Flytter seg forbi hypen: Operasjonalisering av AI og ML for bedriftsresultater

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

I over ett tiår har bedrifter, fra små start-ups til store konserner, snakket om løftene til kunstig intelligens (AI) og maskinlæring (ML). Ifølge disse profetiene skulle AI og ML forvandle moderne arbeid, automatisere hverdagsprosesser og la menneskelige ansatte fokusere på høyere nivåoppgaver.

Ti år senere har løftene om AI for mange bedrifter bare vært løfter, og ikke noe mer. Mens mange av disse organisasjonene har tatt skritt for å akselerere sine digitale transformasjonsbestrebelser, er det noen vanlige fallgruber som ofte forhindrer at AI/ML-drømmen blir realisert.

Hva har vært noen av de største faktorene som har hindret den transformative potensialet til AI og ML?

• Mangel på organisasjon: Det første skrittet til en vellykket AI-strategi er å samle inn data. Men like viktig er å planlegge for organiseringen av denne dataen; bedrifter som samler inn en skattkiste av data uten noen plan for hvordan de skal organisere det, analysere det og sette det i arbeid, blir igjen med en uraffinert, praktisk sett ubrukelig ressurs. Hva er verdien i å oppdage olje hvis du ikke har noen måte å få det ut av bakken eller raffinere det for bruk?
• Delvis adopsjon: Mens digitale transformasjoner lover langsiktige kostnadsbesparelser, kan den innledende prislappen for å adoptere ny teknologi være steil. Dette fører til at noen bedrifter tar en delvis tilnærming til integrering av AI-verktøy, uten å vurdere hvordan denne enkeltløsningen vil passe inn i en større veikart.
• Manglende prosesser/disseiplin: AI- og ML-løsninger vil naturlig bli fremmet og introdusert av bestemte ledere innen bedriften, men deres suksess avhenger av institusjonell tilslutning fra topp til bunn. Tidlige adopterer må forberede rullebanen for en bredere adopsjon, og innføre disiplin og rutiner som er nødvendige for å gjøre integreringen av nye verktøy så smidig som mulig.

Det siste året har vist at det ikke er tid til å våge i forhold til digital transformasjon og automatisering av rutiner gjennom AI og ML. Ifølge Fortune Business Insights ventes det globale markedet for kunstig intelligens å nå 267 milliarder dollar i 2027, noe som representerer en nesten ti-dobling av væksten fra en verdi på 27 milliarder dollar i 2019. En langsiktig skifte til fjernarbeid på grunn av COVID-19-pandemien har presset bedrifter til å adoptere nye løsninger; Twilios COVID-19 Digital Engagement Report fant at 97% av ledere sa at pandemien akselererte deres digitale transformasjonsbestrebelser.

Så hva vil det ta for å flytte seg forbi hypen om AI og ML og faktisk operasjonalisere disse verktøyene? Noen teknologier og strategier kan gjøre forskjellen mellom en triumf eller en flopp:

1. AIOps, MLOps, DataOps

Å feste -Ops til en teknologi eller en applikasjon er en sikker måte å skape en ny buzzword, men ikke alle disse nye løsningene er værre enn ingenting. I virkeligheten kan strategier som AIOps, MLOps og DataOps tilby en løsning på utfordringen med å organisere all den dataen som samles inn innen en bedrift. Disse verktøyene anvender prinsippene for Agile-styring til AI, maskinlæring og datastyring, og forenkler dramatisk kunnskapen og innsatsen som er nødvendig for å få verdi fra nye løsninger. For bedrifter som tar sine første skritt inn i AI/ML og søker å komme i gang, er disse strategiene et måtte.

2. Low Code/No Code

De mest komplekse og nyanserte ML-modellene vil alltid kreve dedikerte utviklere og dataforskere for å sikre deres suksess. Imidlertid er utfordringene som mange bedrifter møter, ikke så kompliserte, og kan løses med enklere, standardiserte AI-løsninger. Low-code- og no-code-plattformer senker terskelen for ansatte med liten eller ingen bakgrunn i programvareutvikling. No-code-verktøy gjør det mulig for enhver ansatt å bygge løsninger som anbefalingsmotorer gjennom intuitive, dra-og-slip-plattformer, mens low-code-plattformer kan utføre komplekse oppgaver med bare noen få linjer med kode.

3. AutoAI og AutoML

Hvis kunstig intelligens og maskinlæring automatiserer forretningsprosesser, hvorfor skulle de selv trenge å bli automatisert? En avgjørende del av AI- og ML-suksess er refineringen: når disse verktøyene lærer på jobben og integrerer mer data, kan de jevnt og trutt forbedre sin ytelse og levere bedre resultater. AutoAI og AutoML utfører denne refineringprosessen uten å kreve noen menneskelig innsats, og skaper en uendelig positiv syklus. Mennesker kan sjekke inn på modellens ytelse for å forhindre fordommer og bekrefte at verktøyet tjener bedriftens behov, men AutoML gjør det mulig for ansatte å ta på seg andre utfordringer i løpet av dagen.

Som chipprodusenter og programvarebedrifter bryter nye barrierer med naturlig språkbehandling, nærmer AI/ML-feltet seg et vendepunkt som vil se en eksplosjon av nye bruksområder. Bedrifter må være forberedt på å reagere på disse nye teknologiene; de som ikke har huset i orden nå, vil bli igjen av konkurrenter som gjør.