ОПЕРАЦИОННАЯ МОДЕЛЬ НАУКИ О ДАННЫХ

Автор Том Марек, Para Sen

"Девять из 10 компаний не получают значительной финансовой отдачи от инвестиций в ИИ" [1]

За последние полвека было несколько циклов как оптимизма, так и неодобрения в отношении использования искусственного интеллекта. Те, кто инвестирует в эту инновационную технологию, часто отказываются от нее из-за отсутствия ощутимой отдачи от инвестиций (ROI). Последний цикл был основан на огромных достижениях в облачных технологиях и технологиях с открытым исходным кодом, а также на доступе к большим объемам данных. Однако даже при наличии правильных составляющих успеха необходимо тщательно продумать, как все они объединяются для достижения желаемых результатов. Мы синтезировали наши знания, полученные в результате нескольких мероприятий, в то, что мы называем Операционная модель науки о данных Slalom (DSOM).

В этой статье мы представляем наши мысли о том, что такое операционная модель науки о данных, почему она должна быть приоритетной, какую ценность вы можете извлечь из нее, а также о некоторых препятствиях, с которыми вы можете столкнуться на своем пути.

Что такое операционная модель?

По сути, операционная модель — это двигатель, который объединяет нужных людей, процессы и инструменты, чтобы помочь организации создавать бизнес-ценность масштабируемым, последовательным и ответственным образом. Это механизм, обеспечивающий систематический и надежный способ достижения основных целей бизнеса. Короче говоря, это «как» вести бизнес.

Операционная модель может применяться на уровне отдельной бизнес-единицы или всего предприятия в зависимости от необходимости и масштаба требований. Всегда рекомендуется более целостный, консолидированный подход, но если есть веские основания для увеличения или уменьшения масштаба операционной модели, его следует применять.

Зачем инвестировать в DSOM?

"87 % проектов по машинному обучению никогда не переходят из экспериментальной фазы в рабочую среду" [2]

Наиболее успешными технологическими инновациями являются те, которые могут использовать передовые инструменты для оказания выдающегося влияния на бизнес и людей. DSOM помогает стимулировать инновации, поддерживать доставку и масштабировать возможности, зависящие от бизнес-результатов.

Креативность, продуктивность и рентабельность инвестиций

По мере того, как компании продолжают открывать силу данных для своих идей, продуктов и бизнес-целей, потребность в операционной модели становится все более острой.

DSOM предоставляет компаниям правильную инфраструктуру и процессы для создания и внедрения продуктов для обработки и анализа данных, а также эффективных сценариев использования, уделяя особое внимание ценности для бизнеса и рентабельности инвестиций. Напротив, отсутствие надежной операционной модели означает, что организации часто имеют длинный поток великих идей и незавершенных проектов, которые никогда не достигают завершения.

Демократизация данных

Все чаще организации переходят к принципам демократизации данных, чтобы позволить своим сотрудникам использовать информацию и генерировать как идеи и действия в реальном времени, так и долгосрочную стратегию. Это требует надежной стратегии и платформы данных для обеспечения ответственного и эффективного использования информации. DSOM обеспечивает консолидированную основу, которая позволяет не только разрабатывать отличные продукты для обработки данных, но и обеспечивать грамотность данных, которая является основным элементом демократизации данных.

AI/ML в масштабе

Чтобы достичь стандартов зрелости, необходимых для ИИ (искусственного интеллекта) в масштабе, организации должны заранее инвестировать в правильные механизмы, позволяющие экспериментировать, разрабатывать и развертывать наборы продуктов и варианты использования. Чрезвычайно важно получить правильный набор навыков, инфраструктуру, процессы и рабочие ритмы.

DSOM актуален для организаций на каждом этапе спектра аналитической зрелости, от тех, которые делают нечастые, но регулярные набеги на расширенную аналитику, до гораздо более зрелых организаций, в которых есть много чемпионов по машинному обучению (ML), но все еще не хватает систематического подхода. выбора и выполнения правильных вариантов использования науки о данных.

DSOM поддерживает создание ценности для бизнеса следующими способами.

