Hur syntetisk data kommer att driva framtiden för AI

“Finns det data och är den av tillräcklig mångfald och kvalitet för att möta mitt specifika behov?”

Detta är frågan som många av dagens data- och teknikledare har när de skapar en modern dataarkitektur för att stödja deras företags digitala och AI-transformationer. Även om data kan vara grunden för alla AI-projekt, finns det inget entydigt svar på hur mycket av det du behöver för att säkerställa en målprestanda. Svårigheterna förknippade med företagsintroduktion kan utgöra betydande hinder för att inse fördelarna med AI.

SE: Etikpolicy för artificiell intelligens (TechRepublic Premium)

Inför problemet: Traditionella metoder är i grunden begränsande

En enda datauppsättning kan innehålla tiotals miljoner element. Med traditionella tillvägagångssätt för AI-projekt har organisationer i uppgift att manuellt samla in och märka data av denna storleksordning, vilket är tidskrävande och kostsamt, för att inte tala benäget att göra mänskliga fel. Denna metod har stora nackdelar, eftersom människor inte kan märka alla attribut som ett företag kan vara intresserade av eller behöver för att driva sitt AI-projekt. Bortsett från ovanstående begränsningar, utgör verklig data ett växande problem kring etisk användning och integritet. Användningen av verklig data blir bara mer oöverkomlig eftersom varje land individuellt upprättar efterlevnadslagar kring datainsamling, datalagring och mer.

När vi ser till en värld av avancerad innovation inom autonoma fordon, robotik, förstärkt verklighet och virtuell verklighet, är det tydligt att vi är fundamentalt begränsade av de traditionella metoder vi har använt för att träna AI.

Utforska lösningen: Syntetisk data och dess fördelar

Syntetisk data, eller datorgenererad data som fungerar som ett alternativ till verklig data, har potential att förändra det nuvarande AI-utvecklingsparadigmet och störa traditionella data-till-insiktspipelines. Syntetisk data visar lovande i sin förmåga att fylla luckorna med datacentrerade tillvägagångssätt och leverera omfattande utbildningsdata till en bråkdel av kostnaden och tiden för nuvarande metoder. Genom att slå samman teknologier från industrin för visuella effekter och generativa neurala nätverk, levererar syntetisk data perfekt märkta, realistiska datauppsättningar och simulerade miljöer i stor skala – vilket innebär att dataforskare kan använda dem för att övervinna en massiv barriär för inträde.

Eftersom syntetisk data genereras på konstgjord väg eliminerar det många fördomar och integritetsproblem med traditionellt insamling av datamängder från den verkliga världen. Dessutom är information om varje pixel explicit känd, och en utökad uppsättning etiketter genereras automatiskt. Detta gör att system kan byggas och testas virtuellt och gör att AI-utvecklare kan iterera storleksordningar snabbare eftersom träningsdata kan skapas på begäran. Som ett resultat kommer syntetisk data att underlätta det komplexa landskapet med accelererade tid-till-marknad-scheman genom att ge ingenjörer tidiga insikter om att minska kostnader och risker, förbättra leveransscheman och stärka konkurrensfördelar med AI för snabb prototypframställning och utrullning av mer innovativa produkter.

Trots att det är en begynnande teknik som bara börjar skrapa på ytan med företagsadoption, har syntetisk data mycket lovande i sin förmåga att störa AI-paradigmet som vi känner det. Möjligheten att testa ett större antal möjliga designiterationer vid processens början gör att organisationer kan reda ut eventuella komplikationer tidigt när förändringar är mycket billigare. Syntetisk data tar också direkt upp potentiella integritets- och regulatoriska problem. Ledande Fortune 50-företag omfamnar syntetisk data och en bredare våg av adoption inom branschen förväntas. Med andra ord, syntetisk datas simuleringsdrivna design har kraften att vända AI-utvecklingsprocessen på huvudet.