ કે, ન્યુરલ નેટવર્કથી ન્યુરલ નેટવર્ક -ચેલેન્જ ખૂબ જ કેન્દ્રિત છે. શતરંજ રમું છું. રોગનું નિદાન. દૂધ આપતી ગાય. કાર ચલાવવી. રોબોટ સામાન્ય રીતે જીતે છે. હું શું જોવા માંગુ છું કે વોટસન કાર ચલાવતી વખતે અને સંકટ રમતી વખતે ગાયનું દૂધ પીવે છે. હવે, કે trifecta હશે. જ્યારે તેઓ અકસ્માતમાં પડ્યા વિના ડ્રાઇવિંગ કરી રહ્યાં હોય ત્યારે માણસો તેમની સિગારેટ પણ શોધી શકતા નથી.

AI નો IQ

મશીન દ્વારા આઉટવિટેડ. મને શંકા છે કે હું એકલો નથી. હું વિચારવા લાગ્યો, જો આ અદ્યતન છે, તો આ વસ્તુઓ કેટલી સ્માર્ટ છે? શું આપણે માણસની બુદ્ધિને મશીન સાથે સરખાવી શકીએ?

વૈજ્ઞાનિકો મૂલ્યાંકન કરી રહ્યા છે સિસ્ટમની શીખવાની અને તર્ક કરવાની ક્ષમતા. અત્યાર સુધી, કૃત્રિમ માણસોએ વાસ્તવિક વસ્તુ જેટલું સારું કર્યું નથી. સંશોધકો ગાબડાઓને ઓળખવા માટે ખામીઓનો ઉપયોગ કરી રહ્યા છે જેથી કરીને અમે વધુ સારી રીતે સમજી શકીએ કે વધારાના વિકાસ અને પ્રગતિ ક્યાં કરવાની જરૂર છે.

માત્ર જેથી તમે બિંદુ ચૂકી ન જાઓ અને એઆઈમાં "I" શું રજૂ કરે છે તે ભૂલી જાઓ, માર્કેટર્સે હવે સ્માર્ટ AI શબ્દનો ઉપયોગ કર્યો છે.

શું AI સંવેદનશીલ છે?

શું રોબોટ્સને લાગણી છે? કમ્પ્યુટર્સ ઇ.નો અનુભવ કરી શકે છેmotioએનએસ? ના. ચાલો આગળ વધીએ. જો તમે કરવા માંગો છો વાંચવું તેના વિશે, એક (ભૂતપૂર્વ) Google એન્જિન દાવો કરે છે કે Google જે AI મોડેલ પર કામ કરી રહ્યું છે તે સંવેદનશીલ છે. તેણે એક બોટ સાથે વિલક્ષણ ચેટ કરી હતી જેણે તેને ખાતરી આપી હતી કે કમ્પ્યુટરને લાગણીઓ છે. કોમ્પ્યુટર તેના જીવન માટે ભયભીત છે. મને વિશ્વાસ પણ નથી આવતો કે મેં તે વાક્ય લખ્યું છે. કોમ્પ્યુટરમાં ડરવાનું જીવન નથી. કમ્પ્યુટર વિચારી શકતા નથી. અલ્ગોરિધમનો વિચાર કરવામાં આવતો નથી.

જો કે, જો કમ્પ્યુટર નજીકના ભવિષ્યમાં આદેશનો જવાબ આપે તો મને આશ્ચર્ય થશે નહીં: "મને માફ કરશો, ડેવ, હું તે કરી શકતો નથી."

AI ક્યાં નિષ્ફળ થાય છે?

અથવા, વધુ સ્પષ્ટ રીતે, શા માટે AI પ્રોજેક્ટ નિષ્ફળ જાય છે? તેઓ એ જ કારણોસર નિષ્ફળ જાય છે કે આઇટી પ્રોજેક્ટ હંમેશા નિષ્ફળ રહ્યા છે. ગેરવહીવટ, અથવા સમય, અવકાશ અથવા બજેટના સંચાલનમાં નિષ્ફળતાને કારણે પ્રોજેક્ટ નિષ્ફળ જાય છે..:

