Ηγέτες σκέψης

Η χρυσοθηρία της τεχνητής νοημοσύνης: τα κρυφά κόστη του τεχνικού χρέους στα επιχειρηματικά εγχειρήματα

Tony Lee
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ απόκλιση των μοντέλων τεχνητής νοημοσύνης δημιουργεί ένα δαπανηρό νέο τεχνικό χρέος…
Δείτε περισσότερα
  • Η απόκλιση των μοντέλων τεχνητής νοημοσύνης δημιουργεί ένα δαπανηρό νέο τεχνικό χρέος καθώς τα ξεπερασμένα δεδομένα εκπαίδευσης υποβαθμίζουν την ακρίβεια του συστήματος.
  • Το τεχνικό χρέος παραλύει τα έσοδα επιβραδύνοντας τους κύκλους πωλήσεων και εκτρέποντας τον χρόνο των προγραμματιστών από την καινοτομία.
  • Οι σταδιακές διορθώσεις κώδικα αποτελούν μια ασφαλέστερη μακροπρόθεσμη στρατηγική από τις επικίνδυνες πλήρεις ανακατασκευές πλατφόρμας για τη διαχείριση του χρέους.

Τον τελευταίο χρόνο, η τεχνητή νοημοσύνη έχει κατακτήσει την προσοχή των ηγετών των επιχειρήσεων, προκαλώντας τους να επιταχύνουν τις επενδύσεις σε εταιρείες AI ή να επιταχύνουν την εισαγωγή των δικών τους προϊόντων, προκειμένου να καλύψουν την απόσταση από τον ανταγωνισμό. Ωστόσο, στην βιασύνη να ενταχθούν σε αυτή τη νέα εποχή της τεχνολογικής προόδου, οι οργανισμοί που είναι νέοι στο AI μπορεί να μην λαμβάνουν υπόψη ένα σημαντικό παράγοντα που πρέπει να είναι στην κορυφή του νου τους όταν επενδύουν ή δημιουργούν νέα προϊόντα AI: το τεχνικό χρέος.

Αν και η ιδέα του τεχνικού χρέους δεν είναι καινούρια, η τεχνολογία AI φέρνει ένα διαφορετικό είδος τεχνικού χρέους σε σύγκριση με τις κανονικές υπηρεσίες λογισμικού. Και καθώς η τεχνολογία AI συνεχίζει να βελτιώνεται γρήγορα, προκαλεί αυτό το σημαντικό ζήτημα να αυξηθεί μαζί της.

Τι είναι το Τεχνικό Χρέος;

Το τεχνικό χρέος, στον απλούστερο ορισμό, είναι η συσσώρευση κακής ποιότητας κώδικα κατά τη δημιουργία ενός λογισμικού. Αυτό συνήθως προέρχεται είτε από ένα επιταχυμένο χρονοδιάγραμμα διάθεσης στην αγορά για να ικανοποιήσει τις επιχειρηματικές ανάγκες, είτε για να βγάλει κάτι εκεί έξω για να λάβει γρήγορα σχόλια από τους πελάτες. Όταν εξετάζουμε το τεχνικό χρέος, είναι σημαντικό να επικεντρωθούμε στη σκόπιμη πτυχή του, καθώς οι υπεύθυνοι λήψης αποφάσεων είναι συχνά ενήμεροι για τους κινδύνους με το λογισμικό και τις επιπτώσεις της επιλογής συντομεύσεων για χάρη της ταχύτητας. Η εμφάνιση της τεχνολογίας AI έχει φέρει μια διαφορετική και μοναδική πρόκληση όταν πρόκειται για τεχνικό χρέος, και με αυτό σημαντικά ρίσκα και επιπτώσεις που θα μπορούσαν να προκύψουν.

Όταν τα συστήματα AI αρχίζουν να γερνούν και τα δεδομένα εκπαίδευσης γίνονται ανακριβή και παλιά, το κόστος επένδυσης σε AI τώρα υπερβαίνει τον χρόνο και την επένδυση που απαιτείται για τη διατήρηση υψηλής ποιότητας δεδομένων εκπαίδευσης, διαδικασία γνωστή και ως υγιεινή δεδομένων.

