Широкий спектр возможностей машинного обучения (МО) и искусственного интеллекта (ИИ) для решения сложных бизнес-задач делает их все более важной частью будущего успешного бизнеса. Последнее исследование внедрения ИИ на предприятиях, проведенное O’Reilly в 2020 году, показывает, что 85% предприятий оценивают ИИ или уже используют его базовую форму в производстве. Однако лишь в небольшом количестве ИИ встроен более чем в одно бизнес-подразделение или функцию. Хотя внедрение ИИ набирает обороты, оно все еще находится на ранней стадии, и многие предприятия борются с внедрением. Если вы прочитаете отчет за последние несколько лет, вы поймете, что основные барьеры остаются более или менее теми же, с некоторым сдвигом в рейтинге. От отсутствия стратегического видения и согласования потребностей до распознавания и установления вариантов использования и общеизвестной нехватки навыков на рынке — большинство предприятий сталкиваются с одними и теми же проблемами (с разной степенью серьезности), но склонны решать их. по-разному и с переменным успехом.

Как организациям следует подойти к устранению этих узких мест и увеличить внедрение ИИ до его истинного потенциала и ценности? Этот блог — попытка обобщить основные действия, которые бизнес-лидеры и лидеры технологий должны учитывать при подходе к инициативам в области ИИ.

Независимо от типа предприятия узкие места в большинстве случаев можно отнести к 3 основным категориям:

Стратегия

Лидеры бизнеса и технологий должны использовать более научный подход для устранения двух самых узких мест: 1: признание необходимости в ИИ и 2: трудности с определением вариантов использования.

1. Обзор, анализ и определение приоритетов вариантов использования. Профессор Rotman School of Management Аджай Агравал имеет прекрасную точку зрения на этот вопрос. Он предлагает, чтобы один из подходов к признанию потребности в ИИ и установлению вариантов использования состоял в том, чтобы проанализировать организационные рабочие процессы и разбить их на задачи. Проанализируйте задачи, которые имеют значительный компонент предсказания и выиграют от машины предсказания. Затем определите окупаемость инвестиций в создание прогностической машины для выполнения каждой задачи и ранжируйте эти задачи сверху вниз. Попробуйте сопоставить их по шкале увеличения эффективности с одной стороны (с разумной точностью предсказания) до полного преобразования с другой стороны (с воображаемой идеальной точностью предсказания). Расставьте приоритеты задач и примите точку зрения на то, как быстро вы хотите достичь точки трансформации, чтобы вы могли определить необходимые инвестиции и сосредоточиться.

2. Определите четкие цели на уровне варианта использования. McKinsey предлагает: «Организации, которые получат наибольшую пользу от ИИ, смогут наиболее четко и точно определить свои цели». Четкие цели не только помогут понять трансформационный потенциал, но также помогут определить данные и требования к обучению. Из-за методов, используемых для обучения технологии ИИ, ее эффективность напрямую связана с четкостью постановки цели.

3. Управление данными не может быть второстепенным. Недостаток данных или проблемы с качеством данных часто называют основными препятствиями для внедрения. Хорошая новость заключается в том, что важность качества данных широко известна. Плохая новость заключается в том, что организации недостаточно делают для обеспечения этого качества. Причина в том, что он попадает в утомительную категорию управления. Плохое качество данных больше касается людей и процессов, чем платформы, поскольку в первую очередь это вызвано неорганизованными хранилищами данных и отсутствием метаданных. Чтобы избежать проблем с внедрением в будущем и обеспечить желаемый результат, с этим зверем необходимо бороться, гарантируя, что он станет ключевым направлением любой инициативы ML или AI. Возможно, даже изучить ИИ для решения некоторых проблем с качеством данных.

Платформа

Достижение ценности с помощью машинного обучения и искусственного интеллекта может показаться дорогостоящим путешествием для компаний. Проблемы усугубляются для крупных предприятий или холдингов, поскольку несколько команд в их компаниях стремятся внедрить ИИ и МО, но в большинстве случаев:

· Различные команды/бренды/компании в организации используют разные методы для подхода к этим инициативам.

· Те, кто экспериментирует, делают это с большим удовольствием: приобретают инфраструктуру, создают коннекторы данных и конвейеры и развертывают вручную.

Слишком много энергии тратится на действия, которые не приносят ценности, что еще больше усугубляет барьеры принятия.

1. Внедрение шаблона «как услуга»: машинное обучение (единственная форма ИИ, обсуждаемая в этом документе) в своей самой базовой форме состоит из консолидации, понимания и анализа доступных данных и определения вариантов использования или гипотезы о том, где модель машинного обучения может повысить ценность бизнеса. Данные собираются, унифицируются, очищаются и затем сохраняются для анализа и обучения новых моделей. Рабочая область машинного обучения используется для экспериментов, создания и обучения моделей. После достижения желаемых результатов модели становятся доступными путем их публикации в виде веб-службы. Эта модель подходит для различных вариантов использования, поддерживая различные наборы источников данных. Активация может выполняться по-разному для разных команд, тем самым отдавая должное шаблону «как услуга» и уменьшая количество проблем с внедрением.

2. Используйте возможности облачной платформы и избегайте изобретения велосипеда. Все ведущие поставщики облачных услуг предлагают отличные решения для реализации истинного потенциала шаблона ИИ «как услуга». Ниже приведено примерное представление о том, как это можно изучить у ведущих поставщиков облачных услуг:

3. Стремитесь к рабочему пространству «без кода». Рабочие пространства моделей машинного обучения без кода — это управляемые платформы, которые позволяют пользователям перетаскивать свои конвейеры данных и модели для тестирования. Рекомендации по производству и масштабированию моделей за пределами одного домена помогают пользователям из разных команд, где могут отсутствовать определенные навыки, тем самым еще больше снижая барьеры для внедрения.

Талант

В то время как развертывание «как услуга» и внедрение ИИ значительно решают проблемы с кадрами, предстоит еще много работы, особенно с учетом того, что наука о данных и инженерия данных могут легко занять первое место в списках пробелов в навыках в большинстве организаций.

1. Относитесь к «индивидуальному» как к исключению: инструменты и технологии обработки данных сильно изменились за последние пять лет. Сегодня существует множество готовых вариантов, которых раньше не существовало. Итак, изучите, прежде чем решите построить его самостоятельно.

2. Проявляйте избирательность в работе, которую должны выполнять специалисты по данным и инженеры по данным. В наши дни вам не нужны инженеры данных для построения конвейеров, если вы выберете правильные автоматизированные платформы и решения. Вместо этого используйте специалистов по датам для оптимизации базовой инфраструктуры данных или создания инструментов, когда нет готовых возможностей. Точно так же используйте специалистов по данным для статистики, вероятности, математики и алгоритмов, но не для кодирования, если только это не быстрый прототип.

3. Повышение квалификации для устранения пробелов для инженеров данных. Навыки инженерии данных можно освоить относительно легко (по крайней мере, по сравнению с навыками работы с данными), и организациям следует вкладывать средства в устранение этого пробела внутри компании.

Сводка

Я рекомендую лидерам бизнеса и технологий рассмотреть следующую хартию 3x3 в качестве справочного плана для масштабирования и реализации истинного потенциала своих инициатив в области ИИ:

Автор: Дипак Арора, вице-президент по технологиям