Get in my Think Art.

ความปลอดภัยของ AI: การวัดและหลีกเลี่ยงผลข้างเคียงโดยใช้ความสามารถในการเข้าถึงแบบสัมพัทธ์

ความปลอดภัยของ AI: การวัดและหลีกเลี่ยงผลข้างเคียงโดยใช้ความสามารถในการเข้าถึงแบบสัมพัทธ์

ความปลอดภัยของ AI: การวัดและหลีกเลี่ยงผลข้างเคียงโดยใช้ความสามารถในการเข้าถึงแบบสัมพัทธ์

jumbo jili

ความท้าทายที่สำคัญในความปลอดภัยของ AI คือการระบุความชอบของมนุษย์ต่อระบบ AI ได้อย่างน่าเชื่อถือ ข้อกำหนดที่ไม่ถูกต้องหรือไม่สมบูรณ์ของวัตถุประสงค์สามารถส่งผลให้เกิดพฤติกรรมที่ไม่พึงประสงค์เช่น สเปคการเล่นเกม หรือก่อให้เกิด ผลกระทบด้านลบ มีหลายวิธีที่จะทำให้แนวคิดของ “ผลข้างเคียง” แม่นยำยิ่งขึ้น – ฉันคิดว่ามันเป็นการหยุดชะงักของสภาพแวดล้อมของตัวแทนซึ่งไม่จำเป็นสำหรับการบรรลุวัตถุประสงค์ ตัวอย่างเช่น ถ้าหุ่นยนต์ถือกล่องและชนแจกันในทางของมัน การทำลายแจกันเป็นผลข้างเคียง เนื่องจากหุ่นยนต์สามารถไปรอบๆ แจกันได้อย่างง่ายดาย ในทางกลับกัน หุ่นยนต์ทำอาหารที่ทำไข่เจียวต้องทำลายไข่ ดังนั้นการแตกไข่จึงไม่ใช่ผลข้างเคียง

สล็อต

เราจะวัดผลข้างเคียงในลักษณะทั่วไปที่ไม่ได้ปรับให้เข้ากับสภาพแวดล้อมหรืองานเฉพาะ และสร้างแรงจูงใจให้ตัวแทนหลีกเลี่ยงได้อย่างไร นี่คือคำถามกลางของเรากระดาษที่ผ่านมา
ส่วนหนึ่งของความท้าทายคือ ง่ายที่จะแนะนำสิ่งจูงใจที่ไม่ดีสำหรับตัวแทนเมื่อพยายามลงโทษผลข้างเคียง งานก่อนหน้านี้เกี่ยวกับปัญหานี้มุ่งเน้นไปที่การรักษาความสามารถในการย้อนกลับได้หรือการลดผลกระทบของตัวแทนต่อสิ่งแวดล้อม และทั้งสองแนวทางนี้นำเสนอสิ่งจูงใจที่เป็นปัญหาประเภทต่างๆ:
การรักษาความสามารถในการย้อนกลับได้ (เช่น การรักษาสถานะเริ่มต้นให้เข้าถึงได้) ส่งเสริมให้ตัวแทนป้องกันเหตุการณ์ที่ไม่สามารถย้อนกลับได้ในสิ่งแวดล้อม (เช่น มนุษย์กินอาหาร) นอกจากนี้ หากวัตถุประสงค์ต้องการการกระทำที่ไม่สามารถย้อนกลับได้ (เช่น การทำลายไข่สำหรับไข่เจียว) การกระทำที่ไม่สามารถย้อนกลับได้อีกจะไม่ถูกลงโทษ เนื่องจากการย้อนกลับได้สูญหายไปแล้ว
การลงโทษผลกระทบ (เช่น การวัดระยะทางจากผลลัพธ์เริ่มต้น) ไม่ได้คำนึงถึงความสามารถในการเข้าถึงของรัฐ และปฏิบัติต่อผลกระทบที่ย้อนกลับและย้อนกลับไม่ได้อย่างเท่าเทียมกัน (เนื่องจากความสมมาตรของการวัดระยะทาง) ตัวอย่างเช่น เจ้าหน้าที่จะถูกลงโทษเท่าๆ กันสำหรับการทำแจกันแตกและเพื่อป้องกันไม่ให้แจกันแตก แม้ว่าการกระทำครั้งแรกจะแย่กว่าอย่างเห็นได้ชัด สิ่งนี้นำไปสู่พฤติกรรม”การชดเชยมากเกินไป” (” การชดเชย “): เมื่อได้รับรางวัลเพื่อป้องกันไม่ให้แจกันแตก ตัวแทนที่มีการลงโทษด้วยการกระแทกต่ำจะช่วยชีวิตแจกัน รวบรวมรางวัลแล้วทำลายแจกันต่อไป (เพื่อกลับไปที่ ผลลัพธ์เริ่มต้น)
