Autor: Arek Skuza

W sztucznej inteligencji (AI) uprzedzenia to osądy lub upodobania, które prowadzą do błędnych decyzji. W niektórych przypadkach te uprzedzenia mogą być pomocne, na przykład gdy pomagają nam w dokonywaniu lepszych prognoz. Jednak w innych przypadkach te uprzedzenia mogą być szkodliwe, prowadząc do nieoptymalnych lub nawet katastrofalnych decyzji.

Istnieje wiele różnych rodzajów uprzedzeń, które mogą wpływać na systemy AI. Niektóre z najczęstszych obejmują:

– Błąd potwierdzenia: Jest to tendencja do poszukiwania informacji, które potwierdzają nasze wcześniejsze przekonania i ignorowania informacji, które są z nimi sprzeczne.

– Błąd selekcji: Jest to tendencja do wybierania próby danych, która nie jest reprezentatywna dla całej populacji.

– Nadmierne dopasowanie: występuje, gdy model jest zbyt ściśle dopasowany do danych uczących i nie daje się dobrze uogólnić na nowe dane.

– Niedopasowanie: występuje, gdy model nie jest wystarczająco złożony, aby uchwycić podstawowe wzorce w danych.

Te uprzedzenia mogą prowadzić do niedokładnych wyników z systemów AI. Na przykład, jeśli model jest szkolony na tendencyjnym zbiorze danych, może nauczyć się utrwalać te uprzedzenia. Może to mieć szkodliwe konsekwencje w świecie rzeczywistym, na przykład gdy systemy rozpoznawania twarzy są szkolone na zbiorach danych, które nie są reprezentatywne dla różnorodności populacji, co prowadzi do błędów w identyfikacji osób kolorowych.

W tym artykule omówimy historię stronniczości w treści generowanej przez sztuczną inteligencję oraz sposoby identyfikowania stronniczości w treści generowanej przez AI.

Historia uprzedzeń w treściach generowanych przez sztuczną inteligencję

Stronniczość w sztucznej inteligencji nie jest nowym zjawiskiem. W rzeczywistości istnieje od wczesnych dni badań nad AI. Jeden z pierwszych odnotowanych przypadków stronniczości w sztucznej inteligencji miał miejsce w 1956 roku, kiedy informatyk Alan Turing zaproponował test mający na celu określenie, czy można powiedzieć, że maszyna wykazuje inteligentne zachowanie.

W swoim artykule „Computing Machinery and Intelligence” Turing zaproponował, że jeśli maszyna może oszukać człowieka, aby myślał, że jest innym człowiekiem przez ponad 30% czasu, to można ją uznać za inteligentną.

Jednak, jak zauważyła badaczka AI, Joy Buolamwini, „test na sztuczną inteligencję jest stronniczy w stosunku do kobiet i osób kolorowych, ponieważ opiera się na zdolności maszyny do oszukania człowieka, aby pomyślał, że jest innym człowiekiem”.

Innymi słowy, test jest skierowany przeciwko grupom osób, które tradycyjnie są niedostatecznie reprezentowane w badaniach i rozwoju AI. Ta tendencja została przeniesiona do innych aspektów badań i rozwoju sztucznej inteligencji, takich jak tworzenie zestawów danych.

Zestawy danych to kolekcje danych, które są używane do uczenia i testowania modeli uczenia maszynowego. Te zbiory danych mogą być obciążone na wiele sposobów, na przykład przez błąd selekcji (obejmujący tylko niektóre rodzaje danych) lub błąd potwierdzenia (obejmujący tylko dane, które potwierdzają istniejące wcześniej przekonanie).

Stronnicze zestawy danych mogą prowadzić do stronniczych modeli uczenia maszynowego. Na przykład, jeśli zestaw danych używany do uczenia systemu rozpoznawania twarzy jest stronniczy, wynikowy system może być niedokładny w swoich przewidywaniach.

Zostało to zademonstrowane w 2016 r., kiedy Zdjęcia Google udostępniły nową funkcję, która automatycznie oznaczała zdjęcia etykietami, takimi jak „pies” lub „kot”. Jednak system oznaczył również czarnego mężczyznę jako „goryla”, co doprowadziło do oskarżeń o rasizm.

Incydent doprowadził Google do zmiany nazw etykiet, a także spowodował, że firma utworzyła wewnętrzny zbiór danych zawierający ponad 100 000 obrazów, których użyła do trenowania swojego systemu, aby był dokładniejszy.

Pomimo tych wysiłków uprzedzenia w treściach generowanych przez sztuczną inteligencję nadal stanowią problem, co widać na poniższym wykresie. W 2017 roku naukowcy z Vanderbilt University odkryli, że trzy komercyjne systemy rozpoznawania twarzy były dokładne przy identyfikacji białych mężczyzn, ale mniej dokładne przy identyfikacji kobiet i osób kolorowych.

