Чому ви повинні думати про AI як про командний вид спорту

Що означає думати про ШІ як про командний вид спорту? Ми бачимо, що проекти штучного інтелекту змінюються від галасу до впливу, в основному тому, що потрібні ролі залучаються, щоб забезпечити бізнес-контекст, якого раніше не було. Ключове знання в області; машини не мають такої глибини контексту, якою є у людей, і люди повинні знати бізнес і дані достатньо добре, щоб зрозуміти, які дії слід вжити на основі будь-яких висновків або рекомендацій, які з’являються.

Коли справа доходить до масштабування штучного інтелекту, багато лідерів думають, що у них є проблеми з людьми, зокрема, недостатньо вчених даних. Але не кожна бізнес-проблема є проблемою науки про дані. Або, принаймні, не кожен бізнес-завдання слід кидати на вашу команду з аналізу даних. При правильному підході ви можете скористатися перевагами ШІ без проблем, які виникають із традиційними циклами науки про дані.

Щоб розгорнути та масштабувати рішення з штучним інтелектом, керівникам потрібно змінити настрій організації, щоб ставити AI як командний вид спорту. Деякі проекти AI потребують іншого набору людей, інструментів і очікувань, щоб виглядати успішні результати. Знання того, як розпізнати ці можливості, допоможе вам підійти до більш успішних проектів AI та поглибити вашу лаву користувачів AI, додавши швидкість та потужність у прийнятті рішень серед усіх працівників. Давайте розберемося, чому і як.

Організації демократизують передовий аналіз за допомогою ШІ

Використання штучного інтелекту для вирішення бізнес-задач у значній мірі входило до компетенції науковців з даних. Часто команди з наукових даних зарезервовані для вирішення найбільших можливостей організації та найскладніших проблем. Багато організацій досягли успіху в застосуванні науки про дані до конкретних випадків використання, як-от виявлення шахрайства, персоналізація тощо, де глибокі технічні знання та точно налаштовані моделі забезпечують надзвичайно успішні результати.

Однак масштабування рішень AI через вашу команду наукових досліджень є складним завданням для організацій з багатьох причин. Залучення та утримання талантів є дуже дорогим і може бути складним на конкурентному ринку. Традиційні проекти науки про дані часто можуть зайняти багато часу на розробку та розгортання, перш ніж бізнес побачить цінність. І навіть найдосвідченіші, надійні команди з вивчення даних можуть зазнати невдачі, якщо їм не вистачає необхідних даних або контексту, щоб зрозуміти нюанси проблеми, яку вони просять вирішити.

Gartner® 2021 року Стан науки про дані та машинного навчання У звіті (DSML) зазначається, що «попит клієнтів змінюється: менш технічна аудиторія хоче простіше застосовувати DSML, експерти повинні підвищити продуктивність, а підприємствам потрібно менше часу, щоб оцінити свої інвестиції¹». Хоча може виникнути багато бізнес-проблем, які можуть отримати користь від швидкості або ретельного аналізу, який може забезпечити ШІ, традиційний підхід до науки про дані не завжди може бути найкращим планом атаки, щоб швидко побачити цінність. Фактично, той самий звіт Gartner передбачає, що «до 2025 року нестача науковців з даних більше не буде перешкоджати впровадженню науки про дані та машинного навчання в організаціях».

Експертиза в галузі критична для масштабування AI в усьому бізнесі

ШІ вже допомагає надати розширені можливості аналізу користувачам, які не мають досвіду в галузі науки про дані. Машини можуть вибирати з найкращих моделей і алгоритмів прогнозування, а базові моделі можуть бути відкриті, пропонуючи можливість налаштувати їх і переконатися, що все відповідає тому, що шукає користувач.

Ці можливості дають аналітикам і кваліфікованим експертам у сфері бізнесу можливість розробляти та використовувати власні програми штучного інтелекту. Будучи ближче до даних, ці користувачі мають перевагу перед багатьма своїми колегами, які займаються даними. Передача цієї влади в руки тих, хто володіє досвідом у галузі, може допомогти уникнути тривалого часу розробки, ресурсного навантаження та прихованих витрат, пов’язаних із традиційними циклами науки про дані. Крім того, люди, які мають досвід у галузі, повинні вирішувати, чи є прогноз або пропозиція ШІ навіть корисними.

Завдяки більш ітеративним процесам побудови моделі з переглядом і повторним розгортанням, люди з бізнес-контекстом можуть швидше отримувати користь від ШІ, навіть розгортаючи нові моделі для тисяч користувачів протягом днів або тижнів, а не тижнів або місяців. Це особливо потужно для тих команд, чиї унікальні проблеми можуть не бути першочерговими для команд із науки про дані, але можуть отримати вигоду від швидкості та ретельності аналізу ШІ.

Однак важливо зазначити, що хоча ці рішення можуть допомогти подолати розрив у навичках між аналітиками та науковцями з даних, вони не замінять останнього. Дослідники даних залишаються важливим партнером з бізнес-експертами для перевірки даних, які використовуються в рішеннях з підтримкою AI. І на додаток до цієї співпраці, освіта та навички даних будуть вирішальними для успішного використання таких інструментів у масштабі.

Грамотність даних дає змогу більшій кількості людей використовувати ШІ

Ваша основоположна стратегія даних відіграє величезну роль у створенні вашої організації для досягнення успіху з AI, але для того, щоб запропонувати рішення AI для більшої кількості людей у ​​всьому бізнесі, знадобиться базовий рівень грамотності даних. Розуміння того, які дані доцільно застосувати до бізнес-проблеми, а також як інтерпретувати дані та результати рекомендацій щодо штучного інтелекту, допоможе людям успішно довіряти та застосовувати ШІ для прийняття рішень. Спільна мова даних в організації також відкриває більше дверей для успішної співпраці з експертами.

Останнє глобальне опитування McKinsey щодо штучного інтелекту показало, що в 34% високоефективних організацій «спеціальний навчальний центр розвиває навички штучного інтелекту нетехнічного персоналу шляхом практичного навчання», порівняно з лише 14% усіх інших опитаних. Крім того, у 39% високопродуктивних організацій «існують визначені канали комунікації та точки дотику між користувачами ШІ та командою наукових досліджень даних організації» порівняно з лише 20% інших.

Лідери можуть використовувати різноманітні підходи до формування грамотності щодо даних, починаючи від освіти та навчання, наставницьких програм, конкурсів даних з розбудови громад тощо. Подумайте про нормалізацію доступу до даних і обміну ними, а також про те, як ви відзначаєте та сприяєте успіхам, навчанню та прийняттю рішень за допомогою даних.

«Грамотність даних та освіта про візуалізацію та науку про дані мають бути більш поширеними та навчати їх раніше», — сказав Відья Сетлур, керівник Tableau Research. «Існує певна соціальна та організаційна відповідальність, яка пов’язана з використанням даних. Люди повинні бути краще підготовлені, щоб розуміти, інтерпретувати та максимально використовувати дані, тому що AI буде тільки вдосконалюватися, і ми повинні бути на кілька кроків попереду гри».

Продовжуючи розбудовувати культуру даних вашої організації, створюють потужні можливості для розвитку навичок і розвитку нових рішень у всьому бізнесі. Багато організацій вже збільшили свої інвестиції в дані та аналітику в останні роки, оскільки цифрова трансформація прискорилася. Неможливо розглядати дані як командний вид спорту, і тепер у нас є засоби, щоб поширити це мислення на ШІ.