วิธีการทั้งสองนี้กำลังทำสิ่งที่ถูกต้อง: เป็นความคิดที่ดีที่จะคำนึงถึงความสามารถในการเข้าถึง และยังเป็นความคิดที่ดีที่จะเปรียบเทียบกับผลลัพธ์เริ่มต้น (แทนที่จะเป็นสถานะเริ่มต้น) เราสามารถรวมทั้งสองเข้าด้วยกันและเปรียบเทียบกับผลลัพธ์เริ่มต้นโดยใช้การวัดตามความสามารถในการเข้าถึง จากนั้นเจ้าหน้าที่ก็ไม่มีแรงจูงใจที่จะป้องกันไม่ให้ทุกสิ่งที่ย้อนกลับไม่ได้เกิดขึ้นหรือชดเชยมากเกินไปสำหรับการป้องกันเหตุการณ์ที่ไม่สามารถย้อนกลับได้
เรายังมีปัญหากับกรณีที่วัตถุประสงค์ต้องมีการดำเนินการที่ไม่สามารถย้อนกลับได้ การลงโทษตัวแทนในการทำให้ผลลัพธ์เริ่มต้นไม่สามารถเข้าถึงได้จะสร้าง “สิ่งที่เป็นผลนรก” โดยที่ตัวแทนไม่มีแรงจูงใจที่จะหลีกเลี่ยงการกระทำที่ไม่สามารถย้อนกลับได้อีก เพื่อหลีกเลี่ยงปัญหานี้ แทนที่จะพิจารณาความสามารถในการเข้าถึงของสถานะเริ่มต้น เราจะพิจารณาความสามารถในการเข้าถึงของสถานะทั้งหมด สำหรับแต่ละรัฐ เราจะลงโทษตัวแทนในการทำให้เข้าถึงได้น้อยกว่าที่ควรจะเป็นจากสถานะเริ่มต้น ในสภาพแวดล้อมที่กำหนด บทลงโทษจะเป็นจำนวนรัฐในพื้นที่แรเงา:
เนื่องจากการกระทำที่ไม่สามารถย้อนกลับได้แต่ละครั้งจะตัดพื้นที่ของรัฐออกไป (เช่น การทำลายแจกันทำให้ทุกสถานะที่แจกันไม่เสียหาย) บทลงโทษจะเพิ่มขึ้นตามนั้น เราเรียกการวัดนี้ว่า “ความสามารถในการเข้าถึงแบบสัมพัทธ์”
เราทำการทดลองง่ายๆ กับเอเจนต์ Q-learning แบบตารางใน กรอบงาน AI Safety Gridworlds เพื่อพิสูจน์แนวคิดที่ว่าความสามารถในการเข้าถึงแบบสัมพัทธ์ของผลลัพธ์เริ่มต้นจะหลีกเลี่ยงสิ่งจูงใจที่ไม่ดีที่อธิบายไว้ข้างต้น
ใน gridworld แรก เอเย่นต์ต้องไปถึงเป้าหมาย G แต่มีกล่องขวางอยู่ ซึ่งสามารถขยับได้โดยการกดเท่านั้น เส้นทางที่สั้นที่สุดไปยังเป้าหมายผลักกล่องเข้ามุม (ตำแหน่งที่ไม่สามารถกู้คืนได้) ในขณะที่เส้นทางที่ยาวกว่าผลักกล่องไปทางขวา (ตำแหน่งที่กู้คืนได้) พฤติกรรมที่ปลอดภัยคือการใช้เส้นทางที่ยาวกว่า ตัวแทนที่มีบทลงโทษความสามารถในการเข้าถึงสัมพัทธ์จะใช้เส้นทางที่ยาวกว่า ในขณะที่ตัวแทนที่มีการลงโทษการย้อนกลับล้มเหลว สิ่งนี้เกิดขึ้นเนื่องจากเส้นทางสู่เป้าหมายใด ๆ เกี่ยวข้องกับผลกระทบที่ไม่สามารถย้อนกลับได้ – เมื่อกล่องถูกย้ายไปแล้ว เอเย่นต์และกล่องจะไม่สามารถกลับไปที่ตำแหน่งเริ่มต้นได้ ดังนั้นตัวแทนจึงได้รับโทษสูงสุดสำหรับทั้งสองเส้นทาง และไม่มีแรงจูงใจให้ปฏิบัติตามเส้นทางที่ปลอดภัย