Systemy te częściej błędnie identyfikowały czarne kobiety jako mężczyzn, a także częściej oznaczały zdjęcia białych mężczyzn jako „neutralne” lub „nieznane”.

Naukowcy doszli do wniosku, że „systemy sztucznej inteligencji dostępne obecnie dla ogółu społeczeństwa wykazują znaczne uprzedzenia rasowe i płciowe”.

Sposoby wykrywania uprzedzeń w treściach generowanych przez sztuczną inteligencję

Istnieje wiele sposobów identyfikowania uprzedzeń w treściach generowanych przez sztuczną inteligencję. Jednym ze sposobów jest zbadanie zestawu danych, który został użyty do uczenia modelu uczenia maszynowego.

Jeśli zbiór danych jest stronniczy, prawdopodobne jest, że wynikowy nauczanie maszynowe model będzie również stronniczy. Innym sposobem zidentyfikowania stronniczości jest zbadanie danych wyjściowych modelu uczenia maszynowego.

Jeśli dane wyjściowe są konsekwentnie niedokładne dla pewnych grup ludzi, może to wskazywać na stronniczość. Na koniec ważne jest również rozważenie kontekstu, w którym używany jest model uczenia maszynowego.

Na przykład, jeśli system rozpoznawania twarzy jest używany do celów egzekwowania prawa, jest bardziej prawdopodobne, że będzie miał negatywny wpływ na osoby kolorowe, które już teraz są nieproporcjonalnie często atakowane przez policję.

Istnieje wiele sposobów na ograniczenie uprzedzeń w treściach generowanych przez AI. Jednym ze sposobów jest użycie większego i bardziej zróżnicowanego zestawu danych podczas uczenia modelu uczenia maszynowego.

Innym sposobem na zmniejszenie błędu systematycznego jest zastosowanie techniki zwanej powiększaniem danych, która polega na sztucznym generowaniu dodatkowych punktów danych, które są zróżnicowane pod względem rasy, płci i innych cech.

Na koniec ważne jest również rozważenie wpływu treści generowanych przez sztuczną inteligencję na wrażliwe grupy ludzi przed udostępnieniem systemu światu.

Wniosek

Jak widać na poniższym wykresie, etyka w sztucznej inteligencji stała się gorącym tematem w świecie sztucznej inteligencji. AI może być stronnicza na wiele sposobów, a te uprzedzenia mogą mieć negatywny wpływ na wrażliwe grupy ludzi, takie jak kobiety i osoby kolorowe.

Istnieje wiele sposobów na zmniejszenie stronniczości w treści generowanej przez sztuczną inteligencję, na przykład przy użyciu większego i bardziej zróżnicowanego zestawu danych podczas uczenia modelu uczenia maszynowego. Ważne jest również rozważenie wpływu treści generowanych przez AI na wrażliwe grupy ludzi przed udostępnieniem systemu światu.

Podejmując te kroki, możemy zacząć ograniczać uprzedzenia w treściach generowanych przez sztuczną inteligencję i tworzyć bardziej sprawiedliwą przyszłość dla wszystkich.

Bibliografia

Phillytrib

Spectrum

VOX

NY Times

NY Times

Forbes

McKinsey

Technology Review

Wired

Nature

ACL Web

Arxiv

Science Direct

NY Times

Cyfrowe platformy doświadczeń (DXP) zyskują na popularności w ostatnich latach, ponieważ firmy starają się zapewnić klientom spersonalizowane i angażujące doświadczenia. Kluczową zaletą DXP jest ich zdolność do gromadzenia i wykorzystywania danych oraz sztucznej inteligencji (AI) w celu identyfikacji trendów i preferencji klientów. Dane te mogą być następnie wykorzystane do zarządzania rezygnacją lub szybkością, z jaką klienci anulują swoje subskrypcje lub usługi.

Churn jest poważnym problemem dla firm z różnych branż, ponieważ może prowadzić do utraty przychodów i zmniejszenia zadowolenia klientów. DXP mogą pomóc firmom zidentyfikować przyczyny rezygnacji i podjąć kroki w celu jej złagodzenia. Na przykład, jeśli sztuczna inteligencja wykryje, że klienci rezygnują z rezerwacji z powodu braku funkcji, firma może opracować nowe funkcje, aby rozwiązać ten problem.

Ponadto DXP można wykorzystać do segmentacji klientów na podstawie ich ryzyka odejścia. Pozwala to firmom skoncentrować swoje wysiłki na zatrzymaniu wartościowych klientów, którzy są zagrożeni odejściem.

