Pohybující se za hranice hype: Operační využití AI a ML pro obchodní výsledky

Autor: Krishnan Venkata, Chief Client Officer v digitální analytické firmě LatentView Analytics.

Already více než deset let mluví podniky od malých startupů po velké korporace o slibech umělé inteligence (AI) a strojového učení (ML). Podle těchto proroctví by AI a ML transformovaly moderní práci, automatizovaly každodenní procesy a umožnily lidským zaměstnancům soustředit se na úkoly vyšší úrovně.

Deset let poté se pro mnoho podniků slib AI ukázal být pouze slibem, a nic více. Zatímco mnoho z těchto organizací učinilo kroky k urychlení svých digitálních transformačních úsilí, několik běžných pastí často zmaří snahu o realizaci snu AI/ML.

Jaké byly některé z největších faktorů bránících transformačnímu potenciálu AI a ML?

• Chybějící organizace: Prvním krokem k úspěšné AI strategii je shromáždění dat. Avšak stejně důležité je plánování organizace těchto dat; podniky, které shromáždí poklad dat bez plánu, jak je organizovat, analyzovat a využívat, jsou ponechány s nevytříbeným, prakticky nevyužitelným zdrojem. Jaká je hodnota objevu ropy, pokud nemáte způsob, jak ji dostat z půdy nebo rafinovat pro použití?
• Částečné přijetí: Zatímco digitální transformace slibují dlouhodobé úspory nákladů, počáteční cena za přijetí nové technologie může být vysoká. Tato cena vede některé podniky k částečnému přístupu k integraci AI nástrojů, bez zohlednění toho, jak tato jednotlivá řešení zapadají do větší mapy.
• Chybějící procesy/disciplína: AI a ML řešení budou přirozeně prosazovány a zaváděny konkrétními lídry uvnitř společnosti, ale jejich úspěch závisí na institucionální akceptaci shora dolů. Raní adoptoři potřebují připravit dráhu pro širší přijetí, vštěpovat disciplínu a rutiny nezbytné pro co nejhladší integraci nových nástrojů.

Minulý rok ukázal, že není čas ztrácet se v digitální transformaci a automatizaci rutin prostřednictvím AI a ML. Podle Fortune Business Insights se očekává, že globální trh umělé inteligence dosáhne 267 miliard dolarů do roku 2027, což představuje téměř desetinásobný růst z hodnoty 27 miliard dolarů v roce 2019. Dlouhodobý posun k práci na dálku způsobený pandemií COVID-19 donutil podniky přijmout nová řešení; zpráva Twilio COVID-19 Digital Engagement Report zjistila, že 97 % výkonných ředitelů uvedlo, že pandemie urychlila jejich digitální transformační úsilí.

Co bude potřeba, aby se podniky dostaly za hranice hype AI a ML a skutečně operationalizovaly tyto nástroje? Několik technologií a strategií může udělat rozdíl mezi triumfem a neúspěchem:

1. AIOps, MLOps, DataOps

Přidání -Ops k technologii nebo aplikaci je jistý recept na nový buzzword, ale ne všechna tato nová řešení jsou vaporware. Ve skutečnosti mohou strategie jako AIOps, MLOps a DataOps nabídnout řešení problému organizace všech těch dat shromážděných uvnitř podniku. Tyto nástroje aplikují principy agilního řízení na AI, strojové učení a datové řízení, což dramaticky zjednodušuje znalosti a úsilí potřebné k získání hodnoty z nových řešení. Pro podniky, které dělají své první kroky do AI/ML a chtějí se dostat do tempa, jsou tyto strategie nezbytné.

2. Low Code/No Code

Nejsložitější a nejnuancovanější ML modely budou vždy vyžadovat věnované vývojáře a datové vědce, aby zajistili jejich úspěch. Avšak výzvy, kterým čelí mnoho podniků, nejsou téměř tak složité a mohou být řešeny pomocí jednodušších, univerzálních AI řešení. Low-code a no-code platformy snižují bariéru vstupu pro zaměstnance s malou nebo žádnou zkušeností se softwarovým vývojem. No-code nástroje umožňují kterémukoliv zaměstnanci vytvářet řešení, jako jsou doporučení, prostřednictvím intuitivních, drag-and-drop platforem, zatímco low-code platformy mohou provádět komplexní úkoly s pouze několika řádky kódu.

3. AutoAI a AutoML

Pokud umělá inteligence a strojové učení automatizují obchodní procesy, proč by sami potřebovali automatizaci? Kritickým aspektem úspěchu AI a ML je idea rafinace: jakmile se tyto nástroje učí na pracovišti a integrují více dat, mohou postupně vylepšovat své výkony a poskytovat lepší výsledky. AutoAI a AutoML provádějí tento proces rafinace bez nutnosti lidského vstupu, vytvářejíce nekonečný cirkus. Lidé mohou kontrolovat výkon modelu, aby zabránili předpojatostem a potvrdili, že nástroj slouží potřebám podniku, ale AutoML umožňuje zaměstnancům soustředit se na jiné výzvy během každodenní činnosti.

Jakmile čipoví výrobci a softwarové společnosti překročí hranice přirozeného jazykového zpracování, pole AI/ML dosáhne bodu zlomu, který uvidí explozi nových použití. Podniky musí být připraveny reagovat na tyto vznikající technologie; ty, které nemají svůj dům v pořádku nyní, budou zanechány za svými konkurenty, kteří ano.