Miks peaksite mõtlema AI-le kui meeskonnaspordile?

Mida tähendab mõelda tehisintellektist kui meeskonnaspordist? Näeme, et tehisintellekti projektid liiguvad hüpetest mõjule, peamiselt seetõttu, et õiged rollid on kaasatud, et pakkuda varem puuduvat ärikonteksti. Valdkonnateadmised on võtmetähtsusega; masinatel ei ole nii sügavat konteksti, mis inimestel on, ning inimesed peavad äritegevust ja andmeid piisavalt hästi tundma, et mõista, milliseid toiminguid teha mis tahes esitatud arusaamade või soovituste põhjal.

Tehisintellekti skaleerimisel arvavad paljud juhid, et neil on probleem inimestega – täpsemalt pole piisavalt andmeteadlasi. Kuid mitte iga äriprobleem pole andmeteaduse probleem. Või vähemalt ei tohiks kõiki ärilisi väljakutseid teie andmeteaduse meeskonnale visata. Õige lähenemisviisiga saate AI-st kasu lõigata ilma traditsiooniliste andmeteaduse tsüklitega kaasnevate väljakutseteta.

AI-lahenduste juurutamiseks ja skaleerimiseks peavad juhid muutma organisatsiooni mõtteviisi, et mõelda tehisintellektile kui meeskonnaspordile. Mõned AI-projektid vajavad edukate tulemuste jaoks teistsugust inimeste, tööriistade ja ootuste komplekti. Nende võimaluste äratundmine aitab teil läheneda edukamatele AI-projektidele ja süvendada oma tehisintellekti kasutajate ringi, lisades kogu tööjõu otsustusprotsessi kiirust ja jõudu. Uurime, miks ja kuidas.

Organisatsioonid demokratiseerivad täiustatud analüüsi tehisintellektiga

AI kasutamine äriprobleemide lahendamiseks on suures osas olnud andmeteadlaste pädevuses. Sageli on andmeteaduse meeskonnad reserveeritud organisatsiooni suurimate võimaluste ja keerukamate väljakutsete jaoks. Paljud organisatsioonid on edukalt rakendanud andmeteadust konkreetsetel kasutusjuhtudel, nagu pettuste tuvastamine, isikupärastamine ja palju muud, kus sügavad tehnilised teadmised ja peenhäälestatud mudelid annavad väga edukaid tulemusi.

Tehisintellekti lahenduste skaleerimine oma andmeteaduse meeskonna kaudu on aga organisatsioonide jaoks mitmel põhjusel keeruline. Talentide meelitamine ja hoidmine on väga kulukas ning konkurentsitihedal turul võib see olla keeruline. Traditsiooniliste andmeteaduse projektide arendamine ja kasutuselevõtt võib sageli võtta palju aega, enne kui ettevõte väärtust näeb. Ja isegi kõige kogenumad ja jõulisemad andmeteaduse meeskonnad võivad ebaõnnestuda, kui neil puuduvad vajalikud andmed või kontekst, et mõista probleemi nüansse, mida neil palutakse lahendada.

2021. aasta Gartner® Andmeteaduse ja masinõppe olukord (DSML) aruandes öeldakse, et "klientide nõudlus on muutumas, vähem tehniline vaatajaskond soovib DSML-i hõlpsamini rakendada, eksperdid peavad tootlikkust parandama ja ettevõtted vajavad oma investeeringute väärtuse leidmiseks lühemat aega.¹.” Kuigi tehisintellekti pakutava analüüsi kiirusest või põhjalikkusest võib olla palju äriprobleeme, ei pruugi traditsiooniline andmeteaduslik lähenemisviis alati olla parim ründeplaan, et väärtust kiiresti näha. Tegelikult ennustab seesama Gartneri aruanne, et "aastaks 2025 ei takista andmeteadlaste nappus enam andmeteaduse ja masinõppe kasutuselevõttu organisatsioonides."

Domeeniteadmised on AI skaleerimiseks kogu ettevõttes kriitilise tähtsusega

AI aitab juba praegu pakkuda täiustatud analüüsivõimalusi kasutajatele, kellel pole andmeteaduse tausta. Masinad saavad valida parimate prognoosimudelite ja algoritmide hulgast ning alusmudeleid saab paljastada, pakkudes võimalust neid häälestada ja veenduda, et kõik vastab sellele, mida kasutaja otsib.