• અસ્પષ્ટ અથવા અવ્યાખ્યાયિત દ્રષ્ટિ. નબળી વ્યૂહરચના. તમે મેનેજમેન્ટને કહેતા સાંભળ્યું હશે, "અમારે ફક્ત બૉક્સને ચેક કરવાની જરૂર છે." જો મૂલ્ય દરખાસ્ત વ્યાખ્યાયિત કરી શકાતી નથી, તો હેતુ અસ્પષ્ટ છે.
• અવાસ્તવિક અપેક્ષાઓ. આ ગેરસમજ, નબળા સંચાર અથવા અવાસ્તવિક સમયપત્રકને કારણે હોઈ શકે છે. અવાસ્તવિક અપેક્ષાઓ AI સાધનોની ક્ષમતાઓ અને પદ્ધતિની સમજના અભાવને કારણે પણ ઉદ્ભવી શકે છે.
• અસ્વીકાર્ય જરૂરિયાતો. વ્યવસાયની આવશ્યકતાઓ સારી રીતે વ્યાખ્યાયિત નથી. સફળતા માટેના માપદંડો અસ્પષ્ટ છે. આ કેટેગરીમાં ડેટાને સમજતા કર્મચારીઓનું ઓછું મૂલ્યાંકન પણ છે.
• બજેટ વગરના અને ઓછા અંદાજિત પ્રોજેક્ટ્સ. ખર્ચનો સંપૂર્ણ અને ઉદ્દેશ્ય અંદાજ કરવામાં આવ્યો નથી. આકસ્મિકતાઓ માટે આયોજન અને અપેક્ષા રાખવામાં આવી નથી. પહેલેથી જ ખૂબ વ્યસ્ત એવા સ્ટાફના સમયના યોગદાનને ઓછો આંકવામાં આવ્યો છે.
• અણધાર્યા સંજોગો. હા, તક બને છે, પરંતુ મને લાગે છે કે આ નબળા આયોજન હેઠળ આવે છે.

અમારી અગાઉની પોસ્ટ પણ જુઓ એનાલિટિક્સ અને બિઝનેસ ઇન્ટેલિજન્સ માં નિષ્ફળતા માટે 12 કારણો.

AI, આજે, ખૂબ જ શક્તિશાળી છે અને કંપનીઓને જબરદસ્ત સફળતા હાંસલ કરવામાં મદદ કરી શકે છે. જ્યારે AI પહેલ નિષ્ફળ જાય છે, ત્યારે નિષ્ફળતા લગભગ હંમેશા ઉપરોક્તમાંથી એકમાં શોધી શકાય છે.

AI એક્સેલ ક્યાં કરે છે?

પુનરાવર્તિત, જટિલ કાર્યોમાં AI સારી છે. (ઉચિત કહું તો, તે સરળ, બિન-પુનરાવર્તિત કાર્યો પણ કરી શકે છે. પરંતુ, તમારા પ્રિસ્કુલરને તે કરાવવું સસ્તું હશે.) તે પેટર્ન અને સંબંધો, જો તેઓ અસ્તિત્વમાં હોય, તો વિશાળ માત્રામાં ડેટા શોધવામાં સારું છે.

• ચોક્કસ પેટર્ન સાથે મેળ ખાતી ન હોય તેવી ઇવેન્ટની શોધ કરતી વખતે AI સારી રીતે કાર્ય કરે છે.
  • શોધી રહ્યું છે ક્રેડિટ કાર્ડ છેતરપિંડી તે વ્યવહારો શોધવા વિશે છે જે ઉપયોગની પેટર્નને અનુસરતા નથી. તે સાવધાનીની બાજુમાં ભૂલ કરે છે. જ્યારે મેં ડલ્લાસમાં મારી ભાડાની કારને ગેસથી ભરી અને પછી શિકાગોમાં મારી અંગત કાર ભરી ત્યારે મને મારા ક્રેડિટ કાર્ડમાંથી અતિ ઉત્સાહી અલ્ગોરિધમ સાથે કૉલ્સ પ્રાપ્ત થયા છે. તે કાયદેસર હતું, પરંતુ ફ્લેગ કરવા માટે પૂરતું અસામાન્ય હતું.

"અમેરિકન એક્સપ્રેસ વ્યવહારોમાં $1 ટ્રિલિયનની પ્રક્રિયા કરે છે અને 110 મિલિયન AmEx કાર્ડ કાર્યરત છે. તેઓ નજીકના વાસ્તવિક સમયમાં છેતરપિંડી શોધવામાં મદદ કરવા માટે ડેટા એનાલિટિક્સ અને મશીન લર્નિંગ અલ્ગોરિધમ્સ પર ખૂબ આધાર રાખે છે, તેથી લાખો નુકસાનમાં બચત થાય છે”.

