Dawno minęły czasy, kiedy organizacje mogły sobie pozwolić na wyłącznie eksperymentalne podejście do sztucznej inteligencji i szeroko pojętej analizy. Nie można już założyć, że trochę poeksperymentujemy i zobaczymy co z tego wyjdzie. Czas na eksperymenty ze sztuczną inteligencją już minął, głównie dlatego, że sztuczna inteligencja buduje już konkretnie przewagi konkurencyjne firm. Ci, którzy jeszcze tego nie robią, powinni szybko nadrobić stracony dystans.
Z eksperymentów zrodziły się już wdrożenia zapewniające konkretne zwroty z inwestycji. Taka sytuacja ma jeszcze jedną konsekwencję. Nie można już próbować połączyć istniejące w organizacji systemy, posklejać je i poprzez pozorne integracje zbudować inteligentny system. Głównie dlatego, że są one przestarzałe a jeszcze na dodatek bariery wewnątrz firm, nie sprzyjają swobodnemu przepływowi danych między departamentami.
Nieskalowalne początki sztucznej inteligencji
We początkach obecności sztucznej inteligencji w biznesie, korzyści biznesowe płynące z tej technologii nie były oczywiste, więc organizacje zatrudniały analityków danych, aby Ci zbadali co jest możliwe. Jednocześnie nie koncentrując się na tworzeniu stabilnego środowiska dla rozwoju sztucznej inteligencji, które mogłoby działać niezawodnie przez 24 godziny na dobę.
Wychodząc z założenia, że robimy coś eksperymentalnego, firmy nie skupiały się na budowaniu systemu, który byłby skalowalny. Analitycy danych, inżynierowie oprogramowania często inwestowali w lokalne rozwiązania, zainstalowane na serwerach o których wiedziała grupka współpracowników. Wykorzystywano do tego różnorakie narzędzia bez zastanawiania się jak w przyszłości będzie można je rozpowszechniać w organizacji.
Tym samym, będąc w trybie eksperymentu, inżynierowie i analitycy pozostawili na uboczu wiele zadań wspierających skalowanie rozwiązań, takich jak budowanie kluczowej infrastruktury, na której wszystkie modele mogą być niezawodnie opracowywane i łatwo uruchamiane a także dystrybuowane wewnątrz organizacji
Konsument rozumie gdzie inteligentne algorytmy znajdują swoje zastosowanie
W dzisiejszych czasach siły rynkowe i wymagania konsumentów nie pozostawiają miejsca na taką nieefektywność. Organizacje, które doceniają wartość sztucznej inteligencji, szybko zmieniły bieg z badania tego, co może zrobić technologia, do wykorzystania jej na dużą skalę w celu osiągnięcia maksymalnej wartości. Giganci technologiczni wykorzystujący tę technologię nadal wprowadzają zmiany i zdobywają udział w rynku w tradycyjnych branżach. Co więcej, oczekiwania konsumentów dotyczące spersonalizowanych, płynnych doświadczeń wciąż rosną.
Na szczęście w miarę dojrzewania sztucznej inteligencji pojawiają się również role, procesy i technologie, które mają zapewnić jej sukces na dużą skalę. Pojawiły się wyspecjalizowane role, takie jak inżynier danych i inżynier uczenia maszynowego, oferujące umiejętności niezbędne do osiągnięcia skali.
Szybko rozwijający się zestaw technologii i usług umożliwił zespołom przejście od podejścia ręcznego i skoncentrowanego na rozwoju na bardziej zautomatyzowane, modułowe i dostosowane do całego cyklu życia sztucznej inteligencji, od zarządzania przychodzącymi danymi po monitorowanie i naprawianie działających aplikacji. Dzięki temu szybciej dostarczana jest wartośc dla klienta końcowego.
Dobrym przykładem może być istnienie silnika GPT-3 oferowanego przez firmę OpenAI założoną przez Elona Muska. GPT-3 potrafi w obłędnym tempie pisać i streszczać teksty. Firma copy.ai wykorzystuje ten gotowy element jako składową swojej platformy dla marketerów. Ponad 300 000 marketingowców z firm takich jak eBay, Nestle czy Ogilvy korzysta z platformy, przyśpieszając przygotowywanie dobrych materiałów tekstowych dla swoich działań marketingowych i PRowych.
Statista przygotowała badanie w którym analitycy spróbowali ocenić czy konsumenci wiedzą i zdają sobie sprawę gdzie wykorzystywana jest sztuczna inteligencja. Wyniki w grupie konsumentów porównano z wynikami w grupie ludzi biznesu. Okazuje się, że nie tylko konsumenci rozumieję w jakich przypadkach wykorzystywana jest sztuczna inteligencja, ale także nie odbiegają w tym rozumieniu od ludzi biznesu.
