Zašto biste trebali razmišljati o AI kao o timskom sportu

Što znači razmišljati o AI kao o timskom sportu? Vidimo da se projekti umjetne inteligencije pomiču s hype na utjecaj, uglavnom zato što se prave uloge uključuju kako bi se osigurao poslovni kontekst koji je prije nedostajao. Stručnost u domeni je ključna; strojevi nemaju dubinu konteksta koju ljudi imaju, a ljudi moraju dovoljno dobro poznavati poslovanje i podatke da razumiju koje radnje poduzeti na temelju bilo kakvih uvida ili preporuka koje se pojave.

Kada je u pitanju skaliranje AI, mnogi čelnici misle da imaju problem s ljudima – točnije, nema dovoljno znanstvenika za podatke. Ali nije svaki poslovni problem problem znanosti o podacima. Ili barem, ne bi svaki poslovni izazov trebao biti bačen na vaš tim za znanost podataka. Uz pravi pristup, možete iskoristiti prednosti umjetne inteligencije bez izazova koji dolaze s tradicionalnim ciklusima znanosti o podacima.

Kako bi implementirali i proširili rješenja umjetne inteligencije, čelnici moraju promijeniti način razmišljanja organizacije da razmišljaju o AI-u kao o timskom sportu. Neki projekti umjetne inteligencije trebaju drugačiji skup ljudi, alata i očekivanja kako bi izgledali uspješni rezultati. Znati kako prepoznati ove prilike pomoći će vam da pristupite uspješnijim projektima AI i produbite svoju klupu korisnika AI, dodajući brzinu i moć donošenju odluka u cijeloj radnoj snazi. Istražimo zašto i kako.

Organizacije demokratiziraju naprednu analizu pomoću umjetne inteligencije

Korištenje umjetne inteligencije za rješavanje poslovnih problema uvelike je bila u nadležnosti znanstvenika podataka. Često su timovi za znanost o podacima rezervirani za najveće mogućnosti i najsloženije izazove organizacije. Mnoge organizacije bile su uspješne u primjeni znanosti o podacima na specifične slučajeve upotrebe kao što su otkrivanje prijevare, personalizacija i još mnogo toga, gdje duboka tehnička stručnost i fino podešeni modeli dovode do iznimno uspješnih rezultata.

Međutim, skaliranje AI rješenja kroz vaš tim za znanost podataka predstavlja izazov za organizacije iz mnogo razloga. Privlačenje i zadržavanje talenata vrlo je skupo i može biti teško na konkurentnom tržištu. Tradicionalni projekti znanosti o podacima često mogu potrajati puno vremena za razvoj i implementaciju prije nego što tvrtka uvidi vrijednost. Čak i najiskusniji, najsnažniji timovi za znanost o podacima mogu pogriješiti ako im nedostaju potrebni podaci ili kontekst za razumijevanje nijansi problema koji se od njih traži da riješe.

Gartner® za 2021 Stanje znanosti o podacima i strojnog učenja (DSML) izvješće navodi da se „potražnja klijenata mijenja, s manje tehničkom publikom koja želi lakše primijeniti DSML, stručnjacima koji trebaju poboljšati produktivnost i poduzećima koje zahtijevaju kraće vrijeme za vrijednost za svoja ulaganja¹.” Iako može postojati mnogo poslovnih problema koji mogu imati koristi od brzine ili temeljitosti analize koju AI može pružiti, tradicionalni pristup znanosti o podacima možda nije uvijek najbolji plan napada za brzo uvid u vrijednost. Zapravo, isto izvješće Gartnera predviđa da "do 2025. nedostatak znanstvenika podataka više neće ometati usvajanje znanosti o podacima i strojnog učenja u organizacijama."

Stručnost u domeni ključna je za skaliranje AI u cijelom poslovanju

AI već pomaže u donošenju naprednih mogućnosti analize korisnicima koji nemaju znanje o podacima. Strojevi mogu birati između najboljih modela predviđanja i algoritama, a temeljni modeli mogu biti izloženi, nudeći mogućnost njihovog podešavanja i osiguravanja da sve odgovara onome što korisnik traži.

