Gartner Identifies Top Trends Shaping the Future of Data Science and Machine Learning

Gartner, Inc. today highlighted the top trends impacting the future of data science and machine learning (DSML) as the industry rapidly grows and evolves to meet the increasing significance of data in artificial intelligence (AI), particularly as the focus shifts towards generative AI investments.

Peter Krensky, Director Analyst at Gartner said: “As machine learning adoption continues to grow rapidly across industries, DSML is evolving from just focusing on predictive models, toward a more democratized, dynamic and data-centric discipline. This is now also fueled by the fervor around generative AI. While potential risks are emerging, so too are the many new capabilities and use cases for data scientists and their organizations.”

According to Gartner, the top trends shaping the future of DSML include:

Trend 1: Cloud Data Ecosystems

Data ecosystems are moving from self-contained software or blended deployments to full cloud-native solutions. By 2024, Gartner expects 50% of new system deployments in the cloud will be based on a cohesive cloud data ecosystem rather than on manually integrated point solutions.

Gartner recommends organizations evaluate data ecosystems based on their ability to resolve distributed data challenges, as well as to access and integrate with data sources outside of their immediate environment.

Trend 2: Edge AI

Demand for Edge AI is growing to enable the processing of data at the point of creation at the edge, helping organizations to gain real-time insights, detect new patterns and meet stringent data privacy requirements. Edge AI also helps organizations improve the development, orchestration, integration and deployment of AI.

Gartner predicts that more than 55% of all data analysis by deep neural networks will occur at the point of capture in an edge system by 2025, up from less than 10% in 2021. Organizations should identify the applications, AI training and inferencing required to move to edge environments near IoT endpoints.

Trend 3: Responsible AI

Responsible AI makes AI a positive force, rather than a threat to society and to itself. It covers many aspects of making the right business and ethical choices when adopting AI that organizations often address independently, such as business and societal value, risk, trust, transparency and accountability. Gartner predicts the concentration of pretrained AI models among 1% of AI vendors by 2025 will make responsible AI a societal concern.

Gartner recommends organizations adopt a risk-proportional approach to deliver AI value and take caution when applying solutions and models. Seek assurances from vendors to ensure they are managing their risk and compliance obligations, protecting organizations from potential financial loss, legal action and reputational damage.

Trend 4: Data-Centric AI

Data-centric AI represents a shift from a model and code-centric approach to being more data focused to build better AI systems. Solutions such as AI-specific data management, synthetic data and data labeling technologies, aim to solve many data challenges, including accessibility, volume, privacy, security, complexity and scope.

The use of generative AI to create synthetic data is one area that is rapidly growing, relieving the burden of obtaining real-world data so machine learning models can be trained effectively. By 2024, Gartner predicts 60% of data for AI will be synthetic to simulate reality, future scenarios and derisk AI, up from 1% in 2021.

Trend 5: Accelerated AI Investment

Investment in AI will continue to accelerate by organizations implementing solutions, as well as by industries looking to grow through AI technologies and AI-based businesses. By the end of 2026, Gartner predicts that more than $10 billion will have been invested in AI startups that rely on foundation models – large AI models trained on huge amounts of data.

A recent Gartner poll of more than 2,500 executive leaders found that 45% reported that recent hype around ChatGPT prompted them to increase AI investments. Seventy percent said their organization is in investigation and exploration mode with generative AI, while 19% are in pilot or production mode.

การ์ทเนอร์เผยแนวโน้มสำคัญที่ส่งผลต่ออนาคตของวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิ่ง (Data Science and Machine Learning หรือ DSML) ซึ่งเป็นผลมาจากวิวัฒนาการและการเติบโตของภาคอุตสาหกรรมอย่างรวดเร็ว เพื่อตอบสนองต่อการเพิ่มขึ้นอย่างมีนัยของข้อมูลในปัญญาประดิษฐ์ (AI) โดยเฉพาะอย่างยิ่งเมื่อธุรกิจโฟกัสการลงทุน Generative AI

