Hype’i Aşmak: İş Sonuçları için AI ve ML’yi İşletme

By: Krishnan Venkata, dijital analitik firması LatentView Analytics‘in Müşteri İlişkileri Başkanı.

On yıldan fazla bir süredir, küçük başlangıçlardan büyük şirketlere kadar birçok işletme, yapay zeka (AI) ve makine öğrenimi (ML) vaatlerinden bahsetti. Bu kehanetlere göre, AI ve ML modern işleri dönüştürecek, günlük süreçleri otomatikleştirecek ve insan çalışanların daha yüksek düzeyde görevlere odaklanmasına izin verecekti.

On yıl sonra, birçok şirket için AI vaadi sadece bir vaat olarak kaldı. Bu şirketlerin çoğu, dijital dönüşüm çabalarını hızlandırma adımları attı, ancak birkaç ortak tuzak AI/ML hayalini gerçekleştirememelerine neden oldu.

AI ve ML’nin dönüştürücü potansiyelini engelleyen en büyük faktörler nelerdi?

• Organizasyon eksikliği: Başarılı bir AI stratejisinin ilk adımı, veri toplamak. Ancak równally önemli olan, bu verilerin organizasyonunu planlamak; verilerini toplamış ancak bunları nasıl organize edeceklerini, analiz edeceklerini ve kullanacaklarını bilmeyen işletmeler, praktikte kullanılmaz bir kaynakla kalırlar. Petrolü keşfetmenin değeri nedir hvis onu çıkarmak veya kullanmak için bir yolunuz yoksa?
• Parmak izi benimseme: Dijital dönüşümler uzun vadeli maliyet tasarrufu vaat ediyor, ancak yeni teknoloji benimsemek için ilk maliyet etiketi yüksek olabilir. Bu etiket bazı işletmeleri, daha büyük bir yol haritası düşünmeden AI araçlarını parça parça benimsemeye yöneltiyor.
• Süreç/dİSİPLİN eksikliği: AI ve ML çözümleri, şirket içindeki belirli liderler tarafından savunulacak ve tanıtılacaktır, ancak bunların başarısı, üstten alta kurumun desteğine bağlıdır. Erken benimseyenler, daha geniş benimseme için necessary disiplini ve rutinleri oluşturmalı, yeni araçların entegrasyonunu mümkün olduğunca sorunsuz hale getirmelidir.

Geçtiğimiz yıl, dijital dönüşüm ve AI ve ML ile rutinleri otomatikleştirmek için zaman kaybetmemek gerektiğini gösterdi. Fortune Business Insights‘e göre, küresel AI pazarı 2027 yılında 267 milyar dolara ulaşması bekleniyor, bu da 2019’da 27 milyar dolar olan değerden neredeyse on kat büyüme anlamına geliyor. COVID-19 salgını nedeniyle ortaya çıkan uzun süreli uzaktan çalışma, işletmeleri yeni çözümler benimsemeye yöneltti; Twilio’nun COVID-19 Dijital Etkileşim Raporu, yöneticilerin %97’sinin salgının dijital dönüşüm çabalarını hızlandırdığını buldu.

Peki, AI ve ML’nin vaatlerinden gerçekleştirmek için neler gerekli? Bazı teknolojiler ve stratejiler başarılı olmak veya başarısız olmak arasında fark yaratabilir:

1. AIOps, MLOps, DataOps

Bir teknoloji veya uygulamaya -Ops eklemek, yeni bir moda sözcük yaratmanın garantili bir yoludur, ancak bu ortaya çıkan tüm çözümler buhar değildir. Aslında, AIOps, MLOps ve DataOps gibi stratejiler, bir işletme içinde toplanan tüm bu verilerin organizasyonu sorununa çözüm sunabilir. Bu araçlar, AI, makine öğrenimi ve veri yönetimine Agile yönetim ilkelerini uygular, bu da yeni çözümlerden değer elde etmek için gerekli bilgi ve çabayı dramatik olarak basitleştirir. AI/ML’ye ilk adımlarını atan ve hız kazanmaya çalışan işletmeler için bu stratejiler zorunludur.

2. Düşük Kod/Düşük Kod

En karmaşık ve nüanslı ML modelleri her zaman başarılı olmak için adanmış geliştiriciler ve veri bilimcilerine ihtiyaç duyacaktır. Ancak, birçok işletmenin karşılaştığı zorluklar nowhere near o kadar karmaşıktır ve basit, tek boyutlu AI çözümleriyle çözülebilir. Düşük kod ve düşük kod platformları, yazılım geliştirme deneyimi olmayan çalışanlar için giriş barajını düşürür. Düşük kod araçları, öneri motorları gibi çözümleri oluşturmak için sezgisel, sürükle ve bırak platformları sağlar, जबकi düşük kod platformları sadece birkaç satır kodla karmaşık görevleri gerçekleştirebilir.

3. AutoAI ve AutoML

Yapay zeka ve makine öğrenimi iş süreçlerini otomatikleştirdiği için, neden kendileri otomatikleştirilmeli? AI ve ML başarısının kritik bir yönü, iyileştirme kavramıdır: bu araçlar iş başında öğrenir, daha fazla veri entegre eder ve performansını sürekli olarak geliştirerek daha iyi sonuçlar sağlar. AutoAI ve AutoML, bu iyileştirme sürecini herhangi bir insan girdisi olmadan gerçekleştirir, böylece sonsuz bir erdemli döngü oluşturur. İnsanlar, modelin performansını kontrol edebilir, önyargıları önleyebilir ve aracın işletmenin ihtiyaçlarını karşıladığını onaylayabilir, ancak AutoML, çalışanların gün boyunca diğer zorluklarla ilgilenmesine olanak tanır.

Çip üreticileri ve yazılım şirketleri doğal dil işleme alanında yeni zeminler kazanırken, AI/ML alanı yeni kullanım örnekleri patlamasıyla bir dönemeç noktasına ulaşıyor. İşletmeler, bu ortaya çıkan teknolojilere tepki vermeye hazırlanmalı; bunları yapmayan işletmeler, bunu yapan rakiplerinin gerisinde kalacaktır.