Перейти за межі гіпу: операціоналізація AI та ML для бізнес-результатів

Від: Крішнан Венката, Головний клієнтський офіцер цифрової аналітичної компанії LatentView Analytics.

Більше десяти років компанії, починаючи від малих стартапів до великих корпорацій, говорили про обіцянку штучного інтелекту (AI) та машинного навчання (ML). За цими пророцтвами, AI та ML мали трансформувати сучасну роботу, автоматизуючи щоденні процеси та дозволяючи людським працівникам зосередитися на вищому рівні завдань.

Через десять років для багатьох підприємств обіцянка AI виявилася лише обіцянкою, а не реальністю. Хоча багато з цих організацій зробили кроки для прискорення своїх зусиль з цифрової трансформації, кілька поширених помилок часто залишають мрію про AI/ML нереалізованою.

Які були деякими з найбільших факторів, що утримували трансформаційний потенціал AI та ML?

• Недолік організації: Перший крок до успішної стратегії AI полягає в зборі даних. Але не менш важливо планування організації цих даних; компанії, які накопичують скарбницю даних без плану щодо того, як організувати їх, проаналізувати та використати, залишаються з необробленим, практично незастосовним ресурсом. Яка цінність у відкритті нафти, якщо у вас немає способу її видобути або розвинути для використання?
• Пiecemeal прийняття: Хоча цифрова трансформація обіцяє довгострокові економії, початкова ціна на прийняття нової технології може бути високою. Це призводить до того, що деякі підприємства приймають поетапний підхід до інтеграції інструментів AI, не розглядаючи, як це окреме рішення впишеться в більшу карту.
• Відсутність процесів/дисципліни: Рішення AI та ML будуть природно просуватися та вводитися конкретними лідерами компанії, але їхній успіх залежить від інституційної згоди зверху донизу. Ранні приймаючі повинні підготувати злітну смугу для ширшого прийняття, впроваджуючи дисципліну та рутини, необхідні для того, щоб інтеграція нових інструментів була якомога гладшою.

Минулий рік продемонстрував, що немає часу для марнування у сфері цифрової трансформації та автоматизації рутин через AI та ML. За даними Fortune Business Insights, глобальний ринок штучного інтелекту очікується досягти 267 мільярдів доларів до 2027 року, що становить майже десятикратний рост від значення 27 мільярдів доларів у 2019 році. Довгостроковий перехід до віддаленої роботи, викликаний пандемією COVID-19, спонукав підприємства приймати нові рішення; звіт Twilio про цифрове взаємодію під час COVID-19 виявив, що 97% виконавців заявили, що пандемія прискорила їхні зусилля з цифрової трансформації.

Що потрібно, щоб перейти за межі гіпу AI та ML і фактично операціоналізувати ці інструменти? Деякі технології та стратегії можуть зробити різницю між тріумфом чи провалом:

1. AIOps, MLOps, DataOps

Додавання -Ops до технології або застосування є гарантованим рецептом для нового модного слова, але не всі ці нові рішення є просто димом. Насправді, стратегії, такі як AIOps, MLOps та DataOps, можуть запропонувати рішення задачі організації всіх цих даних, які збираються в рамках підприємства. Ці інструменти застосовують принципи управління Agile до AI, машинного навчання та управління даними, відповідно, суттєво спрощуючи знання та зусилля, необхідні для отримання цінності з нових рішень. Для підприємств, які роблять свої перші кроки в AI/ML та хочуть підготуватися, ці стратегії є обов’язковими.

2. Low Code/No Code

Найбільш складні та нюансовані моделі ML завжди будуть вимагати присвячених розробників та вчених-даних, щоб забезпечити їхній успіх. Однак, виклики, з якими стикаються багато підприємств, не є настільки складними та можуть бути вирішені простішими, універсальними рішеннями AI. Платформи з низьким кодом та без коду знижують бар’єр для входу працівників з мінімальними знаннями у сфері розробки програмного забезпечення. Інструменти без коду дозволяють будь-якому працівникові створювати рішення, такі як системи рекомендацій, через інтуїтивні, перетягувані платформи, тоді як платформи з низьким кодом можуть виконувати складні завдання лише за допомогою декількох рядків коду.

3. AutoAI і AutoML

Якщо штучний інтелект та машинне навчання автоматизують бізнес-процеси, то чому вони самі потребують автоматизації? Критичний аспект успіху AI та ML полягає в ідеї вдосконалення: оскільки ці інструменти вчаться на роботі та інтегрують більше даних, вони можуть поступово вдосконалювати свою продуктивність та забезпечувати покращення результатів. AutoAI та AutoML здійснюють цей процес вдосконалення без потреби будь-якого людського втручання, створюючи нескінченний доброзичний цикл. Люди можуть перевіряти продуктивність моделі, щоб запобігти упередженості та підтвердити, що інструмент служить потребам підприємства, але AutoML дозволяє працівникам займатися іншими завданнями під час щоденної роботи.

За часів, коли виробники мікрочипів та програмного забезпечення проривають нові бар’єри у сфері обробки природної мови, галузь AI/ML досягає поворотного моменту, який призведе до вибуху нових випадків використання. Підприємства повинні бути готові реагувати на ці нові технології; ті, хто не має свого будинку в порядку зараз, будуть залишені позаду конкурентами, які мають.