ปีเตอร์ เครนสกี้ ผู้อำนวยการฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “แมชชีนเลิร์นนิ่งยังคงเติบโตอย่างรวดเร็วในภาคอุตสาหกรรมต่าง ๆ ขณะเดียวกัน DSML กำลังพัฒนาจากเดิมที่มุ่งเน้นโมเดลการคาดการณ์ (Predictive Models) ไปเป็นให้ทุกคนสามารถเข้าถึงได้ในวงกว้างขึ้น ไดนามิก และเน้นข้อมูลเป็นหลัก รวมถึงได้รับแรงหนุนจาก Generative AI แม้อาจมีความเสี่ยงเกิดขึ้น แต่ก็มีความสามารถและช่วยสร้างยูสเคสการใช้งานใหม่ ๆ ที่เป็นประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลและองค์กรด้วยเช่นกัน”

การ์ทเนอร์รวบรวม 5 แนวโน้มสำคัญที่จะเป็นตัวกำหนดอนาคตของ DSML ไว้ดังนี้:

เทรนด์ที่ 1: Cloud Data Ecosystems

Data Ecosystems (ระบบนิเวศข้อมูล) กำลังเปลี่ยนจาก self-contained ซอฟต์แวร์ หรือการปรับใช้ซอฟต์แวร์แบบผสมผสานไปสู่คลาวด์เนทีฟโซลูชันเต็มรูปแบบ การ์ทเนอร์คาดว่า ภายในปี 2567 50% ของการนำระบบคลาวด์ใหม่มาใช้จะอยู่ในระบบนิเวศข้อมูลคลาวด์ที่เชื่อมโยงกัน มากกว่าการใช้โซลูชันผสานรวมแบบแมนนวล

การ์ทเนอร์แนะนำให้องค์กรธุรกิจต่าง ๆ ประเมิน Data Ecosystems โดยพิจารณาจากความสามารถในการแก้ไขปัญหาด้านข้อมูลแบบกระจาย ตลอดจนการเข้าถึงและบูรณาการร่วมกับแหล่งข้อมูลภายนอกที่มีสภาพแวดล้อมใกล้เคียงกัน

เทรนด์ที่ 2: Edge AI

ความต้องการ Edge AI เพิ่มขึ้นเพื่อประมวลผลข้อมูล ณ จุดที่ข้อมูลถูกสร้างขึ้น ช่วยให้องค์กรได้รับข้อมูลเชิงลึกแบบเรียลไทม์ ช่วยตรวจจับแพทเทิร์นใหม่ ๆ และปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัวของข้อมูลที่เข้มงวด โดย Edge AI ยังช่วยให้องค์กรธุรกิจต่าง ๆ สามารถปรับปรุงในด้านการพัฒนา การจัดวางระเบียบ การผสานรวมและการนำ AI มาใช้

การ์ทเนอร์คาดการณ์ว่า ภายในปี 2568 มากกว่า 55% ของการวิเคราะห์ข้อมูลทั้งหมดโดยโครงข่ายประสาทเทียมเชิงลึก (Deep Neural Networks) จะเกิดขึ้น ณ ตำแหน่งข้อมูลในระบบ Edge จากเดิมที่น้อยกว่า 10% ในปี 2564 โดยองค์กรควรระบุแอปพลิเคชัน และจำเป็นต้องฝึกและคาดคะเน AI เพื่อย้ายไปยังสภาพแวดล้อม Edge ที่ใกล้กับ IoT

เทรนด์ที่ 3: Responsible AI

Responsible AI หรือ AI ที่มีความรับผิดชอบ ทำให้ AI กลายเป็นพลังบวกแทนที่จะเป็นภัยคุกคามต่อสังคมและตัวมันเอง โดยยังครอบคลุมหลายแง่มุมของการทำธุรกิจให้ถูกต้องและเป็นตัวเลือกทางจริยธรรมเมื่อองค์กรมีการนำ AI มาใช้อย่างอิสระ เช่น ธุรกิจและคุณค่าทางสังคม ความเสี่ยง ความไว้วางใจ ความโปร่งใส และความรับผิดชอบ การ์ทเนอร์คาดการณ์ว่า ภายในปี 2568 โมเดลการฝึก AI ล่วงหน้าที่ 1% ของผู้จำหน่าย AI จะทำให้ Responsible AI กลายเป็นประเด็นที่สังคมกังวล

