Další vývoj a inovace v oblasti AI by podle analytiků měly určovat čtyři hlavní trendy – zodpovědná umělá inteligence (responsible AI), malá a rozprostřená data (small and wide data), provozní nasazení AI platforem (operationalization of AI platforms) a také efektivnější využívání zdrojů. Analytici společnosti Gartner tyto a další trendy popsali ve studii Hype křivka umělé inteligence, 2021 (Hype Cycle for Artificial Intelligence, 2021).
„Inovace v oblasti umělé inteligence mají velmi rychlé tempo, přičemž nadprůměrný počet technologií na hype křivce dosáhne fáze mainstreamového přijetí během dvou až pěti let,“ uvedla vedoucí výzkumu Gartneru Shubhangi Vashisth. „Inovace včetně AI na koncových zařízeních (edge AI), počítačového vidění, rozhodovací inteligence a strojového učení mají veškeré předpoklady k transformaci v příštích letech celého trhu.“
Malá a rozprostřená (široká) data (small and wide data): Data jsou základem každé úspěšné AI iniciativy, jsou to ale právě přístupy založené na malých a rozprostřených datech (různě velkých a strukturovaných či nestrukturovaných datových zdrojích uvnitř i mimo organizaci) umožňují robustnější analýzy a AI, které snižují závislost organizací na velkých datech a poskytují bohatší a úplnější přehled o situaci. Podle analytiků Gartneru bude do roku 2025 70 % organizací nuceno přesunout své zaměření z velkých dat na malá a rozprostřená data, která poskytnou více kontextu pro analytiku a učiní AI méně náročnou na data. „Malá data znamenají aplikaci analytických technik, které vyžadují méně dat, ale přesto nabízejí užitečné poznatky, zatímco široká data umožňují analýzu a synergii různých zdrojů dat,“ dodává viceprezidentka výzkumu ve společnosti Gartner Svetlana Sicular.
Provozní nasazení AI platforem (AI platform operationalization): Naléhavost a nezbytnost využití AI pro transformaci byznysu vede k potřebě operacionalizace platforem AI – tedy jejich provozního nasazení. To znamená přesunout projekty AI z fází konceptu, pilotu či omezeného provozu do ostrého provozu. Inovace, jako jsou platformy pro orchestraci a automatizaci AI (AIOAP – AI Orchestration and Automation Platforms) a zprovoznění modelů (ModelOps), umožňují opakované použití, škálovatelnost a governanci, což dovoluje dále zrychlovat zavádění a rozvoj AI.
Efektivní využívání zdrojů (efficient use of resources): Vzhledem ke složitosti a rozsahu dat, modelů a výpočetních zdrojů zapojených do nasazení AI je třeba, aby tyto zdroje byly využívány maximálně efektivně. Multiexperience, kompozitní AI, generativní AI a pokročilé modely a metody učení, jako jsou tzv. Transformátory, na sebe poutají stále větší pozornost zejména díky schopnosti řešit širokou škálu byznysových problémů efektivnějším způsobem.
Zodpovědná AI (responsible AI): „Zvýšení důvěryhodnosti, transparentnosti, spravedlnosti a auditovatelnosti technologií AI má pro širokou škálu zainteresovaných stran stále větší význam,“ říká Svetlana Sicular. „Zodpovědnost znamená v případě AI spravedlivé rozhodování překonávající možné předsudky obsažené v datech, dále vyšší míru důvěry v situaci, kdy se metody transparentnosti a vysvětlitelnosti AI stále vyvíjejí, a v neposlední řadě také zajištění souladu s předpisy.