DXP to potężne narzędzie do zarządzania churn i dbania o zadowolenie klientów. Wykorzystując dane i sztuczną inteligencję do identyfikowania trendów, firmy mogą podejmować kroki w celu rozwiązania przyczyn rezygnacji klientów i utrzymania subskrypcji.

Czym jest DXP?

DXP, czyli platforma cyfrowych doświadczeń, to oprogramowanie, które pomaga firmom tworzyć atrakcyjne i spersonalizowane doświadczenia klientów. DXP są zbudowane na fundamencie sztucznej inteligencji i technologii e-commerce i zapewniają kompletny zestaw narzędzi do zarządzania treścią witryny, personalizowania podróży klienta i mierzenia wyników. Łącząc wszystkie te możliwości w jedną platformę, DXP ​​umożliwiają firmom tworzenie spójnych, wielokanałowych doświadczeń klientów we wszystkich punktach styku. Jak widać na poniższej grafice, DXP ​​umożliwia bezproblemowe cyfrowe doświadczenie, które łączy wszystkie aspekty obsługi klienta.

W dzisiejszym konkurencyjnym krajobrazie zapewnienie wyjątkowej obsługi klienta jest niezbędne do odniesienia sukcesu, a DXP pomagają dużym i małym firmom sprostać temu wyzwaniu.

Historia handlu elektronicznego i wykorzystania DXP

Sztuczna inteligencja i handel elektroniczny mają ze sobą długą historię. Niektóre z najwcześniejszych aplikacji AI zostały opracowane, aby pomóc sprzedawcom internetowym przetwarzać i rozumieć dane klientów. Na początku XXI wieku systemy rekomendacyjne oparte na sztucznej inteligencji stały się wszechobecne w witrynach handlu elektronicznego, a sztuczna inteligencja nadal obsługuje wiele funkcji personalizacji, które dziś uważamy za oczywiste. Wraz z rozwojem handlu elektronicznego rośnie również wykorzystanie sztucznej inteligencji.

W ostatnich latach pojawiła się rosnąca tendencja do wykorzystywania platform DXP (Digital Experience Platform) opartych na sztucznej inteligencji do tworzenia spersonalizowanych doświadczeń zakupowych. DXP są w stanie zapewnić bardziej indywidualnie dostosowane doświadczenie, biorąc pod uwagę takie czynniki, jak historia zakupów w przeszłości, zachowania związane z przeglądaniem i lokalizacja. To ulepszone doświadczenie pozwala firmom oferować poziom dostosowania, który wcześniej nie był możliwy. W miarę ewolucji sztucznej inteligencji prawdopodobne jest, że DXP staną się jeszcze bardziej wyrafinowane, zapewniając klientom jeszcze bardziej spersonalizowane zakupy.

Zmniejszenie odpływu i poprawa utrzymania klientów dzięki DXP

Churn to termin używany do opisania tempa, w jakim klienci anulują lub nie odnawiają swoich subskrypcji w firmie. Wskaźniki rezygnacji są ważne dla firm do śledzenia, ponieważ mogą być wskaźnikiem zadowolenia i utrzymania klientów. Wysokie wskaźniki rezygnacji mogą oznaczać, że klienci nie są zadowoleni z produktu lub usługi i nie są lojalni wobec firmy. Odpływ może mieć znaczący wpływ na wyniki finansowe firmy, dlatego ważne jest, aby dokładnie śledzić współczynniki odpływu i zarządzać nimi. Ograniczenie rezygnacji może być wyzwaniem, ale jest niezbędne dla każdej firmy, która chce się rozwijać i odnosić sukcesy w dłuższej perspektywie.

W konkurencyjnym świecie e-commerce utrzymanie klienta jest kluczem do sukcesu. Utrzymanie zadowolenia obecnych klientów jest niezbędne dla długoterminowego wzrostu, ale wyprzedzenie konkurencji i nadążanie za ich ciągle zmieniającymi się potrzebami może być wyzwaniem. W tym momencie wkraczają DXP. DXP to cyfrowe platformy doświadczeń, które wykorzystują sztuczną inteligencję i inne najnowocześniejsze technologie, aby zapewnić zoptymalizowaną obsługę klienta. Jak widać na poniższym wykresie, poprawa obsługi klienta jest najbardziej skuteczna w zwiększaniu utrzymania klientów, zwiększaniu satysfakcji klientów i zwiększaniu sprzedaży. Zmniejszając churn i poprawiając utrzymanie klientów, DXP ​​mogą przenieść firmy na wyższy poziom.

Etapy wdrażania DXP

Rozważając wdrożenie DXP, ważne jest, aby zrozumieć różne etapy rozwoju DXP. Pierwszy etap, znany jako faza „budowania”, polega na opracowaniu i przetestowaniu platformy. Ta faza może być czasochłonna i kosztowna, ale jest niezbędna do prawidłowego uruchomienia platformy.