· Генерация идей для конвейера вариантов использования науки о данных

· Процессы управления людьми, данными, инструментами и измерением стоимости бизнеса

· Планирование портфеля и приоритизация высокоценных вариантов использования

· Измерение рентабельности инвестиций с самого начала и на протяжении всего жизненного цикла продукта как на уровне варианта использования, так и на уровне портфеля.

· Улучшение использования ресурсов и инфраструктуры, что ведет к повышению качества и отказоустойчивости продуктов и инструментов.

· Привлечение, развитие и удержание нужных талантов по мере того, как наборы навыков и команды используются в ценных и эффективных проектах.

· Оперативная поддержка для быстрого и эффективного развертывания (ИИ для всех/ML Ops)

Короче говоря, это поддерживает ваше желание правильно использовать науку о данных для получения максимальной ценности для бизнеса, повышая преимущества как для клиентов, так и для сотрудников.

Основные компоненты операционной модели обработки данных

Стратегия: согласование стратегии данных с бизнес-стратегией

Важно определить стратегию данных, которая работает не только сегодня, но и будет определять будущие изменения, необходимые в организационных функциональных структурах, ролях, процессах, политиках и показателях, которые будут реализованы. Этот путь потребует поддержки руководства и сосредоточения внимания на управлении организационными изменениями.

Организация и люди

Должны быть созданы правильные организационные и функциональные структуры, а также открытые каналы связи, чтобы команды могли хорошо работать вместе. Это позволяет первопроходцам воспользоваться ранними организационными инвестициями в операционную модель и способствует инновациям и сотрудничеству.

Кроме того, подумайте о многоуровневом процессе принятия решений, когда обсуждения и идеи могут происходить на нескольких уровнях в организации, от самых стратегических обсуждений руководителей до отдельных бизнес-подразделений или команд. Это можно сделать с помощью комбинации стратегических руководящих комитетов, центров поддержки (CoE), практических сообществ (CoP) и советов по управлению данными. Одним из важных результатов является то, что команды специалистов по обработке и анализу данных имеют все необходимое для успеха:

· Разблокировка «подходящих для цели» данных, позволяющих им сосредоточиться на основной работе с меньшими накладными расходами на «обработку данных».

· Улучшение сотрудничества для обеспечения более быстрого потока готовых продуктов, фактически запускаемых в эксплуатацию.

Процессы

В нашей структуре мы определили поэтапный процесс, позволяющий гибко принимать, развивать, доставлять и поддерживать сценарии использования и проекты с прогрессивным приоритетом. В сочетании с этим поэтапным гибким процессом мы применяем модель обнаружения и определения рентабельности инвестиций, которая поддерживает оптимальную оценку и возврат инвестиций и выгод.

Создание простых, но четких процессов, связанных с приемом вариантов использования и расстановкой приоритетов, позволяет командам наладить более тесные рабочие отношения и стать намного более продуктивными.

На этапе концепции варианты использования науки о данных быстро оцениваются руководящим комитетом. На этапе «Определение» происходит первоначальная расстановка приоритетов и масштабная разбивка работы, а подмножество вариантов использования получает дополнительные инвестиции. В Приоритете некоторые варианты использования финансируются, а другие могут быть приостановлены или полностью исключены. Инвестиции и ресурсы углубляются на этапе сборки, при этом вопросы качества, производительности и обслуживания становятся главными на последних этапах процесса. Весь процесс поддерживается прогрессивной оценкой ROI, которая прогнозирует ROI для будущего сравнения с фактическим ROI.

Показатели

Метрики следует использовать последовательно, чтобы помочь управлять операционной моделью. Некоторые ключевые показатели могут быть связаны с окупаемостью инвестиций, продолжительностью приостановленных проектов, перемещением вариантов использования по этапам, использованием человеческих и трудовых ресурсов и процентом проектов, завершенных за определенные периоды времени. Важным моментом является согласование набора метрик, которые показывают здоровье и креативность портфеля.

