86 procent van organisaties verkiest AI en machine learning-initiatieven (AI/ML) boven andere IT-projecten. 42 procent geeft zelfs aan dat het de belangrijkste IT-prioriteit is. Dit blijkt uit onderzoek van DataRobot. Voor het rapport werden 400 organisaties in verschillende sectoren ondervraagd. Ook kregen de onderzoekers inzicht in belangrijke barrières voor organisaties op het gebied van AI/ML. En de manieren waarop AI economische groei stimuleert.
Worsteling
Het onderzoek laat zien dat er meer wordt geïnvesteerd in AI/ML. Maar liefst 86 procent van de respondenten geeft aan dat de bestedingen aan AI/ML binnen de organisatie het afgelopen jaar zijn toegenomen. Verder blijkt dat organisaties die AI/ML inzetten te maken hebben met steeds complexere operationele problemen na de implementatie. Zo worstelt 87% van de respondenten met lange tijdslijnen voor de implementatie van modellen. De meerderheid (59 procent) van de ondervraagde organisaties, heeft minimaal een maand nodig om een getraind model in productie te nemen. Dit betekent dat het langer duurt voordat deze organisaties kunnen profiteren van AI/ML.
Onsamenhangende infrastructuur
Een ander struikelblok is de complexe en vaak onsamenhangende infrastructuur, tooling en de specifieke gebruiksscenario’s en vereisten voor AI/ML. De meerderheid van de ondervraagde organisaties (64 procent) implementeert modellen en data om meer dan 10 landen wereldwijd te ondersteunen. Dit, terwijl 22 procent meer dan 20 regio’s wereldwijd moet ondersteunen. Verder heeft 37 procent van de respondenten AI geïmplementeerd in een hybride omgeving voor modelimplementatie, waarbij ze on-premise infrastructuur gecombineerd met cloud-omgevingen. Dit, terwijl 28% een multi-cloudomgeving heeft.
IT-beveiliging grootste uitdaging
85% van de respondenten heeft moeite met de vereisten op het gebied van IT-governance, compliance en controleerbaarheid voor hun AI/ML-implementaties. 25 procent noemde IT-beveiliging zelfs als de grootste AI/ML-uitdaging. De meeste organisaties (83 procent) geven aan dat aanzienlijke geografische spreiding performance-uitdagingen kan opleveren en dat zij SLA’s hebben voor modellatentie.