• ફાર્માસ્યુટિકલ છેતરપિંડી અને દુરુપયોગ. સિસ્ટમો ઘણા પ્રોગ્રામ કરેલા નિયમોના આધારે વર્તનની અસામાન્ય પેટર્ન શોધી શકે છે. ઉદાહરણ તરીકે, જો દર્દીએ એક જ દિવસે શહેરની આસપાસ ત્રણ અલગ-અલગ ડોકટરોને પીડાની સમાન ફરિયાદો સાથે જોયા હોય, તો દુરુપયોગને નકારી કાઢવા માટે વધારાની તપાસની જરૂર પડી શકે છે.
• AI માં સ્વાસ્થ્ય કાળજી કેટલીક ઉત્તમ સફળતાઓ મેળવી છે.
  • AI અને ડીપ લર્નિંગને સામાન્ય તારણો સાથે એક્સ-રેની તુલના કરવાનું શીખવવામાં આવ્યું હતું. તે રેડિયોલોજિસ્ટને તપાસવા માટે અસામાન્યતાઓને ફ્લેગ કરીને રેડિયોલોજિસ્ટના કાર્યને વધારવામાં સક્ષમ હતું.
• AI સાથે સારી રીતે કામ કરે છે સામાજિક અને ખરીદી. આપણે આટલું બધું કેમ જોઈએ છીએ તેનું એક કારણ એ છે કે તેમાં ઓછું જોખમ છે. AI ખોટું હોવાનું અને ગંભીર પરિણામો આવવાનું જોખમ ઓછું છે.
• • જો તમને ગમ્યું/ખરીદી આ, અમને લાગે છે કે તમને ગમશે આ. એમેઝોનથી નેટફ્લિક્સ અને યુટ્યુબ સુધી, તેઓ બધા પેટર્ન ઓળખના અમુક સ્વરૂપનો ઉપયોગ કરે છે. Instagram AI તમારા ફીડ પર ધ્યાન કેન્દ્રિત કરવા માટે તમારી ક્રિયાપ્રતિક્રિયાઓને ધ્યાનમાં લે છે. જો અલ્ગોરિધમ તમારી પસંદગીઓને બકેટમાં અથવા સમાન પસંદગીઓ કરનારા અન્ય વપરાશકર્તાઓના જૂથમાં મૂકી શકે અથવા જો તમારી રુચિઓ સાંકડી હોય તો આ શ્રેષ્ઠ કાર્ય કરે છે.
  • AI સાથે થોડી સફળતા મળી છે ચહેરાના માન્યતા. ફેસબુક નવા ફોટામાં અગાઉ ટેગ કરેલ વ્યક્તિને ઓળખવામાં સક્ષમ છે. કેટલીક પ્રારંભિક સુરક્ષા-સંબંધિત ચહેરાની ઓળખ પ્રણાલીઓને માસ્ક દ્વારા મૂર્ખ બનાવવામાં આવી હતી.
• AI માં સફળતાઓ મળી છે ખેતી મશીન લર્નિંગ, IoT સેન્સર્સ અને કનેક્ટેડ સિસ્ટમ્સનો ઉપયોગ કરીને.
  • એઆઈએ મદદ કરી સ્માર્ટ ટ્રેક્ટર ઉપજ વધારવા, ખાતર ઘટાડવા અને ખાદ્ય ઉત્પાદન ખર્ચમાં સુધારો કરવા માટે છોડ અને લણણીના ક્ષેત્રો.
  • 3-D નકશા, માટી સેન્સર, ડ્રોન, હવામાન પેટર્ન, દેખરેખના ડેટા પોઇન્ટ સાથે મશીન શિક્ષણ પાક રોપવાના શ્રેષ્ઠ સમયની આગાહી કરવા અને વાવેતર થાય તે પહેલાં ઉપજની આગાહી કરવા માટે મોટા ડેટા સેટમાં પેટર્ન શોધે છે.
  • ડેરી ફાર્મ AI રોબોટ્સનો ઉપયોગ ગાયને દૂધ પીવડાવવા માટે કરે છે, AI અને મશીન લર્નિંગ પણ ગાયના મહત્વપૂર્ણ સંકેતો, પ્રવૃત્તિ, ખોરાક અને પાણીના સેવન પર દેખરેખ રાખે છે જેથી તેઓ સ્વસ્થ અને સંતોષી રહે.
  • AI ની મદદથી, ખેડૂતો જેઓ વસ્તીના 2% કરતા ઓછા છે તેઓ બાકીના યુએસએમાં 300 મિલિયનને ખોરાક આપે છે.
  • કૃષિમાં કૃત્રિમ બુદ્ધિ

AI ની મહાન વાર્તાઓ પણ છે સફળતા સેવા ઉદ્યોગો, છૂટક, મીડિયા અને ઉત્પાદનમાં. AI ખરેખર સર્વત્ર છે.