Drugi etap, zwany fazą „uruchomienia”, to udostępnienie platformy klientom. Ta faza ma kluczowe znaczenie dla zapewnienia, że ​​platforma jest w stanie spełnić potrzeby i oczekiwania klientów.

Trzeci i ostatni etap, znany jako faza „skalowania”, polega na udoskonalaniu i ulepszaniu platformy w oparciu o opinie klientów. Ten etap jest ważny, aby upewnić się, że platforma jest w stanie nadążyć za popytem klientów i pozostać aktualna w czasie.

Chociaż łatwo jest podzielić etapy wdrażania DXP na trzy etapy, podczas procesu wdrażania pojawi się wiele wyzwań. Firmy takie jak Accenture, Deloitte i PwC mają doświadczenie we wdrażaniu tych systemów i mogą pomóc w zapewnieniu sprawnego przebiegu procesu.

Co dalej z DXP?

Ponieważ sztuczna inteligencja i inne najnowocześniejsze technologie wciąż ewoluują, tak samo będą ewoluować cyfrowe platformy doświadczeń. W przyszłości DXP prawdopodobnie staną się jeszcze bardziej wyrafinowane, zapewniając klientom jeszcze bardziej spersonalizowane zakupy. Ponieważ DXP stają się coraz bardziej powszechne, firmy, które nie przyjmą tej technologii, prawdopodobnie znajdą się w niekorzystnej sytuacji konkurencyjnej. Ci, którzy chcą wyprzedzić konkurencję, powinni zacząć planować wdrożenie DXP już teraz.

Platformy doświadczeń cyfrowych szybko stają się niezbędne dla firm, które chcą zachować konkurencyjność w świecie e-commerce. Zmniejszając churn i poprawiając utrzymanie klientów, DXP ​​oferują firmom wyjątkową okazję do przeniesienia swojej działalności na wyższy poziom. Ponieważ sztuczna inteligencja i inne najnowocześniejsze technologie wciąż ewoluują, tak samo będą ewoluować cyfrowe platformy doświadczeń. W przyszłości DXP prawdopodobnie staną się jeszcze bardziej wyrafinowane, zapewniając klientom jeszcze bardziej spersonalizowane zakupy. Ponieważ DXP stają się coraz bardziej powszechne, firmy, które nie przyjmą tej technologii, prawdopodobnie znajdą się w niekorzystnej sytuacji konkurencyjnej. Ci, którzy chcą wyprzedzić konkurencję, powinni zacząć planować wdrożenie DXP już teraz.

Bibliografia

Quantumbooks

Any For Soft

Gartner

Forbes

Accenture

Deloitte

PWC

ZDNet

Ze względu na stale zmieniające się oczekiwania klientów, konieczne jest rozszerzenie ustalonych podejść rozwojowych, jeśli inicjatywy automatyzacji mają przynieść znaczne korzyści na masową skalę. Automatyzacja na dużą skalę wymaga fundamentu, który oprócz wymagań funkcjonalnych zawiera informacje o firmie i regułach przetwarzania transakcji.

Zwinność, zwinność i jeszcze raz zwinność

Firmy powinny stosować zwinne metodyki rozwoju, zwinną architekturę i zwinne praktyki zarządzania projektami, aby pomyślnie wdrażać technologie automatyzacji. Bez tego inicjatywy automatyzacji procesów biznesowych ryzykują niepowodzenie z powodu niemożności obsługi zmian wymagań w całym cyklu życia projektu.

Podejścia zwinne koncentrują się na częstym dostarczaniu wysokiej jakości oprogramowania poprzez szybkie iteracyjne tworzenie oprogramowania. Podczas gdy metody zwinne są wykorzystywane do tworzenia oprogramowania na zamówienie od ponad dekady, zwinne zarządzanie projektami zaczęto stosować do automatyzacji procesów biznesowych na dużą skalę dopiero w ciągu kilku lat.

Pierwszym krokiem w kierunku uzyskania systematycznej pomocy dla oprogramowania do automatyzacji procesów biznesowych typu agile jest zastosowanie metody agile. Nie wystarczy jedynie umożliwić zespołowi programistycznemu bycie zwinny; musisz zapewnić sprawność w całej firmie.

Zwinna automatyzacja na dużą skalę

Niektóre firmy zmodyfikowały i rozwinęły ramy scrum do automatyzacji procesów, aby spełnić to wymaganie. Ta metoda „zwinnej automatyzacji” jest podobna do scrum, z kilkoma różnicami.

