Depășirea hype-ului: operaționalizarea AI și ML pentru rezultatele afacerilor

De: Krishnan Venkata, Chief Client Officer la firma de analize digitale LatentView Analytics.

Pentru mai mult de un deceniu, afacerile, de la micii antreprenori la mari corporații, au vorbit despre promisiunea inteligenței artificiale (AI) și a învățării automatizate (ML). Conform acestor profeții, AI și ML ar trebui să transforme munca modernă, să automatizeze procesele de zi cu zi și să permită angajaților umani să se concentreze pe sarcini de nivel superior.

Zece ani mai târziu, pentru multe întreprinderi, promisiunea AI s-a dovedit a fi doar o promisiune, și nimic mai mult. În timp ce multe dintre aceste organizații au luat măsuri pentru a-și accelera eforturile de transformare digitală, câteva capcane comune adesea lasă visul AI/ML nerealizat.

Ce au fost unele dintre cele mai mari factori care au împiedicat potențialul transformativ al AI și ML?

• Lipsa de organizare: Primul pas către o strategie de succes AI este colectarea datelor. Dar la fel de importantă este planificarea organizării acestor date; afacerile care acumulează o comoară de date fără un plan pentru a le organiza, analiza și le pune în aplicare rămân cu o resursă nefinisată, practic inutilizabilă. Care este valoarea descoperirii petrolului dacă nu ai niciun mod de a-l scoate din pământ sau de a-l rafina pentru utilizare?
• Adoptarea fragmentată: În timp ce transformările digitale promit economii de cost pe termen lung, prețul inițial de adoptare a noilor tehnologii poate fi ridicat. Acest șoc al prețului duce unele întreprinderi să adopte o abordare fragmentată a integrării instrumentelor AI, fără a lua în considerare modul în care acea soluție unică se va potrivi într-o hartă mai mare.
• Procese lipsă / disciplină: Soluțiile AI și ML vor fi natural promovate și introduse de lideri specifici din cadrul companiei, dar succesul lor depinde de angajamentul instituțional de la sus în jos. Adoptatorii timpurii trebuie să pregătească pistele pentru adoptarea mai largă, instilând disciplina și rutinele necesare pentru a face integrarea noilor instrumente cât mai lină posibil.

Anul trecut a demonstrat că nu există timp de pierdut în ceea ce privește transformarea digitală și automatizarea rutinelor prin AI și ML. Conform Fortune Business Insights, piața globală a inteligenței artificiale se estimează că va ajunge la 267 de miliarde de dolari până în 2027, reprezentând o creștere de aproape zece ori față de valoarea de 27 de miliarde de dolari în 2019. O schimbare pe termen lung către munca la distanță, provocată de pandemia COVID-19, a determinat întreprinderile să adopte noi soluții; raportul COVID-19 Digital Engagement Report al Twilio a constatat că 97% dintre executivi au declarat că pandemia a accelerat eforturile lor de transformare digitală.

Deci, ce va fi necesar pentru a depăși hype-ul AI și ML și pentru a operaționaliza cu adevărat aceste instrumente? Câteva tehnologii și strategii pot face diferența între un triumf și un eșec:

1. AIOps, MLOps, DataOps

Atașarea “-Ops” la o tehnologie sau aplicație este o rețetă sigură pentru un nou cuvânt la modă, dar nu toate aceste soluții emergente sunt doar vorbe goale. De fapt, strategii precum AIOps, MLOps și DataOps pot oferi soluția la provocarea de a organiza toate aceste date colectate în cadrul unei întreprinderi. Aceste instrumente aplică principiile de management Agile la AI, învățare automatizată și gestionare a datelor, respectiv, simplificând dramatic cunoștințele și eforturile necesare pentru a obține valoare din noi soluții. Pentru afacerile care fac primii pași în AI/ML și care doresc să se pună la curent, aceste strategii sunt obligatorii.

2. Low Code/No Code

Modelele ML cele mai complexe și nuanțate vor necesita întotdeauna dezvoltatori și oameni de știință dedicați pentru a asigura succesul lor. Cu toate acestea, provocările cu care se confruntă multe întreprinderi nu sunt aproape atât de complicate și pot fi rezolvate cu soluții AI mai simple, de tip “una pentru toți”. Platformele low-code și no-code reduc bariera de intrare pentru angajații cu puțină sau deloc experiență în dezvoltarea de software. Instrumentele no-code permit oricărui angajat să creeze soluții precum motoare de recomandare prin intermediul unor platforme intuitive, de tip “drag-and-drop”, în timp ce platformele low-code pot efectua sarcini complexe cu doar câteva linii de cod.

3. AutoAI și AutoML

Dacă inteligența artificială și învățarea automatizată automatizează procesele de afaceri, de ce ar trebui ele însele să fie automate? Un aspect crucial al succesului AI și ML este ideea de rafinare: pe măsură ce aceste instrumente învață pe parcurs și integrează mai multe date, ele pot să-și perfecționeze în mod constant performanța și să ofere rezultate îmbunătățite. AutoAI și AutoML efectuează acest proces de rafinare fără a necesita niciun input uman, creând un ciclu virtuos nelimitat. Oamenii pot verifica performanța modelului pentru a preveni prejudecățile și pentru a confirma că instrumentul servește nevoilor întreprinderii, dar AutoML permite angajaților să se ocupe de alte provocări în timpul zilei de lucru.

Pe măsură ce producătorii de cipuri și companiile de software fac progrese în procesarea limbajului natural, domeniul AI/ML ajunge la un punct de cotitură care va vedea o explozie de noi cazuri de utilizare. Întreprinderile trebuie să fie pregătite să reacționeze la aceste tehnologii emergente; cele care nu își au casa în ordine acum vor fi lăsate în urmă de concurenții care o fac.