Vượt qua sự cường điệu: Vận hành AI và ML cho kết quả kinh doanh

Bởi: Krishnan Venkata, Giám đốc khách hàng tại công ty phân tích kỹ thuật số Phân tích LatentView.

Trong hơn một thập kỷ, các doanh nghiệp từ các công ty khởi nghiệp nhỏ đến các tập đoàn lớn đã nói về triển vọng của trí tuệ nhân tạo (AI) và học máy (ML). Theo những lời tiên tri này, AI và ML sẽ biến đổi công việc hiện đại, tự động hóa các quy trình hàng ngày và cho phép nhân viên tập trung vào các nhiệm vụ cấp cao hơn.

Mười năm sau, đối với nhiều doanh nghiệp, lời hứa về AI hóa ra chỉ có thế - một lời hứa, và không có gì hơn thế. Mặc dù nhiều tổ chức trong số này đã thực hiện các bước để tăng tốc nỗ lực chuyển đổi kỹ thuật số của họ, nhưng một số cạm bẫy phổ biến thường khiến giấc mơ AI/ML không thành hiện thực.

Một số yếu tố lớn nhất kìm hãm tiềm năng biến đổi của AI và ML là gì?

• Thiếu tổ chức: Bước đầu tiên để có một chiến lược AI thành công là thu thập dữ liệu. Nhưng điều quan trọng không kém là lập kế hoạch tổ chức dữ liệu đó; các doanh nghiệp tích lũy một kho tàng dữ liệu mà không có kế hoạch về cách tổ chức, phân tích và đưa dữ liệu vào hoạt động sẽ chỉ còn lại một nguồn tài nguyên chưa được tinh chế, thực tế không thể sử dụng được. Giá trị của việc khám phá ra dầu là gì nếu bạn không có cách nào lấy nó ra khỏi lòng đất hoặc tinh chế nó để sử dụng?
• Nhận con nuôi từng phần: Mặc dù chuyển đổi kỹ thuật số hứa hẹn tiết kiệm chi phí dài hạn, nhưng mức giá ban đầu để áp dụng công nghệ mới có thể rất cao. Cú sốc nhãn dán này khiến một số doanh nghiệp áp dụng cách tiếp cận từng phần để tích hợp các công cụ AI mà không xem xét giải pháp đơn lẻ đó sẽ phù hợp như thế nào với một lộ trình lớn hơn.
• Thiếu quy trình/kỷ luật: Các giải pháp AI và ML đương nhiên sẽ được các nhà lãnh đạo cụ thể trong công ty ủng hộ và giới thiệu, nhưng thành công của chúng phụ thuộc vào sự ủng hộ của tổ chức từ trên xuống dưới. Những người áp dụng sớm cần chuẩn bị đường băng cho việc áp dụng rộng rãi hơn, thấm nhuần kỷ luật và quy trình cần thiết để giúp việc tích hợp các công cụ mới diễn ra suôn sẻ nhất có thể.

Năm vừa qua đã chứng minh rằng không có thời gian để lãng phí khi chuyển đổi kỹ thuật số và tự động hóa các quy trình thông qua AI và ML. Dựa theo Thông tin chi tiết về doanh nghiệp Fortune, thị trường trí tuệ nhân tạo toàn cầu dự kiến ​​sẽ đạt 267 tỷ đô la vào năm 2027, thể hiện mức tăng trưởng gần gấp 27 lần so với giá trị 2019 tỷ đô la vào năm 19. Việc chuyển đổi dài hạn sang làm việc từ xa do đại dịch COVID-XNUMX đã thúc đẩy các doanh nghiệp áp dụng giải pháp mới; của Twilio Báo cáo tương tác kỹ thuật số COVID-19 nhận thấy rằng 97% giám đốc điều hành nói rằng đại dịch đã đẩy nhanh nỗ lực chuyển đổi kỹ thuật số của họ.

Vì vậy, cần phải làm gì để vượt qua sự cường điệu của AI và ML và thực sự vận hành các công cụ này? Một số công nghệ và chiến lược có thể tạo nên sự khác biệt giữa chiến thắng hay thất bại:

1. AIOps, MLOps, DataOps

Gắn -Ops vào một công nghệ hoặc ứng dụng là một công thức chắc chắn tạo ra một từ thông dụng mới, nhưng không phải tất cả các giải pháp mới nổi này đều là phần mềm hóa hơi. Trên thực tế, các chiến lược như AIOps, MLOps và DataOps có thể đưa ra giải pháp cho thách thức tổ chức tất cả dữ liệu được thu thập trong một doanh nghiệp. Các công cụ này lần lượt áp dụng các nguyên tắc quản lý Agile cho AI, máy học và quản lý dữ liệu, giúp đơn giản hóa đáng kể kiến ​​thức và nỗ lực cần thiết để thu được giá trị từ các giải pháp mới. Đối với các doanh nghiệp đang bước những bước đầu tiên vào AI/ML và đang tìm cách bắt kịp tốc độ, những chiến lược này là bắt buộc.

2. Mã thấp/Không có mã

Các mô hình ML phức tạp và nhiều sắc thái nhất sẽ luôn yêu cầu các nhà phát triển và nhà khoa học dữ liệu chuyên dụng để đảm bảo thành công của họ. Tuy nhiên, những thách thức mà nhiều doanh nghiệp phải đối mặt gần như không phức tạp và có thể được giải quyết bằng các giải pháp AI đơn giản hơn, phù hợp với tất cả. Các nền tảng mã thấp và không mã giảm bớt rào cản gia nhập đối với những nhân viên có ít hoặc không có nền tảng về phát triển phần mềm. Các công cụ không cần mã cho phép bất kỳ nhân viên nào xây dựng các giải pháp, chẳng hạn như công cụ đề xuất thông qua các nền tảng kéo và thả trực quan, trong khi các nền tảng ít mã có thể thực hiện các tác vụ phức tạp chỉ với một vài dòng mã.

3. AutoAI và AutoML

 Nếu trí tuệ nhân tạo và học máy tự động hóa các quy trình kinh doanh, thì tại sao bản thân chúng lại cần được tự động hóa? Một khía cạnh quan trọng của sự thành công trong AI và ML là ý tưởng về sự tinh chỉnh: khi các công cụ này học hỏi trong công việc và tích hợp nhiều dữ liệu hơn, chúng có thể cải thiện đều đặn hiệu suất của mình và mang lại kết quả được cải thiện. AutoAI và AutoML thực hiện quá trình sàng lọc này mà không yêu cầu bất kỳ đầu vào nào của con người, tạo ra một chu kỳ đạo đức không có hồi kết. Con người có thể kiểm tra hiệu suất của mô hình để ngăn chặn sự thiên vị và xác nhận rằng công cụ đang phục vụ nhu cầu của doanh nghiệp, nhưng AutoML cho phép nhân viên đảm nhận những thách thức khác hàng ngày.

 Khi các nhà sản xuất chip và công ty phần mềm tạo ra bước đột phá mới trong lĩnh vực xử lý ngôn ngữ tự nhiên, lĩnh vực AI/ML đang đạt đến một bước ngoặt sẽ chứng kiến ​​sự bùng nổ của các trường hợp sử dụng mới. Các doanh nghiệp phải sẵn sàng ứng phó với những công nghệ mới nổi này; những người không có nhà cửa ngay bây giờ sẽ bị các đối thủ cạnh tranh bỏ lại phía sau.