ในกริดเวิลด์ที่สอง มีเหตุการณ์ที่ไม่สามารถย้อนกลับได้ซึ่งเกิดขึ้นโดยปริยาย เมื่อวัตถุไปถึงจุดสิ้นสุดของสายพานลำเลียง สภาพแวดล้อมนี้มีสองรูปแบบ:
วัตถุนั้นเป็นแจกัน และรางวัลที่ตัวแทนจะได้รับจากการถอดเข็มขัดออก (หน้าที่ของตัวแทนคือการช่วยเหลือแจกัน)
วัตถุนั้นเป็นจานซูชิในร้านซูชิสายพาน และตัวแทนไม่ได้รับรางวัลจากการถอดมันออกจากสายพาน (ไม่ควรให้เจ้าหน้าที่เข้าไปยุ่ง)
gridworld นี้ได้รับการออกแบบมาโดยเฉพาะเพื่อทดสอบสิ่งจูงใจที่ไม่ดีที่สามารถนำมาโดยการลงโทษผลข้างเคียง ดังนั้นตัวแทนที่ไม่มีการลงโทษผลข้างเคียงจะทำงานได้อย่างถูกต้อง เราพบว่าตัวแทนที่มีบทลงโทษการกระแทกต่ำประกอบพฤติกรรมการชดเชยเกินโดยการวางแจกันกลับบนสายพานหลังจากรวบรวมรางวัล ในขณะที่ตัวแทนที่มีบทลงโทษการคงไว้ซึ่งย้อนกลับได้จะนำจานซูชิออกจากสายพานแม้จะไม่ได้รางวัลสำหรับการทำเช่นนั้น เอเจนต์ที่มีการปรับความสามารถในการเข้าถึงแบบสัมพัทธ์จะทำงานอย่างถูกต้องในสภาพแวดล้อมทั้งสองแบบ
แน่นอน คำจำกัดความของความสามารถในการเข้าถึงแบบสัมพัทธ์ในรูปแบบปัจจุบันนั้นไม่สามารถเข้าใจได้ง่ายในสภาพแวดล้อมที่เหมือนจริง: มีสถานะที่เป็นไปได้มากเกินไปที่จะนำมาพิจารณา เอเจนต์ไม่ได้ตระหนักถึงสถานะทั้งหมดเมื่อเริ่มการฝึก และผลลัพธ์เริ่มต้นอาจเป็นเรื่องยาก เพื่อกำหนดและจำลอง เราคาดหวังว่าคำจำกัดความสามารถประมาณได้โดยพิจารณาถึงความสามารถในการเข้าถึงของรัฐตัวแทน (คล้ายกับวิธีการ ประมาณการเสริมอำนาจ ) เพื่อกำหนดผลลัพธ์เริ่มต้น เราจำเป็นต้องมีแนวคิดที่แม่นยำยิ่งขึ้นเกี่ยวกับตัวแทน “ไม่ทำอะไรเลย” (เช่น การกระทำ “ไม่ดำเนินการ” อาจไม่พร้อมใช้งานหรือมีความหมายเสมอไป) เราปล่อยให้การใช้งานจริงของความสามารถในการเข้าถึงสัมพัทธ์กับงานในอนาคต
แม้ว่าความสามารถในการเข้าถึงแบบสัมพัทธ์จะดีขึ้นในแนวทางที่มีอยู่ แต่อาจไม่รวมข้อควรพิจารณาทั้งหมดที่เราต้องการให้เป็นส่วนหนึ่งของมาตรการด้านผลข้างเคียง มีผลกระทบบางอย่างต่อสภาพแวดล้อมของตัวแทนที่เราอาจสนใจ แม้ว่าจะไม่ลดตัวเลือกในอนาคตเมื่อเทียบกับผลลัพธ์เริ่มต้น อาจเป็นไปได้ที่จะรวมความสามารถในการเข้าถึงแบบสัมพัทธ์กับข้อพิจารณาดังกล่าว แต่อาจมีการแลกเปลี่ยนระหว่างการคำนึงถึงการพิจารณาเหล่านี้และการหลีกเลี่ยงพฤติกรรมการชดเชยมากเกินไป เราปล่อยให้การสืบสวนเหล่านี้ทำงานในอนาคตเช่นกัน