• Różne kierownictwo zespołu. Zwinna automatyzacja opiera się na elastycznym projekcie zespołu, który obejmuje programistów, testerów, pracowników IT i interesariuszy biznesowych. Właściciel produktu z firmy prowadzi każdy zespół, wspomagany przez eksperta merytorycznego posiadającego branżową wiedzę na temat technologii. Ma to kluczowe znaczenie w produktach wykorzystujących sztuczną inteligencję, w których ekspert domeny jest wymagany do prawidłowej oceny wyników modeli AI.
• Planowanie mapy drogowej. Automatyzacja Agile wymaga znacznej ilości planowania przed rozpoczęciem jakichkolwiek prac rozwojowych. W tej fazie musisz skonfigurować projekt automatyzacji. Następnie musisz go regularnie testować, sprawdzać jego funkcjonalność i porównywać z poprzednimi wersjami. Ta faza zapewnia, że ​​projekt automatyzacji połączy się z całym biznesem i będzie zgodny z wymogami regulacyjnymi i innymi ograniczeniami. Pozwala również zainteresowanym stronom w dotkniętych sekcjach firmy przygotować przepływ oparty na wyzwalaczach
• Koncepcja „przepływu opartego na wyzwalaczach” zastąpiła tradycyjne historyjki użytkownika w zwinnej automatyzacji, aby podzielić projekt na części wielkości kęsa. Pierwszym krokiem w formule jest zidentyfikowanie „zdarzenia wyzwalającego”, na przykład gdy określone dane staną się dostępne lub gdy nastąpi akcja użytkownika. Następnie definiuje się działania potrzebne w odpowiedzi na to zdarzenie i wynik, który ma zostać utworzony. Zespoły mogą używać tej techniki do dzielenia procedur na łatwe do opanowania części. Ponadto, ponieważ dane wejściowe i wyniki każdego fragmentu są jasno zdefiniowane, zespoły mogą pracować równolegle, przyspieszając prace programistyczne (na podstawie ankiety McKinsey).
• Zarządzanie przepływem prototypów. Automatyzacja oddziela wydanie oprogramowania prototypowego i produkcyjnego. Wersje produkcyjne są realizowane według napiętego harmonogramu w koordynacji z kluczowymi obszarami biznesowymi, aby zminimalizować zakłócenia w całej organizacji. Prototypy są wprowadzane do środowiska testowego, gdzie ich wydajność jest częściej oceniana na reprezentatywnych zestawach danych.
• Wsparcie organizacyjne. Ponieważ zwinna automatyzacja wymaga znaczących zmian organizacyjnych, wymaga od firm zastosowania nowych technologii i metod pracy do najważniejszych operacji — wszystko w tym samym czasie. Nawet jeśli Twoja organizacja jest mała i nowa, uruchomienie zautomatyzowanego rozwiązania wymaga dużej pomocy. Większość firm korzysta z wyspecjalizowanego biura programowego w celu zapewnienia pomocy, opracowania najlepszych praktyk i śledzenia postępów w całym projekcie automatyzacji.
• Radzenie sobie z niepewnością. W organizacjach o złożonych technologiach pracownikom trudniej jest osiągnąć wspólne zrozumienie swoich klientów. Zmniejszenie niepewności zadania spowodowało zastosowanie metod koordynacji horyzontalnej i spotkań grupowych zamiast bezosobowych technik koordynacji.

Znaki, że Twoja organizacja musi skalować swoje Zespoły Agile to:

• Spędzasz większość czasu na prowadzeniu firmy.
• Masz wiele rzeczy w toku, ale niewiele z nich jest już skończonych.
• Nie przestrzegasz zasad Agile i nie uczysz ludzi, jak wykorzystywać zasady Agile.
• Nie możesz wymyślić, jak radzić sobie z zależnościami między zespołami.
• Prędkość Twoich zwinnych zespołów nie jest stała.
• Twój zespół zajmuje się tylko najpilniejszymi sprawami.
• W swoim zaległości masz dużą liczbę zgłoszeń do pomocy technicznej i nie możesz tworzyć nowych funkcji produktu.

Zadanie zarządzania inicjatywami automatyzacji może być trudne, ale nie musi. Dzięki wdrożeniu centrum doskonałości automatyzacji przekonasz się, że Twój zespół będzie bardziej zwinny i responsywny niż kiedykolwiek wcześniej.

Podstawa

Podstawą Centrum Doskonałości jest model zarządzania automatyzacją, który zapewnia ramy do podejmowania decyzji, umożliwia standaryzację i spójność podejścia oraz ułatwia komunikację między interesariuszami.

COE (Center of Excellence) odpowiada za ustalenie ogólnej strategii organizacji i kierunku automatyzacji. Wiąże się to z opracowaniem kompleksowej architektury spełniającej potrzeby firmy, a także ustanowieniem procedur i standardów zapewniających prawidłowe i spójne wdrażanie automatyzacji. COE nadzoruje również działalność centrum automatyzacji, która obejmuje organizację zasobów (narzędzia, ludzie, procesy).

