Μετακινώντας το Χόπια: Λειτουργικοποίηση του AI και ML για Επιχειρηματικά Αποτελέσματα

Từ: Krishnan Venkata, Chief Client Officer tại công ty phân tích kỹ thuật số LatentView Analytics.

Για περισσότερο από μια δεκαετία, οι επιχειρήσεις που κυμαίνονται από μικρές startups μέχρι μεγάλες εταιρείες έχουν μιλήσει για την υπόσχεση του τεχνητού νοημοσύνου (AI) και του μηχανικού μαθήματος (ML). Σύμφωνα με αυτές τις προφητείες, το AI και το ML θα μεταμορφώσουν τη σύγχρονη εργασία, αυτοματοποιώντας τις καθημερινές διαδικασίες και επιτρέποντας στους ανθρώπινους υπαλλήλους να εστιάσουν σε υψηλότερα επίπεδα εργασιών.

Δέκα χρόνια αργότερα, για πολλές επιχειρήσεις, η υπόσχεση του AI έχει αποδειχθεί μόνο μια υπόσχεση, και τίποτα περισσότερο. Ενώ πολλές από αυτές τις οργανώσεις έχουν κάνει βήματα για την επιτάχυνση των προσπαθειών ψηφιακής μεταμόρφωσης, κάποιες κοινές παγίδες συχνά αφήνουν το όνειρο του AI/ML ανεπιτυχές.

Ποια έχουν been einige από τα μεγαλύτερα παράγοντες που εμποδίζουν το μεταμορφωτικό δυναμικό του AI και ML;

• Ελλειψη οργάνωσης: Το πρώτο βήμα για μια επιτυχημένη στρατηγική AI είναι η συλλογή δεδομένων. Αλλά εξίσου σημαντικό είναι η σχεδίαση για την οργάνωση αυτών των δεδομένων. Οι επιχειρήσεις που συλλέγουν ένα θησαυρό δεδομένων χωρίς σχέδιο για το πώς να τα οργανώσουν, να τα αναλύσουν και να τα χρησιμοποιήσουν είναι оставлены με ένα ακατέργαστο, praktiquement αχρησιμοποίητο πόρο. Ποια είναι η αξία στην ανακάλυψη πετρελαίου αν δεν έχετε τρόπο να το βγάλете από το έδαφος ή να το μετατρέψετε για χρήση;
• Τμηματική υιοθέτηση: Ενώ οι ψηφιακές μεταμορφώσεις υπόσχονται μακροπρόθεσμες οικονομίες, το αρχικό κόστος για την υιοθέτηση νέας τεχνολογίας μπορεί να είναι υψηλό. Αυτό το κόστος οδηγεί κάποιες επιχειρήσεις να ακολουθήσουν μια τμηματική προσέγγιση για την ενσωμάτωση εργαλείων AI, χωρίς να λάβουν υπόψη πώς αυτή η μεμονωμένη λύση θα ταιριάξει σε ένα μεγαλύτερο δρόμο.
• Λείπουν διαδικασίες/πειθαρχία: Οι λύσεις AI και ML θα φυσικά υποστηρίζονται και εισαχθούν από συγκεκριμένους ηγέτες εντός της εταιρείας, αλλά η επιτυχία τους εξαρτάται από θεσμική έγκριση από πάνω προς τα κάτω. Οι πρώτοι που υιοθετούν πρέπει να προετοιμάσουν το δρόμο για ευρύτερη υιοθέτηση, εγκαθιστώντας τη πειθαρχία και τις ρουτίνες που είναι απαραίτητες για να κάνουν την ενσωμάτωση νέων εργαλείων όσο το δυνατόν ομαλότερη.

Το προηγούμενο έτος έχει δείξει ότι δεν υπάρχει χρόνος να χάθει σε ότι αφορά την ψηφιακή μεταμόρφωση και την αυτοματοποίηση διαδικασιών μέσω του AI και ML. Σύμφωνα με την Fortune Business Insights, η παγκόσμια αγορά για το τεχνητό νοημοσύνη αναμένεται να φτάσει τα 267 δισεκατομμύρια δολάρια μέχρι το 2027, αντιπροσωπεύοντας σχεδόν δέκα φορές αύξηση από την αξία των 27 δισεκατομμυρίων δολαρίων το 2019. Μια μακροπρόθεσμη μετατόπιση προς τη τηλεργασία που προκλήθηκε από την πανδημία COVID-19 έχει ωθήσει τις επιχειρήσεις να υιοθετήσουν νέες λύσεις. Η COVID-19 Digital Engagement Report της Twilio βρήκε ότι το 97% των διευθυντών είπε ότι η πανδημία επιτάχυνε τις προσπάθειές τους για ψηφιακή μεταμόρφωση.