Te sposobnosti daju analitičarima i vještim stručnjacima iz poslovne domene mogućnost dizajna i korištenja vlastitih AI aplikacija. Budući da su bliži podacima, ovi korisnici imaju prednost u odnosu na mnoge svoje kolege iz znanstvenika podataka. Stavljanje ove moći u ruke onih sa stručnošću u domeni može pomoći u izbjegavanju dugotrajnog razvoja, opterećenja resursima i skrivenih troškova povezanih s tradicionalnim ciklusima znanosti o podacima. Osim toga, ljudi sa stručnim znanjem u domeni trebali bi odlučiti hoće li AI predviđanje ili prijedlog uopće biti od pomoći.

Uz iterativnije procese izgradnje modela s revizijom i ponovnom implementacijom, ljudi s poslovnim kontekstom mogu brže dobiti vrijednost od AI-a – čak i implementiranje novih modela tisućama korisnika u roku od nekoliko dana do tjedana, umjesto tjedana do mjeseci. Ovo je posebno snažno za one timove čiji jedinstveni izazovi možda nisu visoki prioritet za timove za znanost o podacima, ali mogu imati koristi od brzine i temeljitosti AI analize.

Međutim, važno je napomenuti da, iako ova rješenja mogu pomoći u rješavanju jaza u vještinama između analitičara i znanstvenika podataka, nisu zamjena za potonje. Znanstvenici za podatke ostaju ključni partner s poslovnim stručnjacima za provjeru podataka koji se koriste u rješenjima s AI-om. A uz ovu suradnju, obrazovanje i podatkovne vještine bit će od ključne važnosti za uspješno korištenje ovakvih alata u velikim razmjerima.

Podatkovna pismenost osnažuje više ljudi da iskoriste umjetnu inteligenciju

Vaša temeljna podatkovna strategija igra ogromnu ulogu u postavljanju vaše organizacije za uspjeh s AI-om, ali donošenje AI rješenja većem broju ljudi u cijelom poslovanju zahtijevat će temeljnu podatkovnu pismenost. Razumijevanje toga koje podatke je prikladno primijeniti na poslovni problem, kao i kako interpretirati podatke i rezultate AI preporuke pomoći će ljudima da uspješno vjeruju i prihvate AI kao dio svog donošenja odluka. Zajednički jezik podataka unutar organizacije također otvara više vrata za uspješnu suradnju sa stručnjacima.

McKinseyjevo najnovije globalno istraživanje o umjetnoj inteligenciji otkrilo je da unutar 34% organizacija s visokim učinkom “namjenski centar za obuku razvija vještine umjetne inteligencije netehničkog osoblja kroz ručno učenje”, u usporedbi sa samo 14% svih ostalih ispitanih. Osim toga, u 39% organizacija s visokim učinkom “postoje određeni kanali komunikacije i dodirnih točaka između korisnika AI-a i organizacijskog tima za znanost o podacima” u usporedbi sa samo 20% drugih.

Lideri mogu koristiti različite pristupe za izgradnju podatkovne pismenosti, od obrazovanja i osposobljavanja, mentorskih programa, natjecanja u podacima za izgradnju zajednice i još mnogo toga. Razmislite o normalizaciji pristupa i dijeljenja podataka, kao io tome kako slavite i promovirate uspjehe, učenja i donošenje odluka pomoću podataka.

"Podatkovna pismenost i obrazovanje o vizualizaciji i znanosti o podacima moraju biti rašireniji i poučavati se ranije", rekla je Vidya Setlur, voditeljica Tableau Researcha. “Postoji svojevrsna društvena i organizacijska odgovornost koja dolazi s oslanjanjem na korištenje podataka. Ljudi bi trebali biti bolje opremljeni za razumijevanje, tumačenje i iskorištavanje podataka na najbolji način jer će AI biti samo sofisticiraniji, a mi bismo trebali biti nekoliko koraka ispred igre.”

Nastavak izgradnje podatkovne kulture vaše organizacije stvara snažne prilike za njegovanje vještina i poticanje novih rješenja u cijelom poslovanju. Mnoge su organizacije posljednjih godina već povećale svoja ulaganja u podatke i analitiku, budući da se digitalna transformacija ubrzala. Nije domet razmišljati o podacima kao o timskom sportu — a sada imamo sredstva da proširimo taj način razmišljanja na AI.