Flytte seg forbi hype: Operasjonell gjennomføring av AI og ML for bedriftsresultater

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

I mer enn et tiår har bedrifter, fra små start-ups til store korporasjoner, snakket om løftene til kunstig intelligens (AI) og maskinlæring (ML). Ifølge disse profetiene ville 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 vist seg å være bare det – løfter, og ikke mer. Mens mange av disse organisasjonene har tatt skritt for å accelerere sine digitale transformasjonsbestrebelser, er det noen vanlige fallgruber som ofte gjør at AI/ML-drømmen ikke 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 en plan for hvordan de skal organisere den, analysere den og bruke den, er igjen med en uraffinert, praktisk sett ubrukelig ressurs. Hva er verdien i å oppdage olje hvis du ikke har noen måte å få den ut av bakken eller raffinere den for bruk?
• Delvis adopsjon: Mens digitale transformasjoner lover langsiktige kostnadsbesparelser, kan den initielle 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 den enkelte løsningen 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 adoptanter må forberede rullebanen for en bredere adopsjon, 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 å våge når det gjelder digital transformasjon og automatisering av rutiner gjennom AI og ML. Ifølge Fortune Business Insights forventes det globale markedet for kunstig intelligens å nå 267 milliarder dollar i 2027, noe som representerer en nesten tidobling av væksten fra en verdi på 27 milliarder dollar i 2019. En langvarig overgang 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.

Hva vil det ta å flytte seg forbi hypeen om AI og ML og faktisk operasjonell gjennomføre 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 vaporware. 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 ut verdien av nye løsninger. For bedrifter som tar sine første skritt inn i AI/ML og ønsker å komme i gang, er disse strategiene et måtte.

2. Low Code/No Code

De mest komplekse og nuanserte ML-modellene vil alltid kreve dedikerte utviklere og dataforskere for å sikre deres suksess. Men utfordringene som mange bedrifter møter, er ikke nær så kompliserte, og kan løses med enklere, en-størrelse-passer-alle AI-løsninger. Low-code- og no-code-plattformer senker terskelen for ansatte med liten eller ingen bakgrunn i programvareutvikling. No-code-verktøy muliggjør at alle ansatte kan 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 behøve å bli automatisert? En kritisk aspekt av AI- og ML-suksess er ideen om forfining: når disse verktøyene lærer på jobben og integrerer mer data, kan de jevnt over forbedre sin ytelse og levere bedre resultater. AutoAI og AutoML utfører denne forfiningsprosessen uten å kreve noen menneskelig innsats, og skaper en uendelig virtuell syklus. Mennesker kan sjekke inn på ytelsen til modellen for å forhindre fordommer og bekrefte at verktøyet tjener bedriftens behov, men AutoML muliggjør at ansatte kan ta på seg andre utfordringer under dag-til-dag-driften.

Ettersom chipprodusenter og programvareselskaper bryter ny grund med naturlig språkbehandling, nådde AI/ML-feltet 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 latt tilbake av konkurrenter som gjør.