Superant l'hype: operació d'IA i ML per als resultats empresarials

Per: Krishnan Venkata, director de clients de l'empresa d'anàlisi digital LatentView Analytics.

Durant més d'una dècada, empreses que van des de petites startups fins a grans corporacions han parlat de la promesa de la intel·ligència artificial (IA) i l'aprenentatge automàtic (ML). Segons aquestes profecies, la IA i el ML transformarien el treball modern, automatitzant els processos quotidians i permetent als empleats humans centrar-se en tasques de nivell superior.

Deu anys més tard, per a moltes empreses, la promesa de la IA ha resultat ser només això: una promesa i res més. Tot i que moltes d'aquestes organitzacions han pres mesures per accelerar els seus esforços de transformació digital, alguns inconvenients comuns sovint deixen el somni d'IA/ML sense fer realitat.

Quins han estat alguns dels factors més importants que frenen el potencial transformador de l'IA i l'ML?

• Falta d'organització: El primer pas per a una estratègia d'IA d'èxit és recollir dades. Però igualment important és planificar l'organització d'aquestes dades; les empreses que acumulen un tresor de dades sense cap pla sobre com organitzar-les, analitzar-les i posar-les en funcionament es queden amb un recurs sense refinar i pràcticament inutilitzable. Quin és el valor de descobrir petroli si no teniu cap manera de treure'l del sòl o refinar-lo per utilitzar-lo?
• Adopció fragmentària: Tot i que les transformacions digitals prometen estalvis de costos a llarg termini, el preu inicial per adoptar noves tecnologies pot ser elevat. Aquest xoc d'adhesius porta algunes empreses a adoptar un enfocament fragmentari per integrar les eines d'IA, sense tenir en compte com aquesta solució única s'adaptarà a un full de ruta més gran.
• Falten processos/disciplina: Les solucions d'IA i ML seran, naturalment, promogudes i introduïdes per líders específics de l'empresa, però el seu èxit depèn de l'adhesió institucional de dalt a baix. Els primers usuaris han de preparar la pista per a una adopció més àmplia, inculcant la disciplina i les rutines necessàries per fer que la integració de les noves eines sigui el més fluida possible.

L'any passat ha demostrat que no hi ha temps per perdre en termes de transformació digital i automatització de rutines mitjançant IA i ML. D'acord amb Fortune Business Insights, s'espera que el mercat global de la intel·ligència artificial assoleixi els 267 milions de dòlars el 2027, cosa que representa un creixement gairebé deu vegades des d'un valor de 27 milions de dòlars el 2019. Un canvi a llarg termini cap al treball remot provocat per la pandèmia de la COVID-19 ha empès les empreses a adoptar noves solucions; El Twilio Informe de compromís digital COVID-19 va trobar que el 97% dels executius van dir que la pandèmia va accelerar els seus esforços de transformació digital.

Llavors, què es necessitarà per superar el bombo d'IA i ML i posar en funcionament aquestes eines? Algunes tecnologies i estratègies poden marcar la diferència entre un triomf o un fracàs:

1. AIOps, MLOps, DataOps

Adjuntar -Ops a una tecnologia o aplicació és una recepta segura per a una nova paraula de moda brillant, però no totes aquestes solucions emergents són vaporware. De fet, estratègies com AIOps, MLOps i DataOps poden oferir la solució al repte d'organitzar totes les dades que es recullen dins d'una empresa. Aquestes eines apliquen els principis de la gestió àgil a la IA, l'aprenentatge automàtic i la gestió de dades, respectivament, simplificant dràsticament el coneixement i l'esforç necessari per obtenir valor de les noves solucions. Per a les empreses que fan els seus primers passos en IA/ML i busquen posar-se al dia, aquestes estratègies són imprescindibles.

2. Low Code/Sense codi

Els models de ML més complexos i matisats sempre requeriran desenvolupadors i científics de dades dedicats per garantir el seu èxit. Tanmateix, els reptes als quals s'enfronten moltes empreses no són tan complicats i es poden resoldre amb solucions d'IA més senzilles i universals. Les plataformes de codi baix i sense codi redueixen la barrera d'entrada per als empleats amb poca o cap formació en desenvolupament de programari. Les eines sense codi permeten a qualsevol empleat crear solucions com ara motors de recomanació mitjançant plataformes intuïtives d'arrossegar i deixar anar, mentre que les plataformes de codi baix poden realitzar tasques complexes amb només unes poques línies de codi.

3. AutoAI i AutoML

 Si la intel·ligència artificial i l'aprenentatge automàtic automatitzen els processos empresarials, per què haurien d'automatitzar-los ells mateixos? Un aspecte crucial de l'èxit d'IA i ML és la idea de perfeccionament: a mesura que aquestes eines aprenen a la feina i integren més dades, poden perfeccionar el seu rendiment de manera constant i oferir resultats millorats. AutoAI i AutoML realitzen aquest procés de perfeccionament sense requerir cap intervenció humana, creant un cicle virtuós sense fi. Els humans poden comprovar el rendiment del model per evitar biaixos i confirmar que l'eina compleix les necessitats de l'empresa, però AutoML permet als empleats assumir altres reptes durant el dia a dia.

 A mesura que els fabricants de xips i les empreses de programari obren nous camins amb el processament del llenguatge natural, el camp AI/ML està arribant a un punt d'inflexió que veurà una explosió de nous casos d'ús. Les empreses han d'estar preparades per reaccionar a aquestes tecnologies emergents; els que ara no tinguin casa en ordre quedaran enrere pels competidors que en tinguin.