Защо трябва да мислите за AI като отборен спорт

Какво означава да мислим за AI като отборен спорт? Виждаме, че проектите с изкуствен интелект се изместват от реклама към въздействие, до голяма степен защото се включват правилните роли, за да осигурят бизнес контекста, който е липсвал преди. Експертизата в областта е ключова; машините нямат дълбочината на контекста, каквато имат хората, и хората трябва да познават бизнеса и данните достатъчно добре, за да разберат кои действия да предприемат въз основа на всякакви прозрения или препоръки, които се появяват.

Когато става въпрос за мащабиране на AI, много лидери смятат, че имат проблем с хората – по-конкретно, няма достатъчно учени за данни. Но не всеки бизнес проблем е проблем на науката за данните. Или поне не всяко бизнес предизвикателство трябва да бъде отправено към вашия екип по наука за данни. С правилния подход можете да се възползвате от предимствата на AI без предизвикателствата, които идват с традиционните цикли на науката за данни.

За да внедрят и мащабират AI решения, лидерите трябва да променят мисленето на организацията, за да мислят за AI като екипен спорт. Някои проекти за изкуствен интелект се нуждаят от различен набор от хора, инструменти и очаквания за това как изглеждат успешните резултати. Знаейки как да разпознаете тези възможности, ще ви помогне да подходите към по-успешни проекти с изкуствен интелект и да задълбочите своята група от потребители на AI, като добавите скорост и сила към вземането на решения в цялата работна сила. Нека да проучим защо и как.

Организациите демократизират разширения анализ с AI

Използването на AI за решаване на бизнес проблеми до голяма степен е от компетенцията на учените по данни. Често екипите за наука за данни са запазени за най-големите възможности на организацията и най-сложните предизвикателства. Много организации са успели да прилагат науката за данни към конкретни случаи на употреба като откриване на измами, персонализиране и други, където дълбоките технически познания и фино настроените модели водят до изключително успешни резултати.

Въпреки това, мащабирането на AI решения чрез вашия екип за наука за данни е предизвикателство за организациите по много причини. Привличането и задържането на таланти е много скъпо и може да бъде трудно на един конкурентен пазар. Традиционните проекти за наука за данни често могат да отнемат много време за разработване и внедряване, преди бизнесът да види стойност. И дори най-опитните, стабилни екипи за наука за данни могат да се провалят, ако им липсват необходимите данни или контекст, за да разберат нюансите на проблема, който са помолени да решат.

Gartner® за 2021 г Състоянието на науката за данни и машинното обучение (DSML) докладът посочва, че „търсенето на клиентите се променя, като по-малко техническите аудитории искат да прилагат DSML по-лесно, експертите трябва да подобрят производителността и предприятията, изискващи по-кратко време за оценяване на своите инвестиции¹” Въпреки че може да има много бизнес проблеми, които могат да се възползват от скоростта или изчерпателността на анализа, който AI може да предостави, традиционният подход на науката за данни може да не винаги е най-добрият план за атака, за да видите стойността бързо. Всъщност същият доклад на Gartner прогнозира, че „до 2025 г. недостигът на учени за данни вече няма да възпрепятства приемането на науката за данни и машинното обучение в организациите“.

Експертизата в областта е от решаващо значение за мащабирането на AI в целия бизнес

AI вече помага за предоставянето на разширени възможности за анализ на потребители, които нямат опит в науката за данни. Машините могат да избират от най-добрите модели за прогнозиране и алгоритми, а основните модели могат да бъдат изложени, предлагайки възможността да ги настройват и да се уверят, че всичко съответства на това, което потребителят търси.

Тези възможности дават на анализаторите и квалифицираните експерти в областта на бизнеса способността да проектират и използват свои собствени AI приложения. Тъй като са по-близо до данните, тези потребители имат предимство пред много от своите колеги от учени по данни. Поставянето на тази сила в ръцете на тези с опит в областта може да помогне да се избегнат дългите времена за разработка, тежестта на ресурсите и скритите разходи, свързани с традиционните цикли на науката за данни. Освен това хората с опит в областта трябва да са тези, които решават дали прогнозата или предложението на AI дори е полезно.

С по-итеративни процеси за изграждане на модели за преразглеждане и повторно разгръщане, хората с бизнес контекст могат да получат стойност от AI по-бързо – дори да внедряват нови модели на хиляди потребители в рамките на дни до седмици, вместо седмици до месеци. Това е особено мощно за онези екипи, чиито уникални предизвикателства може да не са висок приоритет за екипите по наука за данни, но могат да се възползват от бързината и задълбочеността на анализа на AI.

Въпреки това е важно да се отбележи, че макар тези решения да могат да помогнат за справяне с разликата в уменията между анализатори и учени по данни, те не са заместител на последните. Учените за данни остават критичен партньор с бизнес експерти за валидиране на данните, използвани в решения с AI. И в допълнение към това сътрудничество, образованието и уменията за данни ще бъдат от решаващо значение за успешното използване на тези видове инструменти в мащаб.

Грамотността с данни дава възможност на повече хора да използват AI

Вашата основополагаща стратегия за данни играе огромна роля в настройването на вашата организация за успех с AI, но предоставянето на AI решения на повече хора в бизнеса ще изисква базова грамотност за данни. Разбирането кои данни е подходящо да се прилагат към бизнес проблем, както и как да се тълкуват данните и резултатите от препоръка за AI ще помогне на хората успешно да се доверят и да приемат AI като част от вземането на решения. Споделеният език на данни в рамките на организацията също отваря повече врати за успешно сътрудничество с експерти.

Последното глобално проучване на McKinsey за AI разкрива, че в рамките на 34% от високоефективните организации „специализиран център за обучение развива уменията на нетехническия персонал чрез ръчно обучение“ в сравнение със само 14% от всички останали анкетирани. Освен това в 39% от високоефективните организации „има определени канали за комуникация и точки на допир между потребителите на AI и екипа за наука за данни на организацията“, в сравнение само с 20% от другите.

Лидерите могат да използват различни подходи за изграждане на грамотност с данни, от образование и обучение, програми за наставничество, конкурси за данни за изграждане на общността и др. Помислете за нормализиране на достъпа и споделянето на данни, както и за това как празнувате и насърчавате успехите, знанията и вземането на решения с данни.

„Грамотността с данни и образованието относно визуализацията и науката за данни трябва да бъдат по-разпространени и да се преподават по-рано“, каза Видя Сетлур, ръководител на Tableau Research. „Има някаква социална и организационна отговорност, която идва с разчитането на използването на данни. Хората трябва да бъдат по-добре подготвени да разбират, интерпретират и да се възползват максимално от данните, защото AI ще става само по-сложен и ние трябва да сме няколко стъпки пред играта.

Продължаването да изграждате културата на данните на вашата организация създава мощни възможности за подхранване на умения и насърчаване на нови решения в целия бизнес. Много организации вече увеличиха инвестициите си в данни и анализи през последните години, тъй като цифровата трансформация се ускори. Не е лесно да се мисли за данните като за отборен спорт - и сега имаме средствата да разширим този начин на мислене до AI.