การ์ทเนอร์แนะนำให้องค์กรต่าง ๆ ใช้แนวทางที่คำนึงถึงสัดส่วนความเสี่ยงเพื่อส่งมอบคุณค่า AI และระมัดระวังเมื่อใช้โซลูชันและแบบจำลองต่าง ๆ โดยขอการรับประกันจากผู้จำหน่ายเพื่อให้มั่นใจว่าพวกเขากำลังจัดการความเสี่ยงและปฏิบัติตามกฎระเบียบ ปกป้ององค์กรจากการสูญเสียทางการเงินที่อาจเกิดขึ้น รวมถึงการดำเนินคดีทางกฎหมาย และความเสียหายต่อชื่อเสียง

เทรนด์ที่ 4: Data-Centric AI

Data-Centric AI หรือ AI ที่เน้นข้อมูลเป็นศูนย์กลาง แสดงถึงการเปลี่ยนแปลงจากแนวทางที่ยึดโมเดลและโค้ดเป็นศูนย์กลางไปสู่การมุ่งเน้นด้านข้อมูลมากขึ้นเพื่อสร้างระบบ AI ที่ดีขึ้น โซลูชันต่าง ๆ อาทิ การจัดการข้อมูลเฉพาะของ AI (AI-Specific Data Management) ข้อมูลสังเคราะห์ (Synthetic Data) และเทคโนโลยีการติดฉลากข้อมูล (Data Labeling Technologies) มีจุดมุ่งหมายเพื่อแก้ปัญหาความท้าทายด้านข้อมูลมากมาย รวมถึงความสามารถในการเข้าถึง ปริมาณ ความเป็นส่วนตัว ความปลอดภัย ความซับซ้อน และขอบเขตการใช้งาน

การใช้ Generative AI เพื่อสร้างข้อมูลสังเคราะห์มีการเติบโตอย่างรวดเร็ว ช่วยลดภาระในการรับข้อมูลในโลกความเป็นจริง และยังสามารถช่วยฝึกฝนโมเดลการเรียนรู้ของเครื่อง (Machine Learning) ได้อย่างมีประสิทธิภาพ การ์ทเนอร์คาดการณ์ว่า ภายในปี 2567 60% ของข้อมูลสำหรับ AI จะถูกสังเคราะห์ขึ้นเพื่อจำลองความเป็นจริง สถานการณ์ในอนาคต และลดความเสี่ยงของ AI เพิ่มขึ้นจาก 1% ในปี 2564

เทรนด์ที่ 5: Accelerated AI Investment

การลงทุนใน AI จะยังเติบโตอย่างรวดเร็ว ผ่านองค์กรต่าง ๆ ที่นำโซลูชันไปใช้ รวมถึงอุตสาหกรรมที่ต้องการเติบโตผ่านเทคโนโลยี AI และธุรกิจที่ใช้ AI การ์ทเนอร์คาดการณ์ว่า ภายในสิ้นปี 2569 จะมีการลงทุนมากกว่า 10,000 ล้านดอลลาร์สหรัฐฯ สำหรับเริ่มต้นใช้ระบบ AI ที่อาศัยโมเดลพื้นฐาน ซึ่งเป็นโมเดล AI ขนาดใหญ่ที่ได้รับการฝึกฝนจากข้อมูลจำนวนมหาศาล

ผลสำรวจล่าสุดของการ์ทเนอร์จากผู้บริหารมากกว่า 2,500 ราย ยังพบว่า 45% เผยว่ากระแส ChatGPT ที่มาแรงกระตุ้นให้พวกเขาเพิ่มการลงทุนด้าน AI ขณะที่ 70% ระบุว่าองค์กรของพวกเขาอยู่ในโหมดการสำรวจและทดสอบการใช้ Generative AI และ 19% อยู่ในช่วงทดลองใช้หรือผลิตใช้

Gartner