Ας εξετάσουμε πώς το τεχνικό χρέος συσσωρεύεται, την επίδρασή του στην κερδοφορία και πώς οι οργανισμοί μπορούν να το θεραπεύσουν.

Πώς οι Οργανισμοί Συσσωρεύουν Τεχνικό Χρέος;

 Υπάρχουν δύο τρόποι με τους οποίους το λογισμικό μπορεί να συσσωρεύσει τεχνικό χρέος. Ο ένας είναι μέσω απλώς κακής ποιότητας κώδικα. Οι οργανισμοί μπορεί να αγοράσουν προϊόντα ή να τα κληρονομήσουν μέσω δραστηριότητας M&A, μόνο για να ανακαλύψουν ζητήματα ποιότητας επιπλέον των αργών ρυθμών αλλαγής και καινοτομίας. Ο άλλος είναι όταν οι ηγέτες επιλέγουν σκόπιμα να αναλάβουν τεχνικό χρέος.

Όταν πρόκειται για AI, πάνω από 72% των ηγετών θέλουν να υιοθετήσουν AI για να βελτιώσουν την παραγωγικότητα των εργαζομένων, ωστόσο η κορυφαία ανησυχία γύρω από την εφαρμογή AI είναι η ποιότητα και ο έλεγχος των δεδομένων. Φαίνεται αντίθετο για έναν οργανισμό να χρησιμοποιήσει ένα προϊόν που προωθεί την αύξηση της παραγωγικότητας, ενώ ταυτόχρονα απομακρύνει χρόνο από το ζωτικό έργο για τη συνεχή διόρθωση των ζητημάτων ποιότητας που προκαλούνται από το τεχνικό χρέος που μπορεί να θέσει σε κίνδυνο την παραγωγικότητα. Αλλά η υπόσχεση της μελλοντικής απόδοσης για την αύξηση της παραγωγικότητας υπερβαίνει αυτά τα εμπόδια στο άμεσο μέλλον, που θα επιστρέψουν τελικά και να επιβαρύνουν το λογισμικό μακροπρόθεσμα.

Model Drift: Ένας Νέος Τύπος Τεχνικού Χρέους

Με την εμφάνιση των αυξημένων επενδύσεων σε AI, οι οργανισμοί έχουν επισπεύσει τις στρατηγικές διάθεσης στην αγορά για να κερδίσουν από το χρυσωρυχείο της παραγωγικής τεχνητής νοημοσύνης. Ενώ αυτό μπορεί να λειτουργήσει ως ένας βραχυπρόθεσμος μοχλός εσόδων, οι οργανισμοί παραμελούν τι θα μπορούσε να είναι ένα μεγάλο ποσό τεχνικού χρέους στο μέλλον, γνωστό ως μετατόπιση μοντέλου (model drift).

Το model drift συμβαίνει όταν η απόδοση ενός συστήματος AI αρχίζει να μειώνεται και οι έξοδοι γίνονται λιγότερο ακριβείς καθώς τα δεδομένα εκπαίδευσης γερνούν. Εξετάζοντας τον κύκλο ζωής του AI, είναι σαφές ότι τα δεδομένα εκπαίδευσης θα χρειαστούν να διατηρηθούν και να ενημερωθούν συνεχώς για να διασφαλιστεί ότι οι απαντήσεις που παρέχει η μηχανή είναι όσο το δυνατόν πιο ακριβείς—αυτό είναι το σημείο όπου εμφανίζονται τα προβλήματα. Όταν βιάζονται να λάνσαρουν λύσεις, οι υπεύθυνοι λήψης αποφάσεων συχνά υποβαθμίζουν ζητήματα όπως η απόκτηση επιπλέον δεδομένων εκπαίδευσης, η διατήρηση της υγιεινής των δεδομένων του συστήματος και η διασφάλιση ότι υπάρχει μια εργατική δύναμη που έχει αρκετούς ανθρώπους για να υποστηρίξει αυτά τα καθήκοντα.