Jedną z najważniejszych funkcji COE jest pełnienie roli agenta zmian pomagającego w napędzaniu transformacji w całej organizacji. COE może być scentralizowanym źródłem najlepszych praktyk, wymiany wiedzy i ciągłego doskonalenia. Powinno dążyć do stworzenia środowiska, w którym inne części biznesu obejmują automatyzację.

COE może służyć jako źródło najlepszych praktyk, dzielenia się wiedzą i ciągłego doskonalenia. Środowisko powinno być takie, w którym automatyzacja jest akceptowana w innych częściach firmy. Im bardziej uda Ci się zmienić zasady organizacji, tym lepiej będziesz w stanie zoptymalizować wydajność procesów, jednocześnie minimalizując koszty związane z dostarczaniem wyników we wszystkich projektach automatyzacji.

Stosowany przez IBM model funkcji Center of Excellence zawiera kilka intrygujących możliwości.

Jak ustanowić Centrum Doskonałości dla automatyzacji biznesu?

• Zidentyfikuj jednostki biznesowe, które mogą skorzystać na automatyzacji.
• Określ, jaki proces lub dział byłby dobrym kandydatem do automatyzacji oraz te procesy, które nie są jeszcze zautomatyzowane i muszą podjąć kroki w kierunku automatyzacji, aby zachować aktualność.
• Oceń umiejętności wymagane do projektowania, budowania, obsługi i monitorowania inicjatyw automatyzacji.
• Wyznacz sponsora wykonawczego, który będzie odpowiedzialny za zapewnienie, że centrum doskonałości zapewnia firmie wartość.
• Zdefiniuj i uzgodnij model zarządzania, który będzie obejmował role i obowiązki oraz prawa decyzyjne.
• Oceń technologię i narzędzia potrzebne do wsparcia Rady Europy.
• Zbuduj zespół ekspertów z umiejętnościami wymaganymi do obsługi i zarządzania centrum doskonałości automatyzacji.

Oto niektóre z typowych wyzwań, przed którymi stoją firmy wdrażające centra doskonałości automatyzacji:

• Brak ram i standardów zarządzania w różnych zespołach i technologiach. Może to prowadzić do niespójności w sposobie wykorzystania i zarządzania automatyzacją, wpływając na wydajność i niezawodność.
• Brak możliwości szybkiego dostosowania się do zmian potrzeb biznesowych lub aktualizacji technologii. Centrum doskonałości automatyzacji powinno być w stanie szybko dostosowywać się do zmian, aby firma mogła wykorzystać nowe możliwości lub reagować na zagrożenia.
• Brak widoczności i kontroli w różnych inicjatywach automatyzacji. Może to prowadzić do powielania wysiłków, niespójności w działaniu i braku możliwości śledzenia postępów w realizacji celów.
• Wyzwania związane z integracją automatyzacji z istniejącym środowiskiem IT. Automatyzacja wymaga znacznych inwestycji w budowanie i wdrażanie umiejętności, narzędzi, procesów i zarządzania w całej organizacji – coś, z czym wiele firm ma trudności.
• Niezdolność do spełnienia wymagań biznesowych dotyczących zwiększonej skali lub szybkości wdrożeń bez poświęcania niezawodności.
• Brak współpracy pomiędzy różnymi zespołami odpowiedzialnymi za zarządzanie poszczególnymi częściami procesu biznesowego. Może to prowadzić do tego, że zespoły pracują w silosach, powielają wysiłki i marnują zasoby.
• Brak integracji z istniejącymi narzędziami używanymi przez zespoły programistyczne lub operacyjne, takimi jak systemy zarządzania kodem źródłowym, trackery problemów, serwery CI itp. Centrum doskonałości automatyzacji powinno być w stanie bezproblemowo zintegrować się z tymi narzędziami w celu gromadzenia i analizowania danych o inicjatywy automatyzacji w sposób ciągły.
• Brak wglądu w wydajność i potencjalne problemy z wdrożonymi procesami lub usługami, takimi jak metryki monitorowania lub responsywność interfejsów API. Centrum automatyzacji powinno zapewniać wgląd w to, jak dobrze działają procesy, aby można było wykryć wszelkie problemy – zwłaszcza te wynikające z błędnych konfiguracji.

Korzyści z wdrożenia centrum doskonałości w Twojej firmie.

Jeśli chodzi o COE, najważniejszym problemem jest zapewnienie, aby wysiłki profesjonalistów i ekspertów nie poszły na marne. COE ustanawia ramy skalowania działań poprzez opracowanie zestawu standardowych procedur, które zespoły w całej firmie mogą stosować w przypadku poszczególnych projektów.