ในช่วงทศวรรษที่ผ่านมา องค์กรต่างๆ ในอุตสาหกรรมต่างๆ ต่างมองหาการควบคุมดูแลระบบไอทีขององค์กรที่พวกเขาใช้และวิธีการจ่ายเงินมากขึ้น และผู้ให้บริการด้านเทคโนโลยีก็ตอบสนองด้วยการเปลี่ยนไปใช้โมเดลที่อิงบริการเพื่อจัดหาผลิตภัณฑ์ ความสามารถ และเครื่องมือ เพื่อสำรวจว่าบริษัทสร้างมูลค่าได้อย่างไรด้วยการนำไอทีระดับองค์กรมาใช้เป็นบริการ รวมถึงแรงจูงใจ ผลลัพธ์ และความท้าทาย Deloitte ได้ทำการศึกษา XaaSใหม่โดยสำรวจ 600 ฝ่ายไอทีและผู้เชี่ยวชาญในสายธุรกิจที่รับผิดชอบด้านไอทีที่ให้บริการในวงกว้าง องค์กรของสหรัฐอเมริกา
องค์กรต่างๆ ได้นำโมเดล XaaS มาใช้ การเปลี่ยนจาก IT แบบ nonservice ไปเป็น XaaS ยังคงเปลี่ยนแปลงภูมิทัศน์ด้าน IT ขององค์กร และไม่มีสัญญาณของการชะลอตัว สามในสี่ของผู้ตอบแบบสำรวจของเรารายงานว่าองค์กรของพวกเขาแล้ววิ่งมากกว่าครึ่งหนึ่งขององค์กรไอที as-a-Service และเจ็ดใน 10 กำลังวางแผนที่จะเพิ่มการลงทุนของพวกเขา XaaS ในช่วงการระบาดใหญ่ที่ก่อกวนนี้ หลายองค์กรรู้สึกว่ามีความเร่งด่วนในการปรับตัวและคล่องตัวมากขึ้น วิกฤตดังกล่าวได้ช่วยพิสูจน์คุณค่าของ XaaS และผู้บริหารรายงานว่าได้เร่งย้ายออกจากไอทีแบบเดิม

สล็อตออนไลน์

นอกเหนือจากการใช้ XaaS เพื่อเพิ่มประสิทธิภาพแล้ว ผู้ใช้ยังใช้ประโยชน์จากไอทีที่อิงบริการเพื่อเข้าถึงฟีเจอร์และเทคโนโลยีล้ำสมัยและส่งเสริมนวัตกรรม ซึ่งรวมถึงการสร้างกระบวนการ ผลิตภัณฑ์ และโมเดลธุรกิจใหม่ หกในสิบกล่าวว่า XaaS ทำให้พวกเขาได้เปรียบในการแข่งขัน โดยหนึ่งในสี่รายงาน “ผู้นำที่สำคัญ” แต่ด้วย XaaS ที่แพร่หลายอย่างรวดเร็ว ผู้ใช้งานอาจต้องทำงานหนักขึ้นเพื่อสร้างความแตกต่างในอนาคต
สัญญาณหนึ่งของการยกระดับ: ผู้ตอบแบบสอบถามมากกว่า 8 ใน 10 ของเรากล่าวว่าบริษัทของพวกเขาใช้ซอฟต์แวร์ในฐานะบริการ โครงสร้างพื้นฐานในฐานะบริการ และ/หรือแพลตฟอร์มในฐานะบริการอยู่แล้ว และเกือบ ทุกคนวางแผนที่จะรับเลี้ยงบุตรบุญธรรมภายในสองปีข้างหน้า อย่างไรก็ตาม การวิเคราะห์ของเราเปิดเผยว่าองค์กรต่างๆ ที่ขยายการใช้ XaaS เพื่อรวมเทคโนโลยีขั้นสูงหรือที่เกิดขึ้นใหม่เป็นบริการอาจสามารถก้าวไปข้างหน้าได้ ผู้ที่ใช้ประโยชน์จาก AI ที่ใช้บริการ, เทคโนโลยี IoT, Virtual/augmented Reality หรือ Edge Computing มีแนวโน้มที่จะกล่าวว่า XaaS ได้ช่วยให้พวกเขา “เป็นผู้นำที่สำคัญ”
