Искусственный интеллект (AI) и машинное обучение (ML) - новые привлекательные технические термины, которые быстро становятся синонимами инноваций. Эксперты из всех отраслей называют это будущее технологий, истинным разрушителем.

Это много шума и ажиотажа заставляет каждого руководителя стремиться вскочить на волне инноваций в области искусственного интеллекта и оседлать ее как можно быстрее. Проблема в том, что они ничего не знают о «серфинге»! ;-)

ИИ - это не технология, которую вы просто подключаете к своей компании и ожидаете, что она волшебным образом подтолкнет вас к конкурентам. Это требует большого количества данных, времени для экспериментов и организационной культуры, которая учитывает неудачи.

Так ты можешь просто проснуться завтра, пойти в офис и сказать: «С сегодняшнего дня мы будем использовать ИИ!»? Ответ - НЕТ, и вот почему.

Успешное внедрение ИИ в организации основывается на следующих трех столпах. Без одного из них ваши усилия не увенчаются успехом.

  1. Знания / данные
  2. Опыт / Талант
  3. Культура / эксперименты

Знания / данные

Основа каждой системы искусственного интеллекта - данные. Без этого ИИ не может учиться. Количество, качество и актуальность ваших данных сильно повлияют на производительность ваших систем искусственного интеллекта.

Несмотря на то, что идея сбора и использования данных для принятия бизнес-решений была горячей темой более десяти лет, многие компании сегодня все еще не понимают, как их использовать. Они просто сосредотачиваются на сборе как можно большего количества данных и позиционируют себя как компании, работающие с большими данными.

Дэн Ариэли, исследователь и экономист, сказал знаменитую фразу:

«Большие данные похожи на секс подростков: все говорят об этом, никто толком не знает, как это делать, но все думают, что это делают все остальные, поэтому они утверждают, что тоже делают это…»

Хорошо, если у вас есть данные, но доступны ли они централизованно и через API? Вы знаете, почему это было собрано? Это полный набор или подмножество, которое было обработано и отфильтровано?

Для точной работы модели машинного обучения требуются данные, не содержащие ошибок захвата, ошибок определения, ошибок обработки, ошибок покрытия и выборки. Недостаточно иметь данные, это должны быть правильные данные, собранные специально для решения вашей бизнес-цели.

Итак, что вам нужно сделать, чтобы подготовить данные к революции в области искусственного интеллекта?

Начните с бизнес-цели. ИИ лучше всего использовать для автоматизации повторяющихся и отнимающих много времени процессов. Ваш бизнес работает поверх множества процессов. Некоторые из них работают параллельно, другие - последовательно. Найдите процесс, который прост по объему, но достаточно важен, чтобы сильно повлиять на эффективность вашего бизнеса. Затем выясните, какие данные у вас уже есть об этом процессе, проверьте, есть ли документация, описывающая, почему эти данные были собраны, и являются ли они полным представлением процесса или отфильтрованным подмножеством. Чем больше времени вы потратите на качество своих данных, тем лучше будут ваши модели машинного обучения.

Помните, что нет ничего постоянного, ваш бизнес меняется и адаптируется к условиям рынка и потребностям ваших клиентов. Ваши модели машинного обучения должны будут адаптироваться к этим изменениям. Важно, чтобы ваши данные всегда были доступны и актуальны. Если ваши данные представляют собой статическое представление прошлого, которое просто хранится в старой базе данных, ваши модели машинного обучения немедленно устареют и будут предсказывать прошлое, которое вы уже знаете. Чтобы избежать этой проблемы, убедитесь, что вы вкладываете средства в создание централизованной инфраструктуры данных и технологий, которая обеспечит вам легкий доступ к представлению результатов вашего бизнеса в реальном времени.

Опыт / Талант

Хотя исследование ИИ началось в 1950-х годах с концепции Тьюринга Алана Машина Тьюринга, индустрия ИИ еще не дала много экспертов в этой области.

В недавнем Глобальном отчете о талантах в области искусственного интеллекта за 2019 год Дж. Ф. Ганье, генеральный директор и основатель компании Element AI в Монреале, Канада, сообщает, что по состоянию на 2018 год в области машинного обучения работает всего около 22 400 квалифицированных исследователей, что на 19 человек больше. % с 2017 года и примерно 36 500 человек, которые имеют квалификацию специалистов по ИИ в LinkedIn.

Согласно анализу Reuters рынка соискателей ИИ, спрос на таланты ИИ вырос вдвое за последние 2 года.

«Доля объявлений о вакансиях, связанных с ИИ, от общего числа объявлений о вакансиях в компании Indeed за последние два года почти удвоилась»

Большая часть существующих талантов в области ИИ поглощается гигантскими технологическими компаниями, такими как Google, Microsoft, Amazon или IBM, и темпы роста новых талантов остаются небольшими. Однако это может измениться, поскольку те же компании создают новые инструменты искусственного интеллекта самообслуживания, такие как TensorFlow от Google, AI Platform от Microsoft или Watson Studio от IBM, и сотрудничают с университетами и поставщиками онлайн-проклятий, такими как Udemy и Coursera. для обучения будущих сотрудников AI. Буквально в этом месяце (май 2019 г.) Microsoft объявила о партнерстве с такими компаниями, как General Assembly, с целью повышения квалификации и переподготовки 15 000 сотрудников в области ИИ к 2022 году.

