Zašto biste trebali razmišljati o AI kao o timskom sportu

Šta znači razmišljati o AI kao timskom sportu? Vidimo da se projekti umjetne inteligencije pomjeraju od hype ka utjecaju, uglavnom zato što se prave uloge uključuju kako bi se osigurao poslovni kontekst koji je ranije nedostajao. Stručnost u domeni je ključna; mašine nemaju dubinu konteksta koju ljudi imaju, a ljudi moraju dovoljno dobro poznavati poslovanje i podatke da bi razumjeli koje radnje poduzeti na osnovu bilo kakvih uvida ili preporuka koje se pojave.

Kada je u pitanju skaliranje AI, mnogi lideri misle da imaju problem s ljudima – konkretno, nema dovoljno naučnika za podatke. Ali nije svaki poslovni problem problem nauke o podacima. Ili barem, ne bi svaki poslovni izazov trebao biti bačen na vaš tim za nauku o podacima. Uz pravi pristup, možete iskoristiti prednosti AI bez izazova koji dolaze s tradicionalnim ciklusima nauke o podacima.

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

Organizacije demokratizuju naprednu analizu pomoću veštačke inteligencije

Korištenje AI za rješavanje poslovnih problema uvelike je bila u nadležnosti naučnika podataka. Često su timovi za nauku o podacima rezervisani za najveće mogućnosti organizacije i najsloženije izazove. Mnoge organizacije su bile uspješne u primjeni nauke o podacima na specifične slučajeve upotrebe kao što su otkrivanje prijevara, personalizacija i još mnogo toga, gdje duboka tehnička stručnost i fino podešeni modeli dovode do izuzetno uspješnih rezultata.

Međutim, skaliranje AI rješenja kroz vaš tim za nauku podataka predstavlja izazov za organizacije, iz mnogo razloga. Privlačenje i zadržavanje talenata je veoma skupo i može biti teško na konkurentnom tržištu. Tradicionalnim projektima nauke o podacima često može biti potrebno dosta vremena da se razviju i implementiraju prije nego što posao uvidi vrijednost. Čak i najiskusniji, najsnažniji timovi za nauku o podacima mogu propasti ako nemaju potrebne podatke ili kontekst da razumiju nijanse problema koji se od njih traži da riješe.

Gartner® za 2021 Stanje nauke o podacima i mašinskog učenja (DSML) izvještaj navodi da se „tražnja klijenata mijenja, s manje tehničkom publikom koja želi lakše primijeniti DSML, stručnjacima koji trebaju poboljšati produktivnost i preduzećima koja zahtijevaju kraće vrijeme da procijene 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. U stvari, isti izvještaj Gartnera predviđa da “do 2025. nedostatak naučnika podataka više neće ometati usvajanje nauke o podacima i mašinskog učenja u organizacijama”.

Stručnost u domeni je ključna za skaliranje AI u cijelom poslovanju

AI već pomaže u donošenju naprednih mogućnosti analize korisnicima koji nemaju pozadinu nauke o podacima. Mašine mogu birati između najboljih modela i algoritama za predviđanje, a osnovni modeli mogu biti izloženi, nudeći mogućnost da ih podese i osiguraju da sve odgovara onome što korisnik traži.

Ove mogućnosti daju analitičarima i vještim stručnjacima iz poslovne domene mogućnost da dizajniraju i iskoriste vlastite AI aplikacije. Budući da su bliži podacima, ovi korisnici imaju prednost u odnosu na mnoge svoje kolege naučnike iz oblasti podataka. Stavljanje ove moći u ruke onih sa ekspertizom u domeni može pomoći u izbjegavanju dugog vremena razvoja, opterećenja resursima i skrivenih troškova povezanih s tradicionalnim ciklusima nauke o podacima. Osim toga, ljudi sa ekspertizom u domeni trebali bi biti ti koji odlučuju da li su predviđanje ili sugestija umjetne inteligencije uopće od pomoći.

Sa iterativnijim procesima izgradnje modela koji se revidiraju i ponovo raspoređuju, ljudi s poslovnim kontekstom mogu brže dobiti vrijednost od AI – čak i implementiranje novih modela hiljadama korisnika u roku od nekoliko dana do sedmica, umjesto sedmica ili mjeseci. Ovo je posebno snažno za one timove čiji jedinstveni izazovi možda nisu visoki prioritet timovima za nauku 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 naučnika podataka, to nije zamjena za potonje. Naučnici podataka ostaju kritičan partner sa poslovnim stručnjacima za validaciju podataka koji se koriste u rješenjima koja podržavaju umjetnu inteligenciju. A pored ove saradnje, obrazovanje i veštine podataka biće od ključne važnosti za uspešno korišćenje ovakvih alata u velikom obimu.

Podatkovna pismenost osnažuje više ljudi da iskoriste AI

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

Najnovije globalno istraživanje kompanije McKinsey o AI otkrilo je da u 34% organizacija sa visokim učinkom „namenski centar za obuku razvija veštine veštačke inteligencije netehničkog osoblja kroz praktično učenje“, u poređenju sa samo 14% svih ostalih anketiranih. Pored toga, u 39% organizacija sa visokim učinkom „postoje određeni kanali komunikacije i dodirnih tačaka između korisnika AI i organizacionog tima za nauku o podacima“, u poređenju sa samo 20% drugih.

Lideri mogu koristiti različite pristupe kako bi izgradili pismenost podataka, od obrazovanja i obuke, mentorskih programa, takmičenja u podacima o izgradnji 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 nauci o podacima moraju biti rašireniji i poučavati se ranije“, rekla je Vidya Setlur, voditeljica Tableau Research-a. “Postoji neka vrsta društvene i organizacijske odgovornosti 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 kulture podataka vaše organizacije stvara moćne mogućnosti za njegovanje vještina i podsticanje novih rješenja u cijelom poslovanju. Mnoge organizacije su već povećale svoja ulaganja u podatke i analitiku posljednjih godina, kako se digitalna transformacija ubrzala. Nije domet razmišljati o podacima kao o timskom sportu – a sada imamo sredstva da proširimo taj način razmišljanja na AI.