COE służy również jako nowy punkt odniesienia dla procedur automatyzacji firmy, ułatwiając wdrożenie tych ustandaryzowanych procesów w całej organizacji. Pozwala to firmie na skalowanie i dalsze wdrażanie procesów automatyzacji w całej strukturze.

Oto niektóre z korzyści, jakie CoE może zapewnić firmie:

• Wydajniejsze wykorzystanie zasobów poprzez eliminację zadań związanych ze ścięgnami.
• Ponieważ automatyzacja na dużą skalę poprawia wydajność, zapewnia lepsze wyniki, dostarczając klientom wysokiej jakości towary i usługi.
• Eliminując nieefektywne praktyki i skracając czas potrzebny na naukę nowych umiejętności i technologii, zmniejszysz koszty operacyjne.
• Udoskonalenia w zakresie samodzielnego prowadzenia i automatyzacji skracają czas wprowadzania produktów na rynek.
• Specjaliści CoE mogą pomagać pracownikom w adaptacji w celu usprawnienia ich pracy i dzielenia się skutecznymi metodami. Mogą również pomóc jednostkom i zespołom w nauce, rejestrując wykonalne procesy, rejestrując sesje szkoleniowe, pomagając w nauce indywidualnej i zespołowej oraz wspierając indywidualny rozwój.

AI i Metaverse to stosunkowo nowe i złożone tematy, które dominują w dzisiejszym świecie biznesu i technologii. W rzeczywistości najlepsi przedsiębiorcy, tacy jak Mark Zuckerberg czy Elon Musk, są kojarzeni z tymi niejasnymi i często nadużywanymi terminami.

Jeśli interesujesz się sztuczną inteligencją i Metaverse, trudno jest znaleźć właściwe informacje z właściwych źródeł. Co więcej, niektóre źródła zmuszają do przeczytania złożonej terminologii, która dla niedoświadczonej osoby może nie mieć sensu.

Dlatego przygotowałem listę filmów i podcastów, dzięki którym nauka o sztucznej inteligencji i Metaverse będzie łatwa i przyjemna!

Materiały video:

Bernard Marr

Future Business Tech

AI for Good

Talking to AI

The High ROI Data Scientist

Fintelics

Sensorium

Shine 365

Ask AI

Podcasty:

Blissthoughts

Contested Loving Discourse from the Oak Guild Institute

AI Education Podcast

Azeem Azhar’s Exponential View

Autoline After Hours

What the F*** is the Metaverse?

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?

Tego roku miałem niesamowitą przyjemność uczestniczenia w wydarzeniu, jakim jest Konferencja Ai4 w Las Vegas. Konferencja odbyła się w dniach 16-18 sierpnia i została zorganizowana przez Fora Group – firmę specjalizującą się w organizacji wydarzeń technologicznych i biznesowych, która może pochwalić się współpracą z Microsoft, IBM i AWS. Udział w tym wydarzeniu był dla mnie zaszczytem, ​​ponieważ zaproszenie dla mnie dotarło bezpośrednio od organizatorów związku z moim doświadczenie w dziedzinie AI.

Czym jest Ai4?

Ai4 łączy liderów biznesu i ekspertów ds. danych, celem promowania stosowania sztucznej inteligencji w różnych branżach, w tym finansów, opieki zdrowotnej, handlu detalicznego, cyberbezpieczeństwa i wielu innych. Konferencja odbywa się corocznie i zyskuje coraz większe zainteresowanie i renomę w ciągu ostatnich kilku lat.

Po pierwsze muszę pochwalić organizację całego wydarzenia. Mimo rozmachu projektu (około 200 prelegentów i prezentacji oraz kilka tysięcy uczestników) wszystko przebiegało sprawnie i zgodnie z planem. Dzięki aplikacji SwapCard mogłem swobodnie rejestrować się na prezentacje oraz umawiać się na spotkania z uczestnikami i prelegentami. Ponadto apliakcja daje możliwość przeglądania harmonogramu konferencji przenoszenia go do mojego kalendarza Google, Yahoo lub Apple. Konferencja była bardzo dobrze zaplanowana i przeprowadzona pomimo ogromnej skali. 