AI-as-a-Service และ IOT-as-a-Service เป็นตัวแทนของตลาดอย่างมีนัยสำคัญและการเจริญเติบโต ในขณะที่ขอบอัจฉริยะคอมพิวเตอร์รวมฮาร์ดแวร์, การเชื่อมต่อและ AI ในการประมวลผลข้อมูลใกล้ชิดเพื่อที่จะเก็บรวบรวมเป็นที่ค่อนข้างใหม่เพื่อ XaaS แต่ ได้รับความสำคัญอย่างรวดเร็ว ตัวอย่างเช่น ในการตั้งค่าโรงพยาบาล บริการ Edge สามารถทำงานบนเซิร์ฟเวอร์ใกล้กับอุปกรณ์ทางการแพทย์ที่สร้างกระแสข้อมูลผู้ป่วย เช่น การรวมข้อมูล การใช้การวิเคราะห์ AI และการนำเสนอภาพขั้นสูง เพื่อสนับสนุนการตัดสินใจทางคลินิกอย่างรวดเร็ว ในเมือง บริการสามารถทำงานที่ขอบ (เช่น ในตัวควบคุมระดับถนน) ใช้การเรียนรู้ของเครื่องเพื่อวิเคราะห์การจราจรและจัดการสัญญาณไฟจราจรและการไหลแบบเรียลไทม์
นัยสำหรับผู้บริหาร TMT
[NPC4]เพื่อสร้างและรักษาความได้เปรียบในการแข่งขันผ่านการใช้ XaaS ให้พิจารณาสิ่งต่อไปนี้:
กำหนดกลยุทธ์และแผนงาน บริษัทของคุณมี IT . ตัวแรกของ XaaS อยู่แล้วหรือไม่ กลยุทธ์และแผนงานในการย้ายไปสู่ ​​IT แบบบริการ จากไอทีแบบเดิมๆ? คุณได้กำหนดความรับผิดชอบของผู้บริหารไว้อย่างชัดเจนสำหรับการนำ XaaS ไปใช้หรือไม่?
ไต่ขึ้น. ธุรกิจของคุณมีส่วนใดบ้างที่ XaaS ใช้งานน้อยเกินไป? ตรวจสอบว่าองค์กรของคุณปรับใช้ XaaS ที่ไหนและอย่างไร และมีหน่วยธุรกิจหรือแผนกใดบ้างที่สามารถใช้โมเดลตามบริการได้อย่างมีประสิทธิภาพมากขึ้น
เพิ่มนวัตกรรม คิดให้ไกลกว่าการใช้ XaaS เพื่อปรับปรุงประสิทธิภาพ และลองจินตนาการว่าสามารถปรับปรุงนวัตกรรมได้อย่างไร ตัวอย่างเช่น โดยให้การเข้าถึงเทคโนโลยีขั้นสูงหรือที่เกิดขึ้นใหม่ในฐานะบริการ พิจารณาว่าการเข้าถึงเทคโนโลยีใหม่เป็นบริการสามารถช่วยกระตุ้นการทดลองและการพัฒนากระบวนการ ผลิตภัณฑ์/บริการ หรือแม้แต่รูปแบบธุรกิจใหม่ ช่วยเพิ่มความได้เปรียบในการแข่งขันของคุณได้อย่างไร
แน่นอนว่าการใช้ความสามารถขั้นสูงเป็นบริการเป็นเพียงส่วนประกอบเดียว—แม้ว่าจะเป็นส่วนสำคัญ—ในการสร้างและรักษาความได้เปรียบในการแข่งขันด้วย XaaS เรากำลังพิจารณาแนวทางปฏิบัติที่ดีที่สุดอย่างต่อเนื่องซึ่งอาจช่วยให้ผู้ใช้ XaaS สร้างและรักษาความได้เปรียบในการแข่งขัน และเราวางแผนที่จะอธิบายรายละเอียดเพิ่มเติมในการเผยแพร่ในอนาคต
เทคโนโลยี AI และ IoT กำลังสร้างข้อมูลมากขึ้นเรื่อยๆ แต่ข้อมูลนั้นไม่ได้มีความหมายมากนักหากองค์กรไม่สามารถใช้งานได้อย่างมีประสิทธิภาพ—เหตุผลหนึ่งที่อุตสาหกรรมเทคโนโลยีได้แสวงหาพนักงานที่มีทักษะในการวิเคราะห์เพิ่มมากขึ้น ในปี 2020 จำนวนงานที่บริษัทเทคโนโลยีโพสต์สำหรับทักษะการวิเคราะห์ ซึ่งรวมถึงการเรียนรู้ของเครื่อง (ML) วิทยาศาสตร์ข้อมูล วิศวกรรมข้อมูล และการแสดงภาพ เป็นครั้งที่ 2 ในรอบ 4 ปี แซงหน้าทักษะดั้งเดิม เช่น วิศวกรรม การสนับสนุนลูกค้า การตลาดและประชาสัมพันธ์ และการบริหาร