Τι θα χρειαζόταν για να μετακινηθούμε πέρα από το χόπια του AI και ML και να λειτουργικοποιήσουμε πραγματικά αυτά τα εργαλεία; Μια σειρά τεχνολογιών και στρατηγικών μπορεί να κάνει τη διαφορά μεταξύ ενός θριάμβου ή μιας αποτυχίας:

1. AIOps, MLOps, DataOps

Η προσθήκη -Ops σε μια τεχνολογία ή εφαρμογή είναι ένα σίγουρο συνταγικό για ένα καινούριο buzzword, αλλά δεν όλες αυτές οι αναδυόμενες λύσεις είναι ατμός. Στην πραγματικότητα, στρατηγικές όπως το AIOps, MLOps και DataOps μπορούν να προσφέρουν την λύση στο πρόβλημα της οργάνωσης όλων αυτών των δεδομένων που συλλέγονται εντός μιας επιχείρησης. Αυτά τα εργαλεία εφαρμόζουν τις αρχές της Agile διαχείρισης στο AI, το μηχανικό μάθημα και τη διαχείριση δεδομένων, αντίστοιχα, μειώνοντας δραματικά τις γνώσεις και την προσπάθεια που απαιτούνται για να εξαγάγουν αξία από νέες λύσεις. Για τις επιχειρήσεις που κάνουν τα πρώτα τους βήματα στο AI/ML και επιθυμούν να βρουν ταχύτητα, αυτές οι στρατηγικές είναι απαραίτητες.

2. Low Code/No Code

Τα πιο σύνθετα και νюανσέ ML μοντέλα θα απαιτούν πάντα αφοσιωμένους προγραμματιστές και επιστήμονες δεδομένων για να διασφαλίσουν την επιτυχία τους. Ωστόσο, οι προκλήσεις που αντιμετωπίζουν πολλές επιχειρήσεις δεν είναι σχεδόν τόσο περίπλοκες και μπορούν να επιλυθούν με απλούστερες, one-size-fits-all λύσεις AI. Οι πλατφόρμες low-code και no-code μειώνουν το εμπόδιο εισόδου για τους υπαλλήλους με λίγη ή καθόλου εμπειρία στην ανάπτυξη λογισμικού. Τα εργαλεία no-code επιτρέπουν σε οποιοδήποτε υπαλλήλο να δημιουργήσει λύσεις όπως μηχανές συστάσεων μέσω εύχρηστων, drag-and-drop πλατφορμών, ενώ οι πλατφόρμες low-code μπορούν να εκτελέσουν σύνθετες εργασίες με μόνο quelques γραμμές κώδικα.

3. AutoAI και AutoML

Εάν το τεχνητό νοημοσύνη και το μηχανικό μάθημα αυτοματοποιούν τις επιχειρηματικές διαδικασίες, τότε γιατί θα χρειαζόταν να αυτοματοποιηθούν; Ένας κρίσιμος аспект της επιτυχίας του AI και ML είναι η ιδέα της βελτίωσης: καθώς αυτά τα εργαλεία μαθαίνουν στην εργασία και ενσωματώνουν περισσότερα δεδομένα, μπορούν να βελτιώσουν σταθερά την απόδοσή τους και να παρέχουν βελτιωμένα αποτελέσματα. Το AutoAI και το AutoML εκτελούν αυτή τη διαδικασία βελτίωσης χωρίς να απαιτούν ανθρώπινη εισαγωγή, δημιουργώντας έναν ατελείωτο εύνομο κύκλο. Οι άνθρωποι μπορούν να ελέγξουν την απόδοση του μοντέλου για να αποτρέψουν τις προκαταλήψεις και να επιβεβαιώσουν ότι το εργαλείο εξυπηρετεί τις ανάγκες της επιχείρησης, αλλά το AutoML επιτρέπει στους υπαλλήλους να αναλάβουν άλλες προκλήσεις κατά τη διάρκεια της καθημερινής εργασίας.

Καθώς οι κατασκευαστές chip και οι εταιρείες λογισμικού σπάζουν νέο έδαφος με την επεξεργασία φυσικής γλώσσας, το πεδίο του AI/ML φτάνει σε ένα σημείο καμπής που θα δει μια έκρηξη νέων περιπτώσεων χρήσης. Οι επιχειρήσεις πρέπει να είναι προετοιμασμένες να αντιδράσουν σε αυτές τις αναδυόμενες τεχνολογίες. Αυτοί που δεν έχουν το σπίτι τους σε τάξη τώρα θα μείνουν πίσω από τους ανταγωνιστές που το έχουν.