Зашто бисте требали размишљати о АИ као о тимском спорту

Шта значи размишљати о АИ као тимском спорту? Видимо да се пројекти вештачке интелигенције померају од хипе ка утицају, углавном зато што се праве улоге укључују да обезбеде пословни контекст који је раније недостајао. Стручност у домену је кључна; машине немају дубину контекста коју људи имају, а људи морају да познају посао и податке довољно добро да би разумели које радње да предузму на основу било каквих увида или препорука које се појаве.

Када је у питању скалирање вештачке интелигенције, многи лидери мисле да имају проблем са људима – конкретно, нема довољно научника за податке. Али није сваки пословни проблем проблем науке о подацима. Или барем, сваки пословни изазов не би требало да буде бачен вашем тиму за науку о подацима. Уз прави приступ, можете искористити предности вештачке интелигенције без изазова који долазе са традиционалним циклусима науке о подацима.

Да би применили и проширили решења вештачке интелигенције, лидери треба да промене начин размишљања организације да размишљају о вештачкој интелигенцији као о тимском спорту. Неким пројектима вештачке интелигенције је потребан другачији скуп људи, алата и очекивања како би успешни резултати изгледали. Знање како да препознате ове могућности помоћи ће вам да приступите успешнијим АИ пројектима и продубите своју клупу корисника АИ, додајући брзину и моћ доношењу одлука широм радне снаге. Хајде да истражимо зашто и како.

Организације демократизују напредну анализу помоћу вештачке интелигенције

Коришћење вештачке интелигенције за решавање пословних проблема је у великој мери била у домену научника података. Често су тимови за науку података резервисани за највеће могућности и најсложеније изазове организације. Многе организације су биле успешне у примени науке о подацима на специфичне случајеве употребе као што су откривање превара, персонализација и још много тога, где дубока техничка стручност и фино подешени модели доводе до изузетно успешних резултата.

Међутим, скалирање АИ решења кроз ваш тим за науку података представља изазов за организације, из много разлога. Привлачење и задржавање талената је веома скупо и може бити тешко на конкурентном тржишту. Традиционалним пројектима науке о подацима често може бити потребно много времена да се развију и имплементирају пре него што посао увиди вредност. Чак и најискуснији, најснажнији тимови за науку о подацима могу пропасти ако им недостају потребни подаци или контекст да разумеју нијансе проблема који се од њих тражи да реше.

Гартнер® за 2021 Стање науке о подацима и машинског учења (ДСМЛ) извештај наводи да се „тражња клијената мења, са мање техничком публиком која жели да лакше примени ДСМЛ, стручњацима треба да побољшају продуктивност и предузећима која захтевају краће време да вреднују своја улагања¹.” Иако може постојати много пословних проблема који могу имати користи од брзине или темељности анализе коју АИ може да пружи, традиционални приступ науци о подацима можда није увек најбољи план напада да се брзо види вредност. У ствари, исти извештај Гартнера предвиђа да „до 2025. недостатак научника података више неће ометати усвајање науке о подацима и машинског учења у организацијама“.

Стручност у домену је кључна за скалирање АИ у целом предузећу

АИ већ помаже у доношењу напредних могућности анализе корисницима који немају науку о подацима. Машине могу да бирају између најбољих модела предвиђања и алгоритама, а основни модели могу бити изложени, нудећи могућност да их подесе и осигурају да све одговара ономе што корисник тражи.

Ове могућности дају аналитичарима и вештим стручњацима из домена пословања могућност да дизајнирају и искористе сопствене АИ апликације. Будући да су ближи подацима, ови корисници имају предност у односу на многе своје колеге научнике. Стављање ове моћи у руке оних са експертизом у домену може помоћи у избегавању дугог времена развоја, оптерећења ресурсима и скривених трошкова повезаних са традиционалним циклусима науке о подацима. Поред тога, људи са експертизом у домену требало би да одлуче да ли су предвиђање или сугестија вештачке интелигенције уопште од помоћи.

Са итеративнијим процесима изградње модела који се ревидирају и поново распоређују, људи са пословним контекстом могу брже да добију вредност од вештачке интелигенције — чак и примену нових модела хиљадама корисника у року од неколико дана до недеља, уместо недеља до месеци. Ово је посебно снажно за оне тимове чији јединствени изазови можда нису високи приоритет за тимове за науку о подацима, али могу имати користи од брзине и темељности анализе вештачке интелигенције.

Међутим, важно је напоменути да иако ова решења могу помоћи у решавању јаза у вештинама између аналитичара и научника података, то није замена за ове последње. Научници за податке остају кључни партнер са пословним стручњацима за валидацију података који се користе у решењима која подржавају вештачку интелигенцију. И поред ове сарадње, образовање и вештине података биће од кључне важности за успешно коришћење ових врста алата у великом обиму.

Писменост података омогућава више људи да искористе вештачку интелигенцију

Ваша основна стратегија података игра огромну улогу у постављању ваше организације за успех са вештачком интелигенцијом, али доношење АИ решења већем броју људи широм пословања захтеваће основну писменост података. Разумевање које податке је прикладно применити на пословни проблем, као и како тумачити податке и резултате АИ препоруке, помоћи ће људима да успешно верују и усвоје АИ као део свог доношења одлука. Заједнички језик података унутар организације такође отвара више врата за успешну сарадњу са стручњацима.

Најновије глобално истраживање компаније МцКинсеи о вештачкој интелигенцији открило је да у 34% организација са високим учинком „наменски центар за обуку развија вештине вештачке интелигенције нетехничког особља кроз практично учење“, у поређењу са само 14% свих осталих анкетираних. Поред тога, у 39% организација са високим учинком „постоје одређени канали комуникације и додирних тачака између корисника вештачке интелигенције и организационог тима за науку о подацима“, у поређењу са само 20% других.

Лидери могу користити различите приступе да би изградили писменост података, од образовања и обуке, менторских програма, такмичења у подацима о изградњи заједнице и још много тога. Размислите о нормализацији приступа и дељења података, као ио томе како славите и промовишете успехе, учења и доношење одлука помоћу података.

„Писменост са подацима и образовање о визуелизацији и науци о подацима треба да буду распрострањенији и да се подучавају раније“, рекла је Видиа Сетлур, шеф Таблеау Ресеарцх-а. „Постоји нека врста друштвене и организационе одговорности која долази са ослањањем на коришћење података. Људи би требало да буду боље опремљени да разумеју, тумаче и искористе податке на најбољи начин јер ће вештачка интелигенција бити само софистициранија, а ми би требало да будемо неколико корака испред игре.”

Наставак изградње културе података ваше организације ствара моћне могућности за неговање вештина и подстицање нових решења широм пословања. Многе организације су већ повећале своја улагања у податке и аналитику последњих година, пошто се дигитална трансформација убрзала. Није домет размишљати о подацима као о тимском спорту - а сада имамо средства да проширимо тај начин размишљања на АИ.