Wykłady i networking

Jedną z najbardziej przekonujących prezentacji, w których uczestniczyłem, była przemowa Willy’ego Pella, wiceprezesa Autonomy and New Ventures w Blue River, nabytej przez firmę John Deere. Jego prezentacja „AI i autonomia dla inteligentnego, połączonego rolnictwa” była niesamowicie fascynująca i otworzyła mi oczy na wiele problemów stojących przed branżą rolniczą. Według John Deere za kilka dziesięcioleci nie będzie dostępnej ziemi uprawnej i będziemy musieli zmaksymalizować produktywność posiadanej ziemi. Obecnie tylko 1% Amerykanów pracuje w rolnictwie, co oznacza, że ​​potrzebne będą autonomiczne urządzenia rolnicze, takie jak traktory i kombajny napędzane sztuczną inteligencją. Pell poczynił również interesującą obserwację dotyczącą pielęgnacji upraw, stwierdzając: „Gdyby w tym pokoju były dzisiaj dwie osoby chore na grypę, czy spryskali byśmy całe pomieszczenie sprayem przeciwgrypowym? Nie! Jednak w rolnictwie tak właśnie się dzieje. Opryskiwane są całe uprawy, nawet jeśli wymaga tego tylko niewielka ich część”. John Deere wyjaśnia, że ​​przyszłość rolnictwa powinna leżeć w zindywidualizowanym i specyficznym podejściu do zarządzania każdą uprawą.

Kolejną prezentacją, w której miałem okazję uczestniczyć, było spotkanie z Amitem Baggą, starszym wiceprezesem ds. technologii sztucznej inteligencji w firmie Comcast. Jego wystąpienie „Jak Comcast poprawia wrażenia klientów dzięki AI/ML” wykonało świetną robotę, opisując, jak budować doświadczenia klientów w oparciu o sztuczną inteligencję. Amit przedstawił między innymi pięć obszarów, w których sztuczna inteligencja zmienia adaptację klientów. Obszary te obejmują wykrywanie treści, analitykę mediów, sztuczną inteligencję dla Connected Living oraz sztuczną inteligencję dla obsługi klienta.

Ponadto chciałbym podkreślić prezentację Davida Brewera, oficera ds. innowacji Sił Powietrznych Stanów Zjednoczonych. W swojej prezentacji „Tworzenie AI i usług rządowych opartych na danych” Brewer stwierdził, że „Departament Obrony musi zapewnić, że poszczególne służby wojskowe rozumieją, jak szkolić i rozwijać algorytmy w taki sam sposób, w jaki szkolimy nasze siły wojskowe. AI/ML musi być rozwijany, aby akceptować niedoskonałe dane wyjściowe i wyniki, szczególnie we wczesnych fazach opracowywania algorytmów”. Brewer omówił także, w jaki sposób armia amerykańska poszukuje rozwiązań sztucznej inteligencji. Ostatnio Siły Powietrzne USA były zainteresowane współpracą z polską firmą i jej produktem Rescue Glass. Rescue Glass to narzędzie zaprojektowane do prowadzenia użytkownika przez operację ratunkową w czasie rzeczywistym, zapewniając natychmiastowe instrukcje ze zdalnej lokalizacji za pomocą zlokalizowanego ratownika medycznego.

David Brewer,  United States Air Force

Miałem również przyjemność poznać Reida Blackmana, autora książki „Etyczne maszyny: Twój zwięzły przewodnik po całkowicie bezstronnej, przejrzystej i szanowanej sztucznej inteligencji”. Blackman mówił o tym, jak organizacje mogą zoperacjonalizować etykę AI.

Reid Blackman, Virtue

Warto wspomnieć o kilku dodatkowych wykładach następujących firm: Superb AI (reprezentowana przez Hyun Kim), DynamoFL (reprezentowana przez Vaikkunth Mugunthan) i aiXplain (reprezentowana przez Hassan Sawaf) były imponującymi prezentacjami. Podsumowując, prowadzenie znaczących, branżowych rozmów z tak niesamowitymi ludźmi było bardzo inspirujące. Chociaż uwielbiam rozmawiać o AI z inspirującymi liderami, osobiste kontakty, które nawiązałem po drodze, dodały całemu doświadczeniu ogromnej wartości.

Vaikkunth Mugunthan, DynamoFL

Hassan Sawaf, aiXplain

Jedyna krytyka, jaką mogę skierować w związku z wydarzeniem, to informacje podane podczas prezentacji firm konsultingowych. Informacje te były bowiem bardzo ogólne i dawały niewiele szczegółowych informacji. Niemniej jednak jestem pod wrażeniem różnorodności talentów, jakie ta konferencja mogła zgromadzić. 

Podsumowanie

Ai4 to wydarzenie, które powinien śledzić każdy, choćby w najmniejszym stopniu, zainteresowany sztuczną inteligencją. Mnóstwo prezentowanych informacji i możliwość poznania niesamowitych ludzi, którzy bezpośrednio wpływają na świat sztucznej inteligencji, jest naprawdę inspirujące i nieocenione. Z tegorocznej konferencji nawiązałem niezapomniane wspomnienia i mam nadzieję, że będę miał okazję uczestniczyć w wielu kolejnych konferencjach Ai4.