Att gå förbi hypen: Operationalisera AI och ML för företagsresultat

Av: Krishnan Venkata, Chief Client Officer på digitala analytikerföretaget LatentView Analytics.

För mer än ett decennium har företag, från små start-ups till stora koncerner, talat om löftet om artificiell intelligens (AI) och maskinlärning (ML). Enligt dessa profetior skulle AI och ML förvandla det moderna arbetet, automatisera vardagliga processer och låta mänskliga anställda fokusera på högre nivåuppgifter.

Tio år senare har löftet om AI för många företag visat sig vara just det – ett löfte, och ingenting mer. Medan många av dessa organisationer har tagit steg för att påskynda sina digitala transformationsansträngningar, finns det några vanliga fallgropar som ofta lämnar AI/ML-drömmen ouppfylld.

Vilka har varit några av de största faktorerna som har hindrat den transformerande potentialen hos AI och ML?

• Brist på organisation: Det första steget till en framgångsrik AI-strategi är att samla in data. Men lika viktigt är att planera för organisationen av den data; företag som samlar en skattkista av data utan någon plan för hur de ska organisera den, analysera den och använda den är kvar med en outvecklad, praktiskt taget oanvändbar resurs. Vad är värdet i att upptäcka olja om du inte har något sätt att få ut den ur marken eller raffinera den för användning?
• Delvis antagande: Medan digitala transformationer lovar långsiktiga kostnadsbesparingar, kan den initiala prislappen för att anta ny teknik vara hög. Detta leder till att vissa företag tar en delvis approach till att integrera AI-verktyg, utan att överväga hur den enskilda lösningen kommer att passa in i en större vägkarta.
• Saknad process/disciplin: AI- och ML-lösningar kommer naturligtvis att främjas och introduceras av specifika ledare inom företaget, men deras framgång beror på institutionellt stöd från topp till botten. Tidiga antagare behöver förbereda startbanan för en bredare antagande, och införa disciplin och rutiner som är nödvändiga för att göra integrationen av nya verktyg så smidig som möjligt.

Det senaste året har visat att det inte finns någon tid att slösa bort när det gäller digital transformation och automatisering av rutiner genom AI och ML. Enligt Fortune Business Insights förväntas den globala marknaden för artificiell intelligens nå 267 miljarder dollar år 2027, vilket representerar en nästan tiofaldig tillväxt från ett värde på 27 miljarder dollar år 2019. En långsiktig förändring till distansarbete som orsakats av COVID-19-pandemin har tvingat företag att anta nya lösningar; Twilios COVID-19 Digital Engagement Report fann att 97% av cheferna sa att pandemin accelererade deras digitala transformationsansträngningar.

Så vad kommer det att ta för att gå förbi hypen kring AI och ML och faktiskt operationalisera dessa verktyg? Några tekniker och strategier kan göra skillnaden mellan en triumf eller en flopp:

1. AIOps, MLOps, DataOps

Att lägga till -Ops till en teknik eller applikation är ett säkert recept för ett nytt buzzword, men inte alla dessa nya lösningar är luft. I själva verket kan strategier som AIOps, MLOps och DataOps erbjuda lösningen på utmaningen att organisera all den data som samlas in inom ett företag. Dessa verktyg tillämpar principerna för Agile management på AI, maskinlärning och datahantering, vilket dramatiskt förenklar kunskapen och ansträngningen som krävs för att få ut värde från nya lösningar. För företag som tar sina första steg in i AI/ML och vill komma igång är dessa strategier ett måste.

2. Low Code/No Code

De mest komplexa och nyanserade ML-modellerna kommer alltid att kräva dedikerade utvecklare och dataforskare för att säkerställa deras framgång. Men utmaningarna som många företag står inför är inte nästan så komplicerade och kan lösas med enklare, standardiserade AI-lösningar. Low-code- och no-code-plattformar sänker tröskeln för anställda med liten eller ingen bakgrund inom programutveckling. No-code-verktyg möjliggör att alla anställda kan bygga lösningar som rekommendationssystem genom intuitiva, dra-och-släpp-gränssnitt, medan low-code-plattformar kan utföra komplexa uppgifter med bara några rader kod.

3. AutoAI och AutoML

Om artificiell intelligens och maskinlärning automatiserar affärsprocesser, varför skulle de då själva behöva automatiseras? En avgörande aspekt av AI- och ML-succes är idén om förfining: när dessa verktyg lär sig på jobbet och integrerar mer data, kan de ständigt förbättra sin prestanda och leverera förbättrade resultat. AutoAI och AutoML utför denna förfiningsprocess utan att kräva någon mänsklig inmatning, vilket skapar en oändlig virtuell cykel. Människor kan kontrollera modellens prestanda för att förhindra fördomar och bekräfta att verktyget tjänar företagets behov, men AutoML möjliggör att anställda kan ta itu med andra utmaningar under dagen.

När chip-tillverkare och programvaruföretag bryter ny mark med naturlig språkbehandling, når AI/ML-området en vändpunkt som kommer att se en explosion av nya användningsfall. Företag måste vara beredda att reagera på dessa nya tekniker; de som inte har sitt hus i ordning nu kommer att lämnas bakom av konkurrenter som gör det.