AI શક્તિઓ અને નબળાઈઓ વિરોધાભાસી

AI ની શક્તિઓ અને નબળાઈઓની નક્કર સમજ તમારી AI પહેલની સફળતામાં ફાળો આપી શકે છે. એ પણ યાદ રાખો કે હાલમાં જમણી બાજુના સ્તંભમાં રહેલી ક્ષમતાઓ તકો છે. આ એવા ક્ષેત્રો છે જેમાં વિક્રેતાઓ અને રક્તસ્ત્રાવ ધાર અપનાવનારાઓ હાલમાં પ્રગતિ કરી રહ્યા છે. અમે એવી ક્ષમતાઓ જોઈશું જે હાલમાં એક વર્ષમાં ફરીથી AI ને પડકાર આપે છે અને લેફ્ટ-શિફ્ટનું દસ્તાવેજીકરણ કરીશું. જો તમે નીચેના ચાર્ટનો કાળજીપૂર્વક અભ્યાસ કરશો, તો હું આ લખું છું તે સમય અને તે પ્રકાશિત થવાના સમય વચ્ચે જો કોઈ હિલચાલ હોય તો મને આશ્ચર્ય થશે નહીં.

AIનું ભવિષ્ય શું છે?

જો AI વધુ સ્માર્ટ હોત, તો તે ભવિષ્યમાં શું છે તેની આગાહી કરી શકે છે. તે સ્પષ્ટ છે કે ત્યાં ઘણા છે ગેરસમજો એઆઈ શું કરી શકે અને શું ન કરી શકે તે વિશે. ઘણા ગેરસમજો અને AI નિરક્ષરતા ટેક માર્કેટિંગનું પરિણામ છે જે હાલની ક્ષમતાઓને વધારે હાયપ કરે છે. AI આજે જે કરી શકે છે તેના માટે પ્રભાવશાળી છે. હું અનુમાન કરું છું કે જમણી બાજુના સ્તંભમાંની ઘણી બધી નબળાઈઓ ડાબી તરફ શિફ્ટ થઈ જશે અને આગામી 2 કે 3 વર્ષમાં શક્તિ બની જશે.

[મેં આ લેખ સમાપ્ત કર્યા પછી, મેં અગાઉનો ફકરો પ્રસ્તુત કર્યો OpenAI, ઓપન AI પ્લેટફોર્મ ભાષા જનરેટર. તમે તેના DALL-E દ્વારા જનરેટ થયેલી કેટલીક આર્ટ જોઈ હશે. હું એ જાણવા માંગતો હતો કે તે AI ના ભવિષ્ય વિશે શું વિચારે છે. તેને શું કહેવું હતું તે અહીં છે. ]

AI નું ભવિષ્ય થોડા સર્વર્સ ખરીદવા અને ઓફ-ધ-શેલ્ફ સોફ્ટવેર પેકેજ ઇન્સ્ટોલ કરવા વિશે નથી. તે યોગ્ય લોકોને શોધવા અને નોકરી પર રાખવા, યોગ્ય ટીમ બનાવવા અને હાર્ડવેર અને સોફ્ટવેર બંનેમાં યોગ્ય રોકાણ કરવા વિશે છે.

આગામી થોડા વર્ષોમાં AI ની કેટલીક સંભવિત સફળતાઓમાં નીચેનાનો સમાવેશ થાય છે:

• આગાહીઓ અને ભલામણોની ચોકસાઈમાં વધારો
• નિર્ણય લેવાની પ્રક્રિયામાં સુધારો
• સંશોધન અને વિકાસને વેગ આપવો
• વ્યવસાય પ્રક્રિયાઓને સ્વચાલિત અને ઑપ્ટિમાઇઝ કરવામાં મદદ કરવી

જો કે, AI ની કેટલીક સંભવિત નિષ્ફળતાઓ પણ છે જેના વિશે વ્યવસાયોને જાણ હોવી જોઈએ, જેમ કે:

• AI પર વધુ પડતી નિર્ભરતા સબઓપ્ટિમલ નિર્ણયો તરફ દોરી જાય છે
• AI કેવી રીતે કાર્ય કરે છે તેની સમજનો અભાવ દુરુપયોગ તરફ દોરી જાય છે
• AI મોડલ્સને તાલીમ આપવા માટે વપરાતા ડેટામાં પૂર્વગ્રહ અચોક્કસ પરિણામો તરફ દોરી જાય છે
• AI મોડલ્સને તાલીમ આપવા માટે ઉપયોગમાં લેવાતા ડેટાની આસપાસ સુરક્ષા અને ગોપનીયતાની ચિંતાઓ

