Kāpēc jums vajadzētu domāt par AI kā komandas sporta veidu

Ko nozīmē domāt par AI kā komandas sporta veidu? Mēs redzam, ka AI projekti pāriet no ažiotāžas uz ietekmi, galvenokārt tāpēc, ka tiek iesaistītas pareizās lomas, lai nodrošinātu uzņēmējdarbības kontekstu, kura iepriekš nebija. Domēna zināšanas ir svarīgas; iekārtām nav tik dziļa konteksta, kāds ir cilvēkiem, un cilvēkiem ir pietiekami labi jāpārzina uzņēmējdarbība un dati, lai saprastu, kādas darbības jāveic, pamatojoties uz sniegtajiem ieskatiem vai ieteikumiem.

Runājot par AI mērogošanu, daudzi vadītāji domā, ka viņiem ir problēmas ar cilvēkiem, jo ​​īpaši, nepietiek datu zinātnieku. Bet ne katra biznesa problēma ir datu zinātnes problēma. Vai vismaz ne katrs biznesa izaicinājums būtu jāmet jūsu datu zinātnes komandai. Izmantojot pareizo pieeju, jūs varat izmantot AI priekšrocības bez problēmām, kas saistītas ar tradicionālajiem datu zinātnes cikliem.

Lai ieviestu un mērogotu AI risinājumus, vadītājiem ir jāmaina organizācijas domāšanas veids, lai AI domātu kā komandas sporta veidu. Dažiem mākslīgā intelekta projektiem ir nepieciešams atšķirīgs cilvēku, rīku un cerību kopums, lai varētu izskatīties veiksmīgi rezultāti. Zinot, kā atpazīt šīs iespējas, varēsit sasniegt veiksmīgākus AI projektus un padziļināt savu AI lietotāju loku, palielinot lēmumu pieņemšanas ātrumu un spēku visā darbaspēkā. Izpētīsim, kāpēc un kā.

Organizācijas demokratizē uzlaboto analīzi, izmantojot AI

AI izmantošana biznesa problēmu risināšanai lielā mērā ir bijusi datu zinātnieku kompetencē. Bieži vien datu zinātnes komandas ir paredzētas organizācijas lielākajām iespējām un sarežģītākajiem izaicinājumiem. Daudzas organizācijas ir guvušas panākumus, pielietojot datu zinātni īpašiem lietošanas gadījumiem, piemēram, krāpšanas atklāšanai, personalizēšanai un citiem gadījumiem, kur dziļa tehniskā pieredze un precīzi pielāgoti modeļi nodrošina ļoti veiksmīgus rezultātus.

Tomēr AI risinājumu mērogošana, izmantojot datu zinātnes komandu, organizācijām ir izaicinājums daudzu iemeslu dēļ. Talantu piesaiste un noturēšana ir ļoti dārga, un konkurences tirgū tas var būt sarežģīti. Tradicionālo datu zinātnes projektu izstrāde un ieviešana bieži vien var aizņemt daudz laika, pirms uzņēmums saskata vērtību. Un pat vispieredzējušākās, spēcīgākās datu zinātnes komandas var piedzīvot neveiksmi, ja tām trūkst nepieciešamo datu vai konteksta, lai saprastu problēmas nianses, kas tām tiek lūgta atrisināt.

2021. gada Gartner® Datu zinātnes un mašīnmācīšanās stāvoklis (DSML) ziņojumā teikts, ka "klientu pieprasījums mainās, jo mazāk tehniskās auditorijas vēlas vieglāk piemērot DSML, speciālistiem ir jāuzlabo produktivitāte un uzņēmumiem ir vajadzīgs īsāks laiks, lai novērtētu savus ieguldījumus.¹”. Lai gan var rasties daudzas biznesa problēmas, kas var gūt labumu no AI sniegtās analīzes ātruma vai pamatīguma, tradicionālā datu zinātnes pieeja ne vienmēr var būt labākais uzbrukuma plāns, lai ātri redzētu vērtību. Faktiski tajā pašā Gartnera ziņojumā ir prognozēts, ka "līdz 2025. gadam datu zinātnieku trūkums vairs netraucēs datu zinātnes un mašīnmācības ieviešanu organizācijās."

Domēna zināšanas ir būtiskas AI mērogošanai visā biznesā

AI jau palīdz nodrošināt uzlabotas analīzes iespējas lietotājiem, kuriem nav datu zinātnes pieredzes. Iekārtas var izvēlēties no labākajiem prognozēšanas modeļiem un algoritmiem, un pamatā esošos modeļus var atklāt, piedāvājot iespēju tos pielāgot un pārliecināties, ka viss atbilst lietotāja meklētajam.