Όταν τα δεδομένα εκπαίδευσης συνεχίζουν να γερνούν και οι διαφορές μεταξύ πραγματικότητας και εξόδων αυξάνονται, οι οργανισμοί θα μείνουν με αυξημένα κόστη και χρόνο που θα πρέπει να διατεθούν για την αντιμετώπιση αυτών των ελλείψεων που θα μπορούσαν να είχαν αποφευχθεί με την κατάλληλη σχεδίαση διαδικασιών και πρωτοκόλλων. Σε λίγα λόγια: το να παραλείψουμε το επόμενο βήμα όταν σχεδιάζουμε μια στρατηγική go-to-market μπορεί να επιτρέψει μια ταχύτερη παράδοση, αλλά δεν αξίζει τις αναπόφευκτες συνέπειες που θα κοστίσει με πολλούς τρόπους μακροπρόθεσμα.

Το Τεχνικό Χρέος και η Επίδρασή του στην Κερδοφορία

Το τεχνικό χρέος μπορεί επίσης να επηρεάσει βαθιά τις οργανωτικές αποδοτικότητες — για παράδειγμα, οι πωλητές. Όταν το τεχνικό χρέος αρχίζει να συσσωρεύεται και ο ρυθμός αλλαγής επιβραδύνεται, γίνεται ολοένα και πιο δύσκολο για τους πωλητές να πείσουν τους πελάτες, που επιβραδύνει τα ποσοστά ολοκλήρωσης των πωλήσεων και τελικά τις ροές εσόδων ως αποτέλεσμα.

Πέρα από τις πωλήσεις, το τεχνικό χρέος επηρεάζει επίσης σημαντικά τις ομάδες των προγραμματιστών. Δεν θα απαιτήσει μόνο περισσότερο χρόνο που θα πρέπει να διατεθεί για την ενημέρωση του κώδικα, αλλά η προσοχή που απομακρύνεται μεταθέτει την καινοτομία σε δεύτερη μοίρα. Με την μεταφορά της προσοχής και του χρόνου στη συντήρηση, ο οδικός χάρτης του προϊόντος θα καθυστερήσει ή θα εγκαταλειφθεί, δημιουργώντας ένα κυματικό αποτέλεσμα που θα μπορούσε τελικά να οδηγήσει σε αμφισβήτηση μεταξύ της μηχανικής και εμπορικής πλευράς της επιχείρησης. Χωρίς οδικό χάρτη προϊόντος να ακολουθήσουν, οι πωλητές θα μείνουν με είτε αθετημένες υποσχέσεις είτε τίποτα να δείξουν στους πελάτες, που θα επηρεάσει ξανά σημαντικά τις ροές εσόδων.

Πώς να Αντιμετωπίσουμε το Τεχνικό Χρέος

Όταν η προβλεψιμότητα της παράδοσης μειώνεται, οι οργανισμοί θα αρχίσουν να βλέπουν την υποχώρηση της οργανωτικής αποδοτικότητας, οδηγώντας σε συζητήσεις σχετικά με το πώς να αντιμετωπίσουν τις προκλήσεις που αντιμετωπίζουν. Υπάρχουν δύο τρόποι με τους οποίους οι υπεύθυνοι λήψης αποφάσεων μπορούν να χρησιμοποιήσουν για να καταπολεμήσουν το τεχνικό χρέος. Ο πρώτος είναι να απορρίψουν την πλατφόρμα και τον κώδικα εντελώς και να μεταβούν σε νέα πλατφόρμα, ή να ενσωματώσουν μικρές σταδιακές αλλαγές, παρόμοιες με το να καθαρίζετε σιγά-σιγά ένα δωμάτιο ένα αντικείμενο κάθε φορά, για να βγάλουν τελικά τα συστήματα στο σωστό επίπεδο.

