URN_NBN_SI_DOC-RKSH48DC

Tveganja in možnosti kontrol pri rešitvah umetne inteligence 73 atributov določajo (najverjetnejšo) izhodno vrednost. Pri tem je lahko število primerov in število različnih atributov tudi izjemno veliko, med primeri pa so lahko tudi najrazličnejše izjeme. Nabor poiskanih vzorcev imenujemo model znanja. Uspešnost zgrajenega modela znanja je določena s tem, kako točno zna za nepoznane primere – tiste, ki mu v fazi učenja niso bili na voljo – določiti izhodno vrednost glede na vrednosti vhodnih atributov. Kakovost rešitve strojnega učenja je odvisna predvsem od ustreznosti učnih podatkov (tako od količine kot njihove kakovosti) in opredeljenega postopka učenja (optimizacije cevovoda strojnega učenja). 3. TIPIČNA TVEGANJA IN MOŽNE PASTI, KI PREŽIJO NA RAZVIJALCE REŠITEV UMETNE INTELIGENCE Glavni razlog za vpeljavo rešitev umetne inteligence v podjetjih je potreba po napredovanju celotne digitalne transformacije. Z vpeljavo inteligentne programske opreme in storitev lahko namreč: • podjetja izboljšajo zmožnosti izdelkov in kakovost storitev, • bolje komunicirajo s strankami, • racionalizirajo poslovanje, • ustvarjajo napovedne in natančne poslovne strategije. Glede na potencialne prednosti, ki jih omogočajo rešitve umetne inteligence za podjetja, je jasno, da si le-ta želijo razviti in vpeljati tovrstne rešitve. Vsak poslovni proces lahko z združevanjem podatkov pridobi, saj imajo različni oddelki večinoma opravka le s svojimi podatki. Ko se ti podatki združijo na ustrezen način in v ustreznem času, se lahko sprejmejo primerne odločitve, ki pomagajo podjetju rasti in napredovati. S strojnim učenjem lahko iz ogromnih količin podatkov izluščimo informacije z zanemarljivim posredovanjem ljudi. V idealnem primeru naj bi izvajanje tega koncepta prispevalo k eksponentni rasti, v resnici pa se lahko ujamemo v posamezne pasti, ki lahko rast izničijo. Strojno učenje daje organizacijam možnost, da sprejmejo natančnejše odločitve, ki jih usmerjajo podatki, in rešujejo probleme, ki jih tradicionalni pristopi ne zmorejo. Vendar strojno učenje ni magija. Predstavlja veliko podobnih izzivov kot druge tehnologije, prinaša pa še kopico sebi lastnih tveganj. 3.1. Strateške pasti strojnega učenja Med strateške pasti spadajo vse morebitne neustrezne odločitve o razvoju in vpeljavi rešitev umetne inteligence v proces digitalne preobrazbe podjetja na najvišjem nivoju in so običajno posledica pomanjkljive poslovne vizije, napačnih poslovnih odločitev in/ali neustreznih pričakovanj. Za strateške napake praviloma