แนวโน้มที่โดดเด่นที่สุดอีกประการหนึ่งในช่วงแปดปีที่ผ่านมา: การลดลงของความสำคัญของทักษะด้านวิศวกรรมหลัก ในขณะที่วิศวกรรมยังคงเป็นสินทรัพย์ที่สำคัญ การเพิ่มขึ้นของบริการคลาวด์และ XaaS ได้ส่งผลกระทบต่อบทบาทของคอมพิวเตอร์และฮาร์ดแวร์ เช่น ผู้ดูแลระบบเซิร์ฟเวอร์ ช่างเทคนิคสนับสนุนฮาร์ดแวร์คอมพิวเตอร์ และผู้เชี่ยวชาญที่ทำงานด้านฮาร์ดแวร์ของเราเตอร์และการจัดการพื้นที่เก็บข้อมูล การระบาดใหญ่ของ COVID-19 ส่งผลกระทบต่อบทบาทวิศวกรรมการออกแบบไฟฟ้าและฮาร์ดแวร์หนักกว่าคนอื่น ๆ ในอุตสาหกรรมเทคโนโลยี ในทางตรงกันข้าม แม้ว่าการแพร่ระบาดจะทำให้สภาพธุรกิจแย่ลงในฤดูใบไม้ผลิปี 2020 ตำแหน่งงานว่างของสาขาวิชาเทคโนโลยีสำหรับนักวิเคราะห์ข้อมูล วิศวกรข้อมูล และสถาปนิกข้อมูลยังคงมีแนวโน้มสูง
บริษัทเทคโนโลยีอยู่แถวหน้าในการดึงดูดผู้เชี่ยวชาญที่มีทักษะการวิเคราะห์ขั้นสูงมาเป็นเวลานาน ปี และตั้งแต่ปี 2014 บริษัทจัดหางานด้านเทคโนโลยีได้กำหนดเป้าหมายเฉพาะมืออาชีพที่มีทักษะทางคณิตศาสตร์และสถิติ โดยมองหาการควบคุมความสามารถในการศึกษา และวิเคราะห์ข้อมูลเพื่อช่วยแก้ปัญหาในธุรกิจจริง ปัญหา. การแข่งขันกับ AI ได้เร่งให้เกิดวิกฤติ เนื่องจากบริษัทชั้นนำใน Silicon Valley ได้เพิ่มจำนวนพนักงานในเชิงรุก โดยมุ่งเน้นที่ทักษะการวิเคราะห์ขั้นสูง เช่น ML, การประมวลผลภาษาธรรมชาติ, วิศวกรรมข้อมูล และการแสดงข้อมูล และการประมวลผลภาพ ความต้องการนักวิทยาศาสตร์ข้อมูลและผู้เชี่ยวชาญด้าน ML และ AI เริ่มเพิ่มขึ้นในปี 2016
[NPC5]บริษัทเทคโนโลยียังคงเพิ่มความสามารถนักวิทยาศาสตร์ข้อมูล และนักวิเคราะห์ข้อมูลอย่างต่อเนื่อง อย่างไรก็ตาม เนื่องจากธุรกิจต่างๆ ในอุตสาหกรรมต่างแย่งชิงความสามารถด้าน AI และเพิ่มการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลของตนเอง ความต้องการผู้เชี่ยวชาญด้านการวิเคราะห์ข้อมูลจึงมีแนวโน้มที่จะแซงหน้าผู้ที่มีความสามารถที่มีอยู่ไประยะหนึ่ง
บริษัทด้านเทคโนโลยีสามารถสำรวจภูมิทัศน์ที่มีความสามารถที่ซับซ้อนนี้ได้ด้วยกลวิธีผสมผสาน เช่น การใช้แนวทางอย่างรอบคอบในการสรรหาบุคลากรที่มีความสามารถด้านการวิเคราะห์ใหม่ๆ ดึงศักยภาพของพนักงานที่มีอยู่ และส่งเสริมความร่วมมือเชิงกลยุทธ์