Rysunek nr 1: Czy ludzie wiedzą gdzie wykorzystywana jest sztuczna inteligencja. Źródło. Statista.com
Co warto zrobić, aby szybko przejsć od eksperymentu do rynkowego wdrożenia sztucznej inteligencji?
Organizacje powinny inwestować w wiele rodzajów aktywów i komponentów wielokrotnego użytku. Jednym z przykładów może być tworzenie gotowych do użycia „produktów”, które ujednolicają określony zestaw danych (na przykład łączenie wszystkich danych klienta w celu stworzenia 360-stopniowego obrazu klienta), przy użyciu wspólnych standardów, wbudowanych zabezpieczeń i nadzoru oraz możliwości samoobsługi. Przykładem firmy, która pozwala na znaczne przyśpieszenie procesu przejścia z fazy eksperymentu do wdrożenia rynkowego jest Weights and Biases (https://wandb.ai/site). Rozwiązanie tej firmy pozwala na ekstremalnie szybkie testowanie modeli sztucznej inteligencji, ich wersjonowanie i wersjonowanie. Jeśli w organizacji znajdują się dane o klientach, Weights and Biases pozwoli je szybko wykorzystać do zbudowania modeli sztucznej inteligencji. Te z kolei pozwolą na predykcję zachowań i zbadanie w jakim tempie klienci będa odchodzić, przy jakim poziomie ceny klient rozważy rozwiązanie konkurencji i tym podobne.
Dzięki takiem podejściu zespoły mogą znacznie szybciej i łatwiej wykorzystywać dane w wielu bieżących i przyszłych przypadkach użycia, co jest szczególnie ważne w przypadku skalowania sztucznej inteligencji w określonej domenie. Tak właśnie pomaga firmom Alteryx. Alteryx umożliwia analitykom szybsze przygotowywanie, łącznie i analizowanie danych bez użycia klasycznego programowania. Z wykorzystaniem tzw. Low-code (brak konieczności pisania klasycznych linii kodu), pracownicy zajmujący się danymi obywatklientów mogą szybko budować modele predykcyjne. Prowadzony krok po kroku lub w pełni zautomatyzowany proces pozwala stworzyć odpowiednio przeszkolone algorytmy, które są gotowe do wdrożenia i w pełni skalowalne.
Organizacje często inwestują dużo czasu i pieniędzy w opracowywanie rozwiązań AI tylko po to, aby przekonać się, że firma przestaje korzystać z prawie 80 procent z nich, ponieważ nie zapewniają już wartości — i nikt nie jest w stanie zrozumieć, dlaczego tak jest i jak je naprawić. Korzystanie z gotowych rozwiązań, które w modelu usługowym dostarczają skalowalnych narzędzi, powoduje, że marnowanych jest o 30% mniej modeli. Wynika to z faktu, że wyspecjalizowane platformy szybciej i efektywniej dostarczają wniosków z obrabianych danych. W ten sposób proces konstrukcji produktów cyfrowych, wykrozystujących sztuczna inteligencje jest szybszy i efektywniejszy kosztowo.
Rola zarządzających biznesem w efektywnym wdrożeniu sztucznej inteligencji
Wdrażanie zwinnego podejścia wymaga znaczących zmian kulturowych, aby rozluźnić mocno zakorzenione przekonanie o koniecznosci posiadania oprogramowania, rozwijania go wewnętrznie. Zmiana dokonuje się w odejściu od eksperymentowania wewnętrznie, do tworzenia produktów wykorzystujących sztuczna inteligencję w których łączą się platformy, gotowe rozwiązania i technologie open source.
Stworzenie nowych możliwości znacząco zmieni sposób pracy analityków, inżynierów oprogramowania i architektów technologów zajmujących się danymi w miarę przechodzenia od tworzenia na zamówienie do bardziej seryjnego i wystandaryzowanego procesu dostarczanai funkcjonalności. W rezultacie dyrektorzy i zarządzający firmami odgrywają kluczową rolę w trzech kluczowych obszarach: budowanie kultury efektywności, budowania płynnej współpracy pomiędzy biznesem i IT oraz inwestowanie w talenty.
Budowanie kultury efektywności
Każda transformacja cyfrowa opiera się na pewnych fundamentach, ustawianych przez kierownictwo firmy. W przypadku projektów o których pisałem wyżej, ważne jest aby jasno zakomunikować załodze, że rozwój produktów z wykorzystaniem sztucznej inteligencji nie musi się opierac wyłącznie o własne zasoby i systemy. Łączenie gotowych, ale skalowalnych elementów w szybkie testy i piloty (Proof of Concept) powinno być dozwolone. Procedury zakupu i monitorowania uproszczone a dostęp do płatności za usługi łatwy i pozbawiony zbędnych formalności.