Инструменты и технологии

Все инструменты и технологии должны быть изучены и выбраны на основе ценности, которую они будут приносить. Разумное вложение ресурсов и средств — лучший способ обеспечить постоянный интерес и инвестиции. Здесь мы говорим не только о технологиях, лежащих в основе решений для обработки данных, но и о подходящих инструментах управления программами и портфелями, а также информационных панелях для выполнения и мониторинга текущей и предстоящей работы. Прозрачность и всесторонний надзор способствуют принятию обоснованных решений, более быстрой реализации и необходимой корректировке курса.

Например, приведенная ниже панель инструментов позволит вам отслеживать основные показатели, такие как общая стоимость, общий доход и коэффициент возврата. Панель инструментов также предоставляет информацию о командах, готовых перейти к модели зрелости поддержки (например, модель «Смотри, делай, учи или делай, партнер, поддержка»).

Когда лучше начать?

Если у вас есть более одного ценного аналитического варианта использования либо на этапе планирования, либо на этапе реализации, вы уже должны были начать рассматривать свою дорожную карту и свою способность реализовать ее. Что предлагает вам DSOM, так это масштабируемость и качество, и, как мы все знаем, это то, что вам нужно начать планировать на раннем этапе жизненного цикла разработки, чтобы все было правильно.

С другой стороны, если вы уже столкнулись с множеством вариантов использования науки о данных, DSOM может оказать преобразующее влияние на то, как вы создаете и развертываете ИИ в масштабе.

Короче говоря, хотя любой начинающей организации, работающей с данными, никогда не рано приступить к внедрению DSOM, на каждом этапе пути к аналитической зрелости еще предстоит повысить производительность.

Распространенные проблемы

Создание DSOM не обходится без препятствий, но их стоит преодолеть. Любые проблемы, с которыми вы столкнетесь при настройке операционной модели Data Science, — это проблемы, с которыми вы можете столкнуться во время своего путешествия по науке о данных. DSOM просто выявит эти проблемы более систематически и своевременно.

· Обоснование инвестиций — первоначальные инвестиции времени и усилий требуют соответствующего обоснования. Здесь вы можете начать применять принципы рентабельности инвестиций, чтобы продемонстрировать коммерческую ценность операций. Создайте свое смелое видение (Современная культура данных).

· Данные имеют ключевое значение — качество данных, лежащих в основе ваших инициатив в области обработки и анализа данных, будет играть роль, ограничивающую скорость вашего прогресса. Хорошая операционная модель поможет выявить, какие варианты использования страдают от недостатка качественных данных. Неадекватная стратегия данных будет одной из первых.

· Подбор нужных специалистов — многие организации сталкиваются с перспективой найма или обучения необходимым навыкам. Важным соображением является то, что ИИ работает лучше всего, когда извлекает выгоду из правильного сотрудничества представителей бизнеса, технологий и науки о данных.

Преимущество раннего выявления проблем заключается в том, что можно скорректировать приоритеты, чтобы двигаться вперед с быстрыми победами, создавая при этом долгосрочное представление для методичного и эффективного решения более сложных проблем.

Заключение

Вокруг ИИ и машинного обучения много преувеличений, которые часто отвлекают как от постановки, так и от достижения реальных, достижимых целей. Сильная операционная модель — это последовательный способ закрепить и стабилизировать существенные преимущества, которые можно извлечь из возможностей передовой науки о данных. Начните с рассмотрения основных компонентов, механизмов и процессов, которые обеспечивают ценность и инновации для вашего бизнеса, и убедитесь, что эти инновации подкреплены надежной окупаемостью инвестиций. У большинства наших партнеров и клиентов уже есть некоторые составляющие элементы операционной модели. Редко возникает необходимость начинать с нуля, а если и возникает, то существует множество способов эффективного продвижения вперед при наличии целеустремленного руководства, четкого видения и необходимых ресурсов.

Другие статьи по теме:

Современная культура данных

ИИ для всех

ROI в AI: Измеряйте ценность, чтобы создавать ценность

MLOPs, часть 1: оценка зрелости машинного обучения

MLOPs, часть 2: Автоматизация конвейера машинного обучения с помощью AWS

Борьба с ML Bias

Сноска: