Co by było, gdyby firma tworzyła każdy komponent swojego produktu przy każdym zakupie, bez żadnych standardowych lub jednolitych części, procedur lub standardów zapewnienia jakości? Wątpliwe, by jakikolwiek prezes przychylnie przyjrzał się takiemu podejściu.
W taki właśnie sposób wiele firm angażuje się w sztuczną inteligencję i w analitykę: stawiając się w niekorzystnej sytuacji konkurencyjnej. Ponieważ zespoły są rozproszone po całej firmie i rozpoczynają nowe inicjatywy pracuj ręcznie od podstaw, zamiast wykorzystywać procesy korporacyjne do wdrażania i monitorowania rzeczywistych modeli sztucznej inteligencji.
Aby wywrzeć znaczący wpływ na wyniki, organizacje muszą skalować technologię w całej firmie, integrując ją z kluczowymi procesami biznesowymi, przepływami pracy i ścieżkami klientów, aby codziennie usprawniać podejmowanie decyzji i operacje.
Koniec ery eksperymentów
Minęły już czasy, kiedy firmy mogły pozwolić sobie tylko na eksperymentalne podejście AI i ogólne zrozumienie analizy. Teraz nadszedł czas, aby sztuczna inteligencja zaczęła działać.
Menedżerowie nie mogą już sobie pozwolić na testowanie rzeczy. Era eksperymentów ze sztuczną inteligencją dobiegła końca, ponieważ AI ma już kluczową przewagę konkurencyjną dla organizacji, które wciąż się rozwijają – ci, którzy tego nie zrobią, zostaną szybko pozostawieni w tyle.
W tym poście pomogę dyrektorom generalnym w rozpoznaniu odpowiednich dźwigni, których mogą użyć, aby pomóc i wesprzeć wysiłki swoich liderów AI na rzecz stałego wdrażania tych procedur i technologii.
Co warto zrobić, aby przejść od eksperymentu do wdrożenia rynkowego i przyspieszyć zastosowanie AI?
a) Używaj wstępnie zaprojektowanych bloków do tworzenia procesów firmowych, które zapewniają większą spójność i wydajność.
Organizacje powinny inwestować w szeroką gamę aktywów i komponentów wielokrotnego użytku. Jednym z przykładów jest opracowywanie gotowych do użycia produktów, które standaryzują pewien zestaw danych (na przykład łącząc wszystkie informacje o kliencie w celu stworzenia jego pełnego obrazu), przy użyciu wspólnych standardów, wbudowanych zabezpieczeń i nadzoru, i samoobsługi.
Weight and Biases to przykład firmy, która może znacznie przyspieszyć proces od badań do wprowadzenia na rynek. Rozwiązanie firmy, które obejmuje testowanie, wersjonowanie i śledzenie modeli sztucznej inteligencji, pozwala na szybką ocenę modeli AI.
Jeśli Twoja firma posiada dane konsumenckie, Weights & Biases może pomóc w szybkim tworzeniu modeli AI i zwiększeniu szybkości ich zastosowania. Umożliwią one również prognozowanie zachowań klientów i ocenę ich utraty (w jakiej cenie klient rozważyłby zmianę dostawcy).
Organizacje inwestują dużo czasu i pieniędzy w opracowywanie rozwiązań AI tylko po to, by odkryć, że firma przestaje korzystać z prawie 80% z nich, ponieważ nie zapewniają już wartości. Korzystanie z gotowych do użycia rozwiązań ze skalowalnymi narzędziami w modelu usługowym zmniejsza straty o zaledwie 30%. Jak to jest możliwe? Wyspecjalizowane platformy umożliwiają szybsze i skuteczniejsze wyciąganie wniosków z przetwarzanych danych.
Co należy zatem monitorować w organizacji zainteresowanej przyspieszeniem wdrażania sztucznej inteligencji?
