Przechodząc poza sensację: 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 nowoczesną 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 czymś więcej. Chociaż wiele z tych organizacji podjęło kroki w celu przyspieszenia swoich wysiłków w zakresie transformacji cyfrowej, kilka powszechnych pułapek często uniemożliwia realizację marzenia o AI/ML.

Jakie były największe czynniki hamujące potencjał transformacyjny AI i ML?

• Brak organizacji: Pierwszym krokiem do udanej strategii AI jest zbieranie danych. Ale równie ważne jest planowanie organizacji tych danych; firmy, które gromadzą skarbnicę danych bez planu, jak je zorganizować, przeanalizować i wykorzystać, pozostają z nieprzetworzonym, praktycznie niezdatnym do użycia zasobem. Jaka jest wartość odkrycia ropy naftowej, jeśli nie ma się sposobu, aby ją wydobyć z ziemi lub rafinować do użycia?
• Częściowa adopcja: Pomimo obietnic długoterminowych oszczędności kosztów, początkowa cena za przyjęcie nowej technologii może być wysoka. To szok cenowy powoduje, że niektóre przedsiębiorstwa przyjmują częściową strategię integracji 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 powodzenie zależy od instytucjonalnego zaangażowania od góry do dołu. Wczesni przyjmujący muszą przygotować drogę dla szerszego przyjęcia, wprowadzając dyscyplinę i rutyny niezbędne do tego, aby integracja nowych narzędzi była jak najgładziej możliwa.

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 stanowi prawie dziesięciokrotny wzrost w porównaniu z wartością 27 miliardów dolarów w 2019 roku. Długoterminowy przejście na pracę zdalną spowodowane pandemią COVID-19 zmusiło przedsiębiorstwa do przyjęcia nowych rozwiązań; raport COVID-19 Digital Engagement Report Twilio wykazał, że 97% dyrektorów wykonawczych stwierdziło, że pandemia przyspieszyła ich wysiłki w zakresie transformacji cyfrowej.

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

1. AIOps, MLOps, DataOps

Dołączanie -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 wyzwania zorganizowania wszystkich danych zbieranych w ramach przedsiębiorstwa. Te narzędzia stosują zasady zarządzania Agile do AI, uczenia maszynowego i zarządzania danymi, odpowiednio, dramatycznie upraszczając wiedzę i wysiłek wymagany do uzyskania wartości z nowych rozwiązań. Dla firm, które robią swoje pierwsze kroki 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 powodzenie. Jednak wyzwania, z którymi mierzą się wiele przedsiębiorstw, nie są nawet tak skomplikowane 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, przeciągnij-i-upuść 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? Krytycznym aspektem powodzenia AI i ML jest idea ulepszenia: gdy te narzędzia uczą się na stanowisku i integrują więcej danych, mogą stopniowo doskonalić swoją wydajność i dostarczać lepsze wyniki. AutoAI i AutoML wykonują ten proces ulepszenia 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 codziennej pracy.

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