Šīs iespējas sniedz analītiķiem un kvalificētiem biznesa jomu ekspertiem iespēju izstrādāt un izmantot savas AI lietojumprogrammas. Tā kā šie lietotāji ir tuvāk datiem, tiem ir priekšrocības salīdzinājumā ar daudziem saviem datu zinātnieku kolēģiem. Nododot šīs pilnvaras tiem, kam ir pieredze jomā, var izvairīties no ilgstoša izstrādes laika, resursu sloga un slēptām izmaksām, kas saistītas ar tradicionālajiem datu zinātnes cikliem. Turklāt cilvēkiem, kuriem ir zināšanas par jomām, vajadzētu izlemt, vai AI prognoze vai ieteikums ir pat noderīgs.

Izmantojot iteratīvākus, pārskatāmus un pārizvietotus modeļu veidošanas procesus, cilvēki ar biznesa kontekstu var ātrāk iegūt vērtību no AI — pat izvietojot jaunus modeļus tūkstošiem lietotāju dažu dienu vai nedēļu laikā, nevis nedēļu vai mēnešu laikā. Tas ir īpaši jaudīgi tām komandām, kuru unikālie izaicinājumi datu zinātnes komandām var nebūt augsta prioritāte, bet var gūt labumu no AI analīzes ātruma un pamatīguma.

Tomēr ir svarīgi atzīmēt, ka, lai gan šie risinājumi var palīdzēt novērst prasmju trūkumu starp analītiķiem un datu zinātniekiem, tie neaizstāj pēdējo. Datu zinātnieki joprojām ir svarīgs biznesa ekspertu partneris, lai apstiprinātu datus, kas tiek izmantoti ar AI iespējotos risinājumos. Papildus šai sadarbībai izglītība un datu prasmes būs ļoti svarīgas, lai sekmīgi izmantotu šāda veida rīkus plašā mērogā.

Datu pratība dod iespēju vairāk cilvēku izmantot AI

Jūsu pamata datu stratēģijai ir milzīga nozīme jūsu organizācijas izveidē, lai tā gūtu panākumus ar AI, taču, lai AI risinājumus sniegtu lielākam skaitam cilvēku visā uzņēmumā, būs nepieciešama datu pratība. Izpratne par to, kādi dati ir piemēroti biznesa problēmai, kā arī to, kā interpretēt AI ieteikuma datus un rezultātus, palīdzēs cilvēkiem veiksmīgi uzticēties un pieņemt AI kā daļu no lēmumu pieņemšanas. Kopīga datu valoda organizācijā paver arī vairāk iespēju veiksmīgai sadarbībai ar ekspertiem.

McKinsey jaunākā globālā aptauja par mākslīgo intelektu atklāja, ka 34% no augstas veiktspējas organizācijām "speciāls apmācību centrs attīsta netehniskā personāla AI prasmes, izmantojot praktiskas mācības", salīdzinot ar tikai 14% no visiem citiem aptaujātajiem. Turklāt 39% augstas veiktspējas organizāciju "starp AI lietotājiem un organizācijas datu zinātnes komandu ir noteikti saziņas kanāli un saskares punkti", salīdzinot ar tikai 20% citu.

Līderi var izmantot dažādas pieejas datu pratības veidošanai, sākot ar izglītību un apmācību, mentoringa programmām, kopienas veidošanas datu konkursiem un citiem. Padomājiet par to, kā normalizēt piekļuvi datiem un to koplietošanu, kā arī par to, kā svinēt un veicināt panākumus, mācības un lēmumu pieņemšanu, izmantojot datus.

"Datu pratībai un izglītībai par vizualizāciju un datu zinātni ir jābūt izplatītākai un jāmāca ātrāk," sacīja Vidja Setlura, Tableau Research vadītāja. “Ir zināma sociālā un organizatoriskā atbildība, kas saistīta ar paļaušanos uz datu izmantošanu. Cilvēkiem jābūt labāk sagatavotiem, lai izprastu, interpretētu un maksimāli izmantotu datus, jo AI kļūs tikai sarežģītāks, un mums vajadzētu būt dažus soļus priekšā spēlei.

Turpinot veidot savas organizācijas datu kultūru, tiek radītas spēcīgas iespējas attīstīt prasmes un veicināt jaunus risinājumus visā biznesā. Daudzas organizācijas jau ir palielinājušas savus ieguldījumus datos un analīzē pēdējos gados, jo ir paātrinājusies digitālā transformācija. Nav iespējams uzskatīt datus par komandas sporta veidu, un tagad mums ir līdzekļi, lai paplašinātu šo domāšanas veidu arī AI.