Если вы не являетесь одним из тех экспертов по искусственному интеллекту, скорее всего, на сегодняшний день ваша компания не имеет опыта в области машинного обучения.

На поиск и привлечение дефицитных талантов потребуется время, и это еще одна причина, по которой вы не можете сразу же приступить к реализации стратегии искусственного интеллекта в своей компании. Используйте эти знания как возможность обучить своих нынешних сотрудников и обратиться в консалтинговые компании по ИИ, такие как Stradigi AI или ElementAI, чтобы помочь вам разработать план внедрения ИИ.

Культура / эксперименты

Обилия данных и таланта машинного обучения будет недостаточно для успешной реализации стратегии искусственного интеллекта, если культура вашей компании не поддерживает экспериментирование и принятие решений на основе данных.

К сожалению, реальность такова, что руководители предприятий чаще всего принимают решения на основе интуиции, полагаясь исключительно на свою интуицию и игнорируя все доступные сигналы данных просто потому, что они не поддерживают свое видение. Если направление вашей компании определяется интуицией и HIPPO (Мнение самого высокооплачиваемого лица), ваши усилия по ИИ обречены на провал.

В культуре экспериментов решения принимаются после проверки гипотезы. Это культура, которая приветствует неудачи и вознаграждает тех, кто не боится попыток. Джефф Безос, генеральный директор Amazon, прекрасно описывает свою философию неудач в заявлении для владельцев акций:

«Одна область, в которой, на мой взгляд, мы особенно выделяемся, - это неудачи. Я считаю, что мы - лучшее место в мире для неудач (у нас много практики!), А неудачи и изобретения - неразделимые победы. Чтобы изобрести, нужно экспериментировать, и если вы заранее знаете, что это сработает, это не эксперимент. Большинство крупных организаций принимают идею изобретения, но не желают терпеть череду неудачных экспериментов, необходимых для достижения цели ... »

Если культура вашей компании не предполагает обучения путем экспериментов, а A / B-тестирование не является неотъемлемой частью ключевых показателей эффективности ваших менеджеров, внедрение ИИ будет долгим и трудным.

Вы столкнетесь с проблемами не только на нижнем уровне вашей организации. Публичные компании борются с всеобъемлющим контролем совета директоров, который заставляет руководителей предоставлять квартальные результаты. Желание достичь этих целей побуждает руководителей строить стратегию компании на краткосрочных инициативах, которые приносят немедленный доход. С другой стороны, ИИ трудно предсказать, и ему нужна постоянная оптимизация, прежде чем он сможет показать свои положительные результаты. Если у вас нет поддержки со стороны совета директоров и гарантированного бюджета на НИОКР, ИИ быстро потеряет финансирование и принесет более краткосрочные краткосрочные выгоды.

Одного одобрения со стороны совета директоров и исполнительной власти будет недостаточно. Ваши усилия в области ИИ могут легко саботироваться вашими передовыми сотрудниками, опасающимися, что ИИ и автоматизация сделают их работу устаревшей, и менеджмент среднего звена, опасающийся, что они потеряют свои бонусы, если не выполнят свои текущие ключевые показатели эффективности.

Стратегия ИИ не заканчивается на воплощении. Ваши новые инструменты прямо или косвенно повлияют на всю вашу организацию. Вам нужно выбрать сторонников искусственного интеллекта в своем бизнесе, которые устранят опасения ваших сотрудников и помогут им перейти в новую реальность, ориентированную на принятие решений, а не на повторяющиеся трудоемкие процессы.

Заключение

Реальность такова, что сегодня лишь небольшой процент компаний готовы внедрять ИИ в своей организации. Прежде чем решиться на собственную реализацию, рассмотрите следующие вопросы:

  • Вы определили ручной процесс, который прост по объему, но дает значительные преимущества при автоматизации?
  • Есть ли у вас API-доступ к данным, относящимся к этому процессу?
  • У вас есть документация, объясняющая, как собираются ваши данные?
  • Есть ли у вас участие в совете директоров и гарантированное финансирование исследований и разработок в области искусственного интеллекта?
  • Поддерживает ли ваша корпоративная культура экспериментирование и принятие решений на основе данных?

Если вы ответили «нет» на любой из вышеперечисленных вопросов, убедитесь, что вы ответили на них, прежде чем приступать к реализации ИИ, иначе у вас меньше шансов на успех.

Чтобы узнать больше по этой теме, я рекомендую вам прочитать Прикладной искусственный интеллект: руководство для бизнес-лидеров от Марии Яо, Аделин Чжоу и Марлен Цзя, а также The Innovator's Дилемма: когда новые технологии приводят к краху великих фирм Клейтон М. Кристенсен.