Dyrektorzy powinni jasno zadeklarować, że systemy wykorzystujace sztuczną inteligencje są dla firm tak samo ważne jak systemy ERP i powinny one działać 24 godziny na dobę, 7 dni w tygodniu i codziennie generować wartość biznesową. Chociaż ustawienie wizji jest kluczowe, opłaca się sprecyzować, czego się oczekuje.
Co warto komunikować w organizacji, która chce i wdraża sztuczna inteligencję:
- odsetek zbudowanych modeli sztucznej inteligencji, które zostały wdrożone i zapewniają wartość klientów. Warto tez mówić o tym ile modeli zostało wytrenowanych, ale nie zostały dopuszczone do wdrożenia na rynek.
- całkowity wpływ na automatyzację i zwrot z inwestycji w sztuczną inteligencję
- Liczbę departamentów zaagażowanych we wspólne wdrożenia, ta pozwala zrozumieć zakres zmian i jest dowodem na rozbijanie silosów organizacyjnych.
Pełna realizacja takich celów może zająć od 12 do 24 miesięcy, ale wykorzystanie podejścia zwinnego daje realne szanse na skrócenie całości do dwóch kwartałów.
Budowanie płynnej współpracy pomiędzy biznesem i IT
Jednym z podstawowych elementów, które wpływają na przyśpieszenie projektów opartych o sztuczną inteligencje jest uwspólnienie celów liderów biznesowych, z celami zespołów sztucznej inteligencji i zespołów IT. W idealnym przypadku większość celów zespołów sztucznej inteligencji i danych powinna służyć celom liderów biznesowych. I odwrotnie, liderzy biznesu powinni być w stanie określić, jakiej wartości oczekują od sztucznej inteligencji i jak ta wartość zmonetyzuje się na rynku.
U jednego z moich klientów zastałem sytuację w której cele działu IT i jednostek biznesowych były nie tyle co rozbieżne, jak nie zintegrowane. Dział IT realizował swoją startegię działania a jednocześnie jednostki biznesowe skupiały się na swoich gwiazdach północy, które prowadziły je w stronę realizcji celów operacyjnych. W efekcie ponad 80% z 50 jednostek biznesowych nie integrowała swoich oczekiwań z tym co wdraża dział IT. W efekcie doprowadziło to do powstania ponad 200 projektów, które pogrążone w chaosie organizacyjnym nie wykorzystywały potencjału jaki dawały technologie już wykorzystywane przez dział IT. W takiej sytuacji bardzo przydanty jest model BRITA.
Rysunek nr 2: Business and IT alignment model, Henderson and Venkatraman (ResearchGate).
Dostosowanie biznesu do IT to strategia, w której priorytetem jest integracja operacji IT i celów biznesowych w celu obniżenia kosztów, poprawy elastyczności i zwiększenia zwrotu z inwestycji.
Ważną miarą jest poziom współpracy wokół strategicznych inwestycji technologicznych w celu dostarczania narzędzi, technologii i platform, które optymalizują przepływy pracy w projektach sztucznej inteligencji.
W związku z szybkim tempem zmian technologicznych, IT często ma trudności z zrównoważeniem zapotrzebowania na nowe narzędzia i technologie z obawami, że krótkoterminowe poprawki zwiększają koszty technologii w dłuższej perspektywie. Dobrym przykładem może być dylemat – ulepszać “stary” system CRM, czy kupić nowy, dostępny w model Software As A Service”. Dobrą praktyką jest przyjęcie kryteriów które pozwolą budowac mapę rozwoju technologii tak, aby zmniejszać złożoność przy integracji nowych narzędzi. Decyzja więc nie polega na tym, czy rozwijać stare lub kupować nowe, ale polega na odpowiedzi na pytanie z kim zbudować partnerstwo, aby rozwój był najszybszy i możliwie najmniej złożony.
Dobrą praktyką jest wiec to, aby zachęcać liderów sztucznej inteligencji do budowania silnych relacji ze swoimi odpowiednikami w IT, dostawcami oraz liderami projektów w terenie.
Inwestycje w talent
Zmienia się na przykład rola analityków danych i inżynierów technologii. Wcześniej głównie ich praca skupiała się na kodowaniu niskopoziomowym, teraz muszą posiadać wiedzę z zakresu inżynierii oprogramowania, aby składać modele z komponentów modułowych i od samego początku tworzyć gotowe do produkcji i skalowania produkty z wykorzystujące sztuczną inteligencję.
Pojawiły się również nowsze role potrzebne w zespołach AI. Jednym z nich jest inżynier ds. uczenia maszynowego, który jest przygotowany do przekształcania modeli sztucznej inteligencji w systemy produkcyjne klasy korporacyjnej, które działają niezawodnie w dużej skali.