Переходя за пределы шума: Операционализация ИИ и МО для бизнес-результатов

Автор: Кришнан Венката, главный офицер по работе с клиентами в компании LatentView Analytics.

Более десяти лет бизнесы, от небольших стартапов до крупных корпораций, говорили о перспективах искусственного интеллекта (ИИ) и машинного обучения (МО). Согласно этим пророчествам, ИИ и МО должны были преобразовать современную работу, автоматизируя повседневные процессы и позволяя человеческим сотрудникам сосредоточиться на более высокоуровневых задачах.

Через десять лет для многих предприятий обещание ИИ оказалось всего лишь обещанием, и ничего больше. Хотя многие из этих организаций предприняли шаги для ускорения своих усилий по цифровой трансформации, несколько распространенных ошибок часто оставляют мечту об ИИ/МО нереализованной.

Какие были некоторые из наиболее значительных факторов, препятствующих трансформационному потенциалу ИИ и МО?

• Отсутствие организации: Первый шаг к успешной стратегии ИИ – сбор данных. Но не менее важно планирование организации этих данных; бизнесы, которые накапливают огромное количество данных без плана, как их организовать, проанализировать и использовать, остаются с необработанным, практически неиспользуемым ресурсом. Какова ценность открытия нефти, если у вас нет возможности ее добывать или рафинировать для использования?
• Пiecemeal принятие: Хотя цифровые трансформации обещают долгосрочную экономию средств, первоначальная цена на принятие новой технологии может быть высокой. Это приводит некоторых предприятий к принятию поэтапного подхода к интеграции инструментов ИИ, без учета того, как это отдельное решение будет вписываться в более широкую дорожную карту.
• Отсутствие процессов/дисциплины: Решения ИИ и МО естественно будут поддерживаться и вводиться в действие конкретными лидерами внутри компании, но их успех зависит от институционального одобрения сверху донизу. Ранние принимающие должны подготовить взлетно-посадочную полосу для более широкого внедрения, прививая дисциплину и рутину, необходимые для того, чтобы интеграция новых инструментов была как можно более плавной.

Прошлый год показал, что нет времени для потери в плане цифровой трансформации и автоматизации рутинных задач с помощью ИИ и МО. Согласно Fortune Business Insights, мировой рынок искусственного интеллекта ожидается вырастет до 267 миллиардов долларов к 2027 году, что представляет собой почти десятикратный рост по сравнению с значением 27 миллиардов долларов в 2019 году. Долгосрочный переход к удаленной работе, вызванный пандемией COVID-19, заставил предприятия принять новые решения; отчет Twilio о цифровом взаимодействии во время COVID-19 показал, что 97% руководителей заявили, что пандемия ускорила их усилия по цифровой трансформации.

Итак, что потребуется, чтобы перейти за пределы шума вокруг ИИ и МО и фактически операционализировать эти инструменты? Несколько технологий и стратегий могут сделать разницу между триумфом или провалом:

1. AIOps, MLOps, DataOps

Присоединение “-Ops” к технологии или приложению – это рецепт для создания нового модного слова, но не все эти возникающие решения являются пустым звуком. На самом деле, стратегии, такие как AIOps, MLOps и DataOps, могут предложить решение проблемы организации всех этих данных, собираемых внутри предприятия. Эти инструменты применяют принципы управления Agile к ИИ, машинному обучению и управлению данными, соответственно, что значительно упрощает знания и усилия, необходимые для получения ценности от новых решений. Для бизнеса, делающих свои первые шаги в ИИ/МО и стремящихся быстро подняться на уровень, эти стратегии являются обязательными.

2. Low Code/No Code

Самые сложные и тонкие модели МО всегда будут требовать посвященных разработчиков и специалистов по данным, чтобы обеспечить их успех. Однако проблемы, с которыми сталкиваются многие предприятия, не так сложны и могут быть решены с помощью более простых, универсальных решений ИИ. Платформы с низким кодом и без кода снижают барьер для входа для сотрудников с небольшим или отсутствием опыта в программировании. Инструменты без кода позволяют любому сотруднику создавать решения, такие как системы рекомендаций, через интуитивно понятные, перетаскиваемые платформы, в то время как платформы с низким кодом могут выполнять сложные задачи всего с несколькими строками кода.

3. AutoAI и AutoML

Если искусственный интеллект и машинное обучение автоматизируют бизнес-процессы, то почему они сами должны быть автоматизированы? Критически важным аспектом успеха ИИ и МО является идея усовершенствования: когда эти инструменты учатся на работе и интегрируют больше данных, они могут постоянно улучшать свою производительность и обеспечивать лучшие результаты. AutoAI и AutoML выполняют этот процесс усовершенствования без необходимости какого-либо человеческого вмешательства, создавая бесконечный добродетельный цикл. Люди могут проверить производительность модели, чтобы предотвратить предвзятости и подтвердить, что инструмент служит потребностям предприятия, но AutoML позволяет сотрудникам заниматься другими задачами в повседневной работе.

Когда производители микрочипов и программные компании открывают новые возможности с помощью обработки естественного языка, область ИИ/МО достигает поворотного момента, который приведет к взрыву новых вариантов использования. Предприятиям необходимо быть готовыми реагировать на эти возникающие технологии; те, кто не имеет своего дома в порядке сейчас, будут оставлены позади конкурентами, которые это сделают.