Zakaj bi morali razmišljati o AI kot o ekipnem športu

Kaj pomeni razmišljati o umetni inteligenci kot o ekipnem športu? Opažamo, da se projekti umetne inteligence premikajo od hype k vplivu, predvsem zato, ker so vključene prave vloge, ki zagotavljajo poslovni kontekst, ki je prej manjkal. Strokovno znanje o domeni je ključno; stroji nimajo globine konteksta, ki ga imajo ljudje, in ljudje morajo dovolj dobro poznati posel in podatke, da razumejo, katera dejanja naj sprejmejo na podlagi kakršnih koli vpogledov ali priporočil, ki se pojavijo.

Ko gre za skaliranje umetne inteligence, mnogi voditelji mislijo, da imajo težave z ljudmi – natančneje, premalo podatkovnih znanstvenikov. Vendar ni vsak poslovni problem problem podatkovne znanosti. Ali vsaj, ne bi smeli vsak poslovni izziv vreči vaši ekipi za podatkovne znanosti. S pravim pristopom lahko izkoristite prednosti AI brez izzivov, ki jih prinašajo tradicionalni cikli podatkovne znanosti.

Za uvajanje in obseg rešitev umetne inteligence morajo vodje spremeniti miselnost organizacije, da bodo razmišljali o umetni inteligenci kot o ekipnem športu. Nekateri projekti AI potrebujejo drugačen nabor ljudi, orodij in pričakovanj, da bodo uspešni rezultati videti. Znanje prepoznati te priložnosti vam bo pomagalo pristopiti k uspešnejšim projektom AI in poglobiti vašo klop uporabnikov AI, kar bo povečalo hitrost in moč odločanju v celotni delovni sili. Raziščimo, zakaj in kako.

Organizacije demokratizirajo napredno analizo z umetno inteligenco

Uporaba umetne inteligence za reševanje poslovnih problemov je bila v veliki meri v pristojnosti podatkovnih znanstvenikov. Podatkovne skupine so pogosto rezervirane za največje priložnosti in najbolj zapletene izzive organizacije. Številne organizacije so bile uspešne pri uporabi podatkovne znanosti v posebnih primerih uporabe, kot so odkrivanje goljufij, personalizacija in drugo, kjer globoko tehnično strokovno znanje in natančno nastavljeni modeli vodijo do izjemno uspešnih rezultatov.

Vendar pa je prilagajanje rešitev umetne inteligence prek vaše ekipe za podatkovne znanosti izziv za organizacije iz več razlogov. Privabljanje in zadrževanje talentov je zelo drago in je lahko težko na konkurenčnem trgu. Tradicionalni projekti podatkovne znanosti lahko pogosto trajajo veliko časa za razvoj in uvedbo, preden podjetje vidi vrednost. In tudi najbolj izkušene, robustne skupine za podatkovne znanosti lahko propadejo, če nimajo potrebnih podatkov ali konteksta, da bi razumeli nianse problema, ki ga morajo rešiti.

Gartner® 2021 Stanje podatkovne znanosti in strojnega učenja (DSML) poročilo navaja, da se "povpraševanje strank spreminja, pri čemer manj tehnično občinstvo želi lažje uporabljati DSML, strokovnjaki morajo izboljšati produktivnost in podjetja, ki potrebujejo krajši čas za ovrednotenje svojih naložb¹.” Čeprav lahko obstaja veliko poslovnih težav, ki lahko koristijo hitrosti ali temeljitosti analize, ki jo lahko zagotovi AI, tradicionalni pristop podatkovne znanosti morda ni vedno najboljši načrt napada za hitro ugotavljanje vrednosti. Pravzaprav isto poročilo Gartnerja napoveduje, da "do leta 2025 pomanjkanje podatkovnih znanstvenikov ne bo več oviralo sprejemanja podatkovne znanosti in strojnega učenja v organizacijah."

Strokovno znanje o domeni je ključnega pomena za razširitev umetne inteligence v celotnem podjetju

AI že pomaga prinašati napredne zmogljivosti analize uporabnikom, ki nimajo ozadja podatkovnih znanosti. Stroji lahko izbirajo med najboljšimi modeli in algoritmi za napovedovanje, osnovni modeli pa so lahko izpostavljeni, kar ponuja možnost, da jih prilagodite in zagotovite, da se vse ujema s tem, kar išče uporabnik.

