Dlaczego powinieneś myśleć o sztucznej inteligencji jako o sporcie zespołowym

Co oznacza myślenie o sztucznej inteligencji jako o sporcie zespołowym? Widzimy, jak projekty AI przechodzą od szumu do efektu, głównie dlatego, że zaangażowane są odpowiednie role, aby zapewnić kontekst biznesowy, którego wcześniej brakowało. Kluczowa jest wiedza dziedzinowa; maszyny nie mają tak głębokiego kontekstu jak ludzie, a ludzie muszą znać firmę i dane na tyle dobrze, aby wiedzieć, jakie działania podjąć w oparciu o pojawiające się spostrzeżenia lub rekomendacje.

Jeśli chodzi o skalowanie sztucznej inteligencji, wielu liderów uważa, że ​​mają problem z ludźmi, a konkretnie z niewystarczającą liczbą analityków danych. Ale nie każdy problem biznesowy jest problemem związanym z analityką danych. A przynajmniej nie każde wyzwanie biznesowe powinno być rzucane na Twój zespół zajmujący się analityką danych. Przy właściwym podejściu możesz czerpać korzyści ze sztucznej inteligencji bez wyzwań, jakie wiążą się z tradycyjnymi cyklami analizy danych.

Aby wdrożyć i skalować rozwiązania AI, liderzy muszą zmienić sposób myślenia organizacji, tak aby postrzegała sztuczną inteligencję jako sport zespołowy. Niektóre projekty AI wymagają innego zestawu ludzi, narzędzi i oczekiwań, jeśli chodzi o pomyślne wyniki. Umiejętność rozpoznawania tych możliwości pomoże Ci realizować skuteczniejsze projekty AI i pogłębiać grono użytkowników AI, zwiększając szybkość i skuteczność podejmowania decyzji przez wszystkich pracowników. Sprawdźmy dlaczego i jak.

Organizacje demokratyzują zaawansowaną analizę za pomocą sztucznej inteligencji

Wykorzystanie sztucznej inteligencji do rozwiązywania problemów biznesowych było w dużej mierze zadaniem analityków danych. Często zespoły analityki danych są zarezerwowane dla największych możliwości organizacji i najbardziej złożonych wyzwań. Wiele organizacji z sukcesem zastosowało analitykę danych do konkretnych zastosowań, takich jak wykrywanie oszustw, personalizacja i nie tylko, gdzie głęboka wiedza techniczna i precyzyjnie dostrojone modele zapewniają niezwykle pomyślne wyniki.

Jednak skalowanie rozwiązań AI za pośrednictwem zespołu analityki danych stanowi wyzwanie dla organizacji z wielu powodów. Przyciąganie i zatrzymywanie talentów jest bardzo kosztowne i może być trudne na konkurencyjnym rynku. Opracowanie i wdrożenie tradycyjnych projektów związanych z analizą danych może często zająć dużo czasu, zanim firma dostrzeże wartość. Nawet najbardziej doświadczone i solidne zespoły zajmujące się analizą danych mogą ponieść porażkę, jeśli brakuje im niezbędnych danych lub kontekstu, aby zrozumieć niuanse problemu, który mają rozwiązać.

Raport Gartnera® 2021 Stan nauki o danych i uczenia maszynowego (DSML) stwierdza, że ​​„popyty klientów zmieniają się – mniej techniczni odbiorcy chcą łatwiej stosować DSML, eksperci muszą zwiększyć produktywność, a przedsiębiorstwa potrzebują krótszego czasu na uzyskanie korzyści ze swoich inwestycji¹.” Chociaż szybkość i dokładność analizy, jaką może zapewnić sztuczna inteligencja, może powodować wiele problemów biznesowych, w przypadku których można zyskać, tradycyjne podejście do analizy danych nie zawsze jest najlepszym planem ataku, pozwalającym szybko dostrzec korzyści. W rzeczywistości ten sam raport Gartnera przewiduje, że „do 2025 r. niedobór analityków danych nie będzie już utrudniał wdrażania analityki danych i uczenia maszynowego w organizacjach”.

Doświadczenie w danej dziedzinie ma kluczowe znaczenie dla skalowania sztucznej inteligencji w całej firmie

Sztuczna inteligencja już pomaga w udostępnianiu zaawansowanych możliwości analitycznych użytkownikom, którzy nie mają doświadczenia w dziedzinie analityki danych. Maszyny mogą wybierać spośród najlepszych modeli i algorytmów prognostycznych, a modele bazowe mogą być ujawniane, oferując możliwość ich dostrojenia i upewnienia się, że wszystko odpowiada oczekiwaniom użytkownika.

Możliwości te dają analitykom i wykwalifikowanym ekspertom z dziedziny biznesu możliwość projektowania i wykorzystywania własnych aplikacji AI. Będąc bliżej danych, użytkownicy ci mają przewagę nad wieloma swoimi odpowiednikami w dziedzinie analityki danych. Oddanie tej władzy w ręce osób posiadających wiedzę specjalistyczną może pomóc uniknąć długiego czasu programowania, obciążenia zasobami i ukrytych kosztów związanych z tradycyjnymi cyklami analizy danych. Ponadto to osoby posiadające wiedzę specjalistyczną powinny decydować, czy przewidywania lub sugestie AI są w ogóle pomocne.

Dzięki bardziej iteracyjnym procesom budowania modeli umożliwiającym sprawdzanie i ponowne wdrażanie modeli osoby posiadające kontekst biznesowy mogą szybciej czerpać korzyści ze sztucznej inteligencji — nawet wdrażając nowe modele tysiącom użytkowników w ciągu dni lub tygodni, a nie tygodni lub miesięcy. Jest to szczególnie przydatne w przypadku zespołów, których wyjątkowe wyzwania mogą nie być priorytetem dla zespołów zajmujących się analizą danych, ale mogą skorzystać na szybkości i dokładności analizy sztucznej inteligencji.

Należy jednak pamiętać, że choć rozwiązania te mogą pomóc w rozwiązaniu problemu luki w umiejętnościach pomiędzy analitykami i badaczami danych, nie zastąpią tych drugich. Analitycy danych pozostają kluczowym partnerem ekspertów biznesowych w zakresie walidacji danych wykorzystywanych w rozwiązaniach obsługujących sztuczną inteligencję. Oprócz tej współpracy, edukacja i umiejętności w zakresie danych będą miały kluczowe znaczenie dla skutecznego korzystania z tego rodzaju narzędzi na dużą skalę.

Umiejętność korzystania z danych umożliwia większej liczbie osób korzystanie ze sztucznej inteligencji

Podstawowa strategia dotycząca danych odgrywa ogromną rolę w przygotowaniu organizacji do odniesienia sukcesu dzięki sztucznej inteligencji, ale udostępnianie rozwiązań AI większej liczbie osób w całej firmie będzie wymagało podstawowej umiejętności korzystania z danych. Zrozumienie, jakie dane należy zastosować w przypadku problemu biznesowego, a także jak interpretować dane i wyniki rekomendacji dotyczących sztucznej inteligencji, pomoże ludziom skutecznie zaufać sztucznej inteligencji i wdrożyć ją w procesie podejmowania decyzji. Wspólny język danych w organizacji otwiera także więcej drzwi do udanej współpracy z ekspertami.

Najnowsze globalne badanie McKinsey na temat sztucznej inteligencji wykazało, że w przypadku 34% organizacji osiągających najlepsze wyniki „wyspecjalizowane centