Fremover fra hypen: Operationalisering af AI og ML til forretningsresultater

Af: Krishnan Venkata, Chief Client Officer i digital analytics-firmaet LatentView Analytics.

I mere end et årti har virksomheder, fra små startups til store koncerner, talt om løftet i kunstig intelligens (AI) og maskinlæring (ML). Ifølge disse profetier ville AI og ML forvandle det moderne arbejde, automatisere daglige processer og give menneskelige medarbejdere mulighed for at fokusere på højere niveau-opgaver.

Ti år senere er AI-løftet for mange virksomheder blevet til en løfte, og intet mere. Selv om mange af disse organisationer har taget skridt til at accelerere deres digitale transformationsindsats, er der nogle almindelige faldgruber, der ofte forhindrer, at AI/ML-drømmen bliver realiseret.

Hvad har været nogle af de største faktorer, der har hindret den transformative potentiale i AI og ML?

• Mangel på organisation: Det første skridt til en succesfuld AI-strategi er at indsamle data. Men lige så vigtigt er det at planlægge organisationen af denne data; virksomheder, der samler en skat af data uden en plan for, hvordan de skal organisere, analysere og udnytte den, er efterladt med en uraffineret, praktisk set ubrugelig ressource. Hvad er værdien i at opdage olie, hvis man ikke har en måde at få den ud af jorden eller raffinere den til brug?
• Split adoption: Mens digitale transformationer lover langsigtede omkostningsbesparelser, kan den initielle pris for at adoptere nye teknologier være høj. Dette prisstigning fører nogle virksomheder til at tage en split approach til integration af AI-værktøjer, uden at overveje, hvordan den enkelte løsning vil passe ind i en større vejviser.
• Manglende processer/disciplin: AI- og ML-løsninger vil naturligvis blive fremmet og introduceret af bestemte ledere inden for virksomheden, men deres succes afhænger af institutionel accept fra toppen til bunden. Tidlige adoptere behøver at forberede startbanen for en bredere adoption, ved at indføre disciplin og rutiner, der er nødvendige for at gøre integrationen af nye værktøjer så smidig som muligt.

Det sidste år har vist, at der ikke er tid at spilde, når det kommer til digital transformation og automatisering af rutiner gennem AI og ML. Ifølge Fortune Business Insights forventes det globale marked for kunstig intelligens at nå 267 milliarder dollars i 2027, hvilket repræsenterer en næsten ti-dobling af væksten fra en værdi på 27 milliarder dollars i 2019. En langsigtede skift til fjernarbejde, som er påtvunget af COVID-19-pandemien, har presset virksomheder til at adoptere nye løsninger; Twilios COVID-19 Digital Engagement Report fandt, at 97% af cheferne sagde, at pandemien accelererede deres digitale transformationsindsats.

Så hvad vil det kræve for at gå forbi hypen om AI og ML og faktisk operationalisere disse værktøjer? Nogle teknologier og strategier kan gøre forskellen mellem en triumf eller en fiasko:

1. AIOps, MLOps, DataOps

At tilføje -Ops til en teknologi eller anvendelse er en sikker recept på et nyt buzzword, men ikke alle disse nye løsninger er tomme ord. Faktisk kan strategier som AIOps, MLOps og DataOps tilbyde løsningen på udfordringen med at organisere all den data, der indsamles inden for en virksomhed. Disse værktøjer anvender principperne for Agile-styring til AI, maskinlæring og datastyring, hvilket dramatisk simplificerer viden og indsats, der er nødvendig for at udnytte værdien af nye løsninger. For virksomheder, der tager deres første skridt ind i AI/ML og søger at komme op at køre, er disse strategier et must.

2. Low Code/No Code

De mest komplekse og nuancerede ML-modeller vil altid kræve dedikeret udviklere og datavidenskabsmænd for at sikre deres succes. Men udfordringerne, som mange virksomheder står over for, er ikke nær så komplicerede og kan løses med simple, standardiserede AI-løsninger. Low-code- og no-code-platforme sænker barrieren for medarbejdere med lidt eller ingen baggrund i softwareudvikling. No-code-værktøjer giver mulighed for, at enhver medarbejder kan bygge løsninger som anbefalingsmotorer gennem intuitive, drag-and-drop-platforme, mens low-code-platforme kan udføre komplekse opgaver med kun få linjer kode.

3. AutoAI og AutoML

Hvis kunstig intelligens og maskinlæring automatiserer forretningsprocesser, hvorfor skulle de så selv behøve at blive automatiseret? En afgørende aspekt af AI- og ML-succes er idéen om raffinering: Da disse værktøjer lærer på arbejde og integrerer mere data, kan de stadig forfine deres præstation og levere forbedrede resultater. AutoAI og AutoML udfører denne raffineringsproces uden at kræve noget menneskeligt input, hvilket skaber en uendelig positiv cirkel. Mennesker kan tjekke ind på modellens præstation for at forhindre fordomme og bekræfte, at værktøjet tjener virksomhedens behov, men AutoML giver medarbejderne mulighed for at tage på andre udfordringer under dag-til-dag.

Da chipproducenter og software-virksomheder bryder ny jord med naturlig sprogbehandling, når AI/ML-feltet en vending, der vil se en eksplosion af nye brugsområder. Virksomheder må være forberedt på at reagere på disse nye teknologier; de, der ikke har deres hus i orden nu, vil blive efterladt af konkurrenter, der gør.