Te zmožnosti dajejo analitikom in izkušenim strokovnjakom za poslovno področje možnost oblikovanja in uporabe lastnih aplikacij AI. Ker so bližje podatkom, imajo ti uporabniki prednost pred številnimi svojimi kolegi iz podatkovnih znanstvenikov. Dajanje te moči v roke tistim s strokovnim znanjem v domeni, lahko pomaga preprečiti dolgotrajen razvojni čas, obremenitev virov in skritih stroškov, povezanih s tradicionalnimi cikli podatkovne znanosti. Poleg tega bi se morali ljudje s strokovnim znanjem v domeni odločiti, ali je napoved ali predlog AI sploh koristen.

Z bolj ponavljajočimi se procesi gradnje modelov s popravkom in ponovno uporabo lahko ljudje s poslovnim kontekstom hitreje pridobijo vrednost od umetne inteligence – celo uvajajo nove modele na tisoče uporabnikov v dneh do tednih, namesto v tednih ali mesecih. To je še posebej zmogljivo za tiste ekipe, katerih edinstveni izzivi morda niso prednostna naloga timov za podatkovne znanosti, lahko pa imajo koristi od hitrosti in temeljitosti analize AI.

Vendar je pomembno omeniti, da čeprav lahko te rešitve pomagajo odpraviti vrzel v spretnostih med analitiki in podatkovnimi znanstveniki, niso nadomestilo za slednje. Podatkovni znanstveniki ostajajo kritični partner s poslovnimi strokovnjaki za potrditev podatkov, ki se uporabljajo v rešitvah, ki podpirajo umetno inteligenco. Poleg tega sodelovanja bodo izobraževanje in podatkovne veščine ključnega pomena za uspešno uporabo tovrstnih orodij v velikem obsegu.

Podatkovna pismenost omogoča več ljudem uporabo AI

Vaša temeljna podatkovna strategija igra veliko vlogo pri vzpostavljanju vaše organizacije za uspeh z umetno inteligenco, vendar bo za zagotavljanje rešitev AI več ljudem v podjetju potrebna osnovna podatkovna pismenost. Razumevanje, katere podatke je primerno uporabiti za poslovni problem, ter kako razlagati podatke in rezultate priporočila umetne inteligence, bo ljudem pomagalo, da bodo uspešno zaupali in sprejeli umetno inteligenco kot del svojih odločitev. Skupen jezik podatkov znotraj organizacije odpira tudi več vrat za uspešno sodelovanje s strokovnjaki.

McKinseyjeva najnovejša globalna raziskava o umetni inteligenci je pokazala, da v 34 % visoko uspešnih organizacij »namenski center za usposabljanje razvija veščine umetne inteligence netehničnega osebja s pomočjo praktičnega učenja« v primerjavi s samo 14 % vseh drugih anketiranih. Poleg tega v 39 % visoko uspešnih organizacij »obstajajo določeni komunikacijski kanali in stične točke med uporabniki AI in organizacijsko skupino za podatkovne znanosti« v primerjavi s samo 20 % drugih.

Vodje lahko uporabijo različne pristope za izgradnjo podatkovne pismenosti, od izobraževanja in usposabljanja, mentorskih programov, natečajev za gradnjo skupnosti podatkov in še več. Razmislite o normalizaciji dostopa in skupne rabe podatkov ter o tem, kako s podatki praznujete in spodbujate uspehe, učenja in odločanje.

"Podatkovna pismenost in izobraževanje o vizualizaciji in znanosti o podatkih morata biti bolj razširjeni in poučevati prej," je dejala Vidya Setlur, vodja Tableau Research. »Obstaja nekakšna družbena in organizacijska odgovornost, ki prihaja z zanašanjem na uporabo podatkov. Ljudje bi morali biti bolje opremljeni za razumevanje, interpretacijo in kar najbolje izkoristiti podatke, ker bo umetna inteligenca postala le še bolj izpopolnjena, mi pa bi morali biti nekaj korakov pred igro.

Nadaljevanje gradnje podatkovne kulture vaše organizacije ustvarja močne priložnosti za negovanje veščin in spodbujanje novih rešitev v celotnem podjetju. Številne organizacije so v zadnjih letih že povečale svoje naložbe v podatke in analitiko, saj se je digitalna transformacija pospešila. O podatkih ni mogoče razmišljati kot o ekipnem športu – in zdaj imamo sredstva, da razširimo to miselnost na umetno inteligenco.