તો, AI માં રોકાણ કરતા વ્યવસાયો માટે તેમના પરંપરાગત વિશ્લેષણને પૂરક બનાવવા માટે આનો અર્થ શું છે? ટૂંકો જવાબ છે, ત્યાં કોઈ શોર્ટ-કટ નથી. 85% AI પહેલ નિષ્ફળ જાય છે. રસપ્રદ વાત એ છે કે, આ પરંપરાગત IT અને BI પ્રોજેક્ટ્સને લગતા વારંવાર ટાંકેલા આંકડા સમાન છે. તમે એનાલિટિક્સમાંથી મૂલ્ય મેળવી શકો તે પહેલાં તે જ સખત મહેનત જે હંમેશા જરૂરી છે તે હજુ પણ કરવી આવશ્યક છે. દ્રષ્ટિ અસ્તિત્વમાં હોવી જોઈએ, વાસ્તવિક અને પ્રાપ્ત કરી શકાય તેવી હોવી જોઈએ. ગંદું કામ ડેટા તૈયાર કરવું, ડેટા રેંગલિંગ અને ડેટા ક્લીનિંગ છે. આ હંમેશા કરવાની જરૂર પડશે. AI ની તાલીમમાં, તેનાથી પણ વધુ. માનવ હસ્તક્ષેપ માટે હાલમાં કોઈ શોર્ટકટ નથી. માણસોએ હજી પણ ગાણિતીક નિયમોને વ્યાખ્યાયિત કરવાની જરૂર છે. માણસોએ "સાચો" જવાબ ઓળખવો જરૂરી છે.

સારાંશમાં, AI સફળ થવા માટે, માણસોએ આની જરૂર છે:

• ઈન્ફ્રાસ્ટ્રક્ચરની સ્થાપના કરો. આ અનિવાર્યપણે સીમાઓ સ્થાપિત કરી રહ્યું છે જેમાં AI કામ કરશે. ફાઉન્ડેશન અનસ્ટ્રક્ચર્ડ ડેટા, બ્લોકચેન, IoT, યોગ્ય સુરક્ષાને સમર્થન આપી શકે છે કે કેમ તે વિશે છે.
• શોધમાં સહાય. ડેટાની ઉપલબ્ધતા શોધો અને નક્કી કરો. AI ને તાલીમ આપવા માટેનો ડેટા અસ્તિત્વમાં હોવો જોઈએ અને ઉપલબ્ધ હોવો જોઈએ.
• ડેટા ક્યૂરેટ કરો. જ્યારે મોટા ડેટા સેટ સાથે રજૂ કરવામાં આવે અને પરિણામે, મોટી સંખ્યામાં સંભવિત પરિણામો, પરિણામોનું મૂલ્યાંકન કરવા માટે ડોમેન નિષ્ણાતની જરૂર પડી શકે છે. ક્યૂરેશનમાં ડેટા સંદર્ભની માન્યતા પણ સામેલ હશે.

ડેટા વૈજ્ઞાનિકો પાસેથી વાક્ય ઉધાર લેવા માટે, કંપનીઓ AI સાથે સફળ થવા માટે, હાલની એનાલિટિક્સ ક્ષમતાઓમાં મૂલ્ય ઉમેરવા માટે સક્ષમ થવા માટે, તેઓ અવાજથી સિગ્નલ, હાઇપમાંથી સંદેશને અલગ કરવામાં સક્ષમ હોવા જરૂરી છે.

સાત વર્ષ પહેલા, IBM ના જીની રોમેટી કંઈક એવું કહ્યું, વોટસન હેલ્થ [એઆઈ] અમારું મૂનશોટ છે. બીજા શબ્દોમાં કહીએ તો, AI - ચંદ્ર ઉતરાણની સમકક્ષ - એક પ્રેરણાત્મક, પ્રાપ્ત કરી શકાય તેવું, સ્ટ્રેચ ધ્યેય છે. મને નથી લાગતું કે આપણે ચંદ્ર પર ઉતર્યા છીએ. છતાં. IBM, અને અન્ય ઘણી કંપનીઓ પરિવર્તનશીલ AI ના ધ્યેય તરફ કામ કરવાનું ચાલુ રાખે છે.

જો AI એ ચંદ્ર છે, તો ચંદ્ર દૃષ્ટિમાં છે અને તે ક્યારેય ન હતો તેના કરતા વધુ નજીક છે.