Need võimalused annavad analüütikutele ja kvalifitseeritud ärivaldkonna ekspertidele võimaluse kujundada ja kasutada oma tehisintellekti rakendusi. Olles andmetele lähemal, on neil kasutajatel eelis paljude andmeteadlaste kolleegide ees. Selle võimu andmine domeenialaste teadmistega inimeste kätte võib aidata vältida traditsiooniliste andmeteaduse tsüklitega seotud pikki arendusaegu, ressursikoormust ja varjatud kulusid. Lisaks peaksid valdkonnateadmistega inimesed otsustama, kas tehisintellekti ennustusest või soovitusest on kasu või mitte.

Iteratiivsemate, ülevaadatavate ja ümber paigutatavate mudelite loomise protsesside abil saavad ärikontekstiga inimesed AI-st kiiremini kasu saada – isegi uusi mudeleid juurutades tuhandetele kasutajatele päevade kuni nädalate, mitte nädalate kuni kuude jooksul. See on eriti võimas nende meeskondade jaoks, kelle ainulaadsed väljakutsed ei pruugi olla andmeteaduse meeskondade jaoks esmatähtsad, kuid saavad kasu AI analüüsi kiirusest ja põhjalikkusest.

Siiski on oluline märkida, et kuigi need lahendused võivad aidata lahendada analüütikute ja andmeteadlaste oskuste vahelist lõhet, ei asenda see viimast. Andmeteadlased jäävad äriekspertidega kriitiliseks partneriks tehisintellektiga lahendustes kasutatavate andmete valideerimiseks. Lisaks sellele koostööle on seda tüüpi tööriistade edukal ulatuslikul kasutamisel kriitilise tähtsusega haridus ja andmeoskused.

Andmekirjaoskus annab rohkematele inimestele võimaluse AI-d kasutada

Teie põhiandmestrateegia mängib tohutut rolli teie organisatsiooni loomisel tehisintellektiga edu saavutamiseks, kuid tehisintellekti lahenduste toomine rohkemate inimesteni kogu ettevõttes nõuab andmepädevuse baastasemeid. Arusaamine, milliseid andmeid on äriprobleemi puhul asjakohane kasutada, ning kuidas tõlgendada tehisintellekti soovituse andmeid ja tulemusi, aitab inimestel edukalt AI-d usaldada ja oma otsuste tegemisel omaks võtta. Ühine andmekeel organisatsioonis avab ka rohkem uksi edukaks koostööks ekspertidega.

McKinsey viimane ülemaailmne tehisintellekti käsitlev uuring näitas, et 34% kõrgetasemeliste organisatsioonide puhul arendab spetsiaalne koolituskeskus mittetehnilise personali tehisintellekti oskusi praktilise õppimise kaudu, võrreldes vaid 14%ga kõigist teistest küsitletutest. Lisaks on 39% suure jõudlusega organisatsioonidest "AI kasutajate ja organisatsiooni andmeteaduse meeskonna vahel määratud suhtluskanalid ja puutepunktid", võrreldes ainult 20% teistega.

Juhid saavad andmepädevuse suurendamiseks kasutada erinevaid lähenemisviise, alustades haridusest ja koolitusest, mentorlusprogrammidest, kogukonda loovate andmevõistluste ja muuga. Mõelge andmetele juurdepääsu ja andmete jagamise normaliseerimisele, samuti sellele, kuidas tähistate ja edendate andmete abil edu, õppimist ja otsuste tegemist.

"Andmekirjaoskus ning visualiseerimise ja andmeteaduse alane haridus peavad olema levinumad ja varem õpetatud," ütles Tableau Researchi juht Vidya Setlur. „Andmete kasutamisest sõltumisega kaasneb omamoodi sotsiaalne ja organisatsiooniline vastutus. Inimesed peaksid olema paremini varustatud andmete mõistmiseks, tõlgendamiseks ja maksimaalseks kasutamiseks, sest tehisintellekt muutub ainult keerukamaks ja me peaksime olema mängust paar sammu ees.

Oma organisatsiooni andmekultuuri ülesehitamise jätkamine loob võimsad võimalused oskuste arendamiseks ja uute lahenduste edendamiseks kogu ettevõttes. Paljud organisatsioonid on viimastel aastatel juba suurendanud oma investeeringuid andmetesse ja analüütikasse, kuna digitaalne ümberkujundamine on kiirenenud. Andmeid ei saa pidada meeskonnaspordiks ja nüüd on meil vahendid selle mõtteviisi laiendamiseks tehisintellektile.