Przekraczając hiperę: operacjonalizacja AI i ML dla wyników biznesowych

Przez: Krishnan Venkata, Chief Client Officer w firmie analitycznej LatentView Analytics.

Przez ponad dekadę, firmy od małych startupów po duże korporacje mówiły o obietnicach sztucznej inteligencji (AI) i uczenia maszynowego (ML). Zgodnie z tymi przepowiedniami, AI i ML miały przekształcić współczesną pracę, automatyzując codzienne procesy i pozwalając pracownikom na skupienie się na zadaniach wyższego poziomu.

Dziesięć lat później, dla wielu przedsiębiorstw, obietnica AI okazała się być tylko obietnicą, a nie rzeczywistością. Chociaż wiele z tych organizacji podjęło kroki w celu przyspieszenia swoich wysiłków w zakresie transformacji cyfrowej, kilka powszechnych pułapek często uniemożliwia realizację marzeń o AI/ML.

Jaki były największe czynniki hamujące potencjał transformacyjny AI i ML?

• Brak organizacji: Pierwszym krokiem do udanej strategii AI jest zbieranie danych. Jednak równie ważne jest planowanie organizacji tych danych; firmy, które gromadzą skarbnicę danych bez planu, jak je zorganizować, przeanalizować i wykorzystać, pozostają z nieprzetworzonym, praktycznie nieprzydatnym zasobem. Jaka jest wartość odkrycia ropy, jeśli nie ma się sposobu, aby ją wydobyć z ziemi lub przetworzyć do użytku?
• Częściowa adopcja: Pomimo obietnic długoterminowych oszczędności kosztów, początkowa cena przyjęcia nowej technologii może być wysoka. To powoduje, że niektóre przedsiębiorstwa stosują częściową adopcję narzędzi AI, bez uwzględnienia, jak to pojedyncze rozwiązanie wpisze się w szerszy plan.
• Brak procesów/dyscypliny: Rozwiązania AI i ML będą naturalnie promowane i wprowadzane przez konkretnych liderów w firmie, ale ich sukces zależy od instytucjonalnego zaangażowania od góry do dołu. Wczesni przyjmujący muszą przygotować drogę dla szerszej adopcji, wprowadzając dyscyplinę i rutyny niezbędne do tego, aby integracja nowych narzędzi była jak najbardziej płynna.

Miniony rok pokazał, że nie ma czasu do stracenia, jeśli chodzi o transformację cyfrową i automatyzację rutynowych zadań za pomocą AI i ML. Zgodnie z Fortune Business Insights, globalny rynek sztucznej inteligencji ma osiągnąć 267 miliardów dolarów do 2027 roku, co oznacza prawie dziesięciokrotny wzrost w porównaniu z wartością 27 miliardów dolarów w 2019 roku. Długoterminowa zmiana na pracę zdalną spowodowana pandemią COVID-19 skłoniła przedsiębiorstwa do przyjęcia nowych rozwiązań; raport COVID-19 Digital Engagement Report Twilio pokazał, że 97% dyrektorów wykonawczych stwierdziło, że pandemia przyspieszyła ich wysiłki w zakresie transformacji cyfrowej.

Co więc jest potrzebne, aby przekroczyć hiperę AI i ML i rzeczywiście operacjonalizować te narzędzia? Kilka technologii i strategii może sprawić, że różnica między triumfem a porażką będzie znacząca:

1. AIOps, MLOps, DataOps

Dodanie -Ops do technologii lub aplikacji to pewny przepis na nowy buzzword, ale nie wszystkie te nowe rozwiązania są vaporware. W rzeczywistości, strategie takie jak AIOps, MLOps i DataOps mogą zapewnić rozwiązanie problemu organizacji wszystkich tych danych gromadzonych w ramach przedsiębiorstwa. Te narzędzia stosują zasady zarządzania Agile do AI, uczenia maszynowego i zarządzania danymi, odpowiednio, dramatycznie upraszczając wiedzę i wysiłek niezbędny do uzyskania wartości z nowych rozwiązań. Dla firm, które dokonują pierwszych kroków w AI/ML i chcą się rozwinąć, te strategie są konieczne.

2. Low Code/No Code

Najbardziej złożone i nuansowane modele ML zawsze będą wymagać dedykowanych deweloperów i naukowców, aby zapewnić ich sukces. Jednak wyzwania, przed którymi stają wiele przedsiębiorstw, nie są nawet zbliżone do tak złożonych i mogą być rozwiązane za pomocą prostszych, uniwersalnych rozwiązań AI. Platformy low-code i no-code obniżają barierę wejścia dla pracowników z niewielką lub żadną wiedzą na temat rozwoju oprogramowania. Narzędzia no-code umożliwiają każdemu pracownikowi budowanie rozwiązań, takich jak silniki rekomendacji, za pomocą intuicyjnych, przeciąganych i upuszczanych platform, podczas gdy platformy low-code mogą wykonywać złożone zadania za pomocą tylko kilku linii kodu.

3. AutoAI i AutoML

Jeśli sztuczna inteligencja i uczenie maszynowe automatyzują procesy biznesowe, to dlaczego same potrzebują być zautomatyzowane? Kluczowym aspektem sukcesu AI i ML jest idea doskonalenia: gdy te narzędzia uczą się w pracy i integrują więcej danych, mogą stopniowo udoskonalać swoją wydajność i dostarczać lepsze wyniki. AutoAI i AutoML wykonują ten proces doskonalenia bez wymagania jakiegokolwiek wkładu ludzkiego, tworząc niekończący się cykl pozytywny. Ludzie mogą sprawdzić wyniki modelu, aby zapobiec stronniczości i potwierdzić, że narzędzie służy potrzebom przedsiębiorstwa, ale AutoML umożliwia pracownikom zajmowanie się innymi wyzwaniami w trakcie codziennej pracy.

Ponieważ producenci chipów i firmy software’owe przełamują nowe granice z przetwarzaniem języka naturalnego, pole AI/ML osiąga punkt zwrotny, który zobaczy wybuch nowych przypadków użycia. Przedsiębiorstwa muszą być przygotowane do reagowania na te nowe technologie; te, które nie mają swojego domu w porządku teraz, zostaną pozostawione przez konkurentów, którzy tak mają.