- Procent zbudowanych modeli sztucznej inteligencji, które zostały wdrożone. Warto porozmawiać o tym, ile modeli zostało przeszkolonych, ale nie zostało zatwierdzonych do wdrożenia w środowisku produkcyjnym.
- Całkowity wpływ automatyzacji i zwrot z inwestycji w sztuczną inteligencję.
- Liczba działów zaangażowanych we wspólne wdrożenia.
b) Budowanie płynnej współpracy pomiędzy biznesem i IT w celu przyspieszenia zastosowania AI
Dostosowanie celów menedżerów biznesowych do celów zespołów AI i działów IT jest jednym z kluczowych czynników przyspieszenia projektów AI. Idealnie byłoby, gdyby większość celów zespołów AI i danych była zgodna z celami kadry kierowniczej korporacji. Liderzy biznesu powinni również określić, jakiej wartości oczekują od sztucznej inteligencji i w jaki sposób zostanie ona spieniężona. Sztuczna inteligencja jest najbardziej przydatna, gdy działa w harmonii z określonymi procesami. Błędem byłoby sądzić, że sztuczna inteligencja sama określi, które obszary są bardziej odpowiednie, biorąc pod uwagę, że należy podjąć wiele decyzji dotyczących tego, gdzie jej użyć i jak może zapewnić dodatkową wartość.
U jednego z moich klientów odkryłem rozdźwięk między celami działu IT a celami jednostek biznesowych. Brakowało pełnej synchronizacji pomiędzy tym do czego zmierza dział IT a do czego dążą poszczególne jednostki biznesowe. Dział IT skupił się raczej na doskonałości operacyjnej, a jednostki biznesowe wytyczały bardziej strategiczne cele.
W rezultacie ponad 80% z 50 jednostek biznesowych nie powiązało swoich oczekiwań z korporacyjną i technologiczną mapą drogową działu IT. W konsekwencji zaowocowało to rozwojem ponad 200 projektów. 55% z nich to odizolowane wyspy, bez szans na wykorzystanie uczenia maszynowego lub głębokiego uczenia.
Model BITA może pomóc organizacjom osiągnąć dostosowanie strategii AI poprzez połączenie działów IT i biznesowych.
Rysunek 1: Model dopasowania biznesu i IT, Henderson i Venkatraman (ResearchGate).
c) Inwestycje w talenty
Praca analityków danych i inżynierów technicznych ulega przeobrażeniom. Wcześniej ich praca koncentrowała się przede wszystkim na kodowaniu niskopoziomowym. Muszą teraz budować modele z komponentów modułowych i opracować wynik gotowy do produkcji i skalowania. Wykorzystanie sztucznej inteligencji wymaga innej strategii.
Ponadto w zespołach AI są nowsze obowiązki zawodowe. Jednym z nich jest inżynier uczenia maszynowego, który potrafi przekształcać modele AI w systemy produkcyjne klasy korporacyjnej, które działają na dużą skalę. Dyrektorzy biznesowi powinni informować o zmianie w całej firmie i współpracować nad mapą rozwoju talentów z menedżerami ds. zasobów ludzkich.
Podsumowanie
Trzy sposoby przejścia od eksperymentu do wdrożenia rynkowego i przyspieszenia zastosowania sztucznej inteligencji to wykorzystanie wstępnie zaprojektowanych bloków, budowanie płynnej współpracy między biznesem a IT oraz inwestowanie w talenty.
1. Jako dyrektor, co myślisz o roli dyrektora generalnego w skalowaniu AI jako firmy?
2. Jakie są Twoje przemyślenia na temat opracowywania strategii przyjęcia technologii AI?
3. Jak zmienił się styl przywództwa CEO wraz z wprowadzeniem nowej technologii?
4. Jakie masz doświadczenie we wdrażaniu lub skalowaniu AI w Twojej firmie?
5. Czy miałeś trudności ze skalowaniem strategii sztucznej inteligencji w różnych działach?