Η πρώτη μέθοδος, η επαναπλατφόρμιση, απαιτεί μια πλήρη ανακαίνιση των συστημάτων σας, και είναι ένας τεράστιος και ακριβός κίνδυνος που πρέπει να αναληφθεί. Παρόμοια με μια μεγάλη κατασκευαστική διαδικασία, οποιαδήποτε καθυστέρηση στο χρονοδιάγραμμα μπορεί να ανατρέψει τον προγραμματισμό των προϊόντων και θα μπορούσε να οδηγήσει σε αποτυχία της προσπάθειας. Αυτή η μέθοδος μπορεί να λειτουργήσει μερικές φορές, όμως. Πάρτε το LinkedIn για παράδειγμα – μετά την IPO του το 2011, η εταιρεία μετέφερε την ιστοσελίδα της σε νέα πλατφόρμα και τώρα είναι ένας μεγάλος παίκτης στην αγορά.

Η ασφαλέστερη επιλογή, η πραγματοποίηση μικρών αλλαγών που θα προστεθούν τελικά σε σημαντικές βελτιώσεις, είναι μια εναλλακτική προσέγγιση που αξίζει να υποστηριχθεί. Με τους προγραμματιστές που ήδη αλληλεπιδρούν με δεδομένα καθημερινά, η εισαγωγή μικρών διορθώσεων εδώ και εκεί μπορεί να βελτιώσει τα συστήματα και να εξαλείψει το τεχνικό τους χρέος. Επίσης, ωφελεί τις δεξιότητες των προγραμματιστών, καθώς απαιτεί από αυτούς να μείνουν ενημερωμένοι με τις τελευταίες προδιαγραφές κώδικα και τεχνολογίας, που με τη σειρά του οδηγεί έναν οργανισμό στην τεχνική επιτυχία, καθώς έχουν λιγότερες ελλείψεις δεξιοτήτων. Η εφαρμογή μιας πρωτοβουλίας που οδηγείται από τους μηχανικούς, όπου τους ανατίθεται το 20% του χρόνου τους για να προγραμματίσουν ενημερώσεις προϊόντων, είναι ένας καλός τρόπος να ξεκινήσετε. Ενώ αυτή η διαδικασία είναι πολύ πιο αργή από την επαναπλατφόρμιση, είναι λιγότερο επικίνδυνη και εξακολουθεί να παράγει αξία για το μοντέλο επιχείρησης.

Αφήστε το Τεχνικό Χρέος Πίσω σας στην Εποχή του AI

Όσο η τεχνολογία AI συνεχίζει να αναπτύσσεται γρήγορα, θα συνεχίσουμε να βλέπουμε περισσότερες λύσεις που αναδύονται που ισχυρίζονται κέρδη παραγωγικότητας και οργανωτικών αποδοτικωτήτων. Ενώ αυτό είναι αλήθεια, οι υπεύθυνοι λήψης αποφάσεων πρέπει να δώσουν προτεραιότητα στην ενσωμάτωση τεχνικών όπως η συνεχής διατήρηση δεδομένων και να σκεφτούν το μεγάλο πλάνο όταν πρόκειται για τον κύκλο ζωής της λύσης σας. Η επένδυση σε AI δεν πρέπει να είναι δαπανηρή και αποθαρρυντική, και με μερικές μικρές αλλαγές στη σχεδίαση και τη στρατηγική go-to-market, μπορείτε να αποφύγετε το επόμενο βουνό τεχνικού χρέους.

Tony Lee, CTO στο Hyperscience, ηγείται των ομάδων Προϊόντος, Σχεδίασης και Μηχανικής. Έχει διατελέσει σε υψηλές ηγετικές θέσεις στο Yahoo, Box, Zendesk και Dropbox. Ο Tony ξεκίνησε την 25χρονη καριέρα του ως μηχανικός στη NASA, όπου εργάστηκε σε λογισμικό αυτοματοποίησης για τον έλεγχο της εναέριας κυκλοφορίας και αργότερα συνέχισε την έρευνά του στην βελτιστοποίηση των υπολογιστικών δικτύων. Κατέχει διδακτορικό τίτλο στη Μηχανική και συνδυασμένο τίτλο στη Μηχανική και Πολιτική Επιστήμη από το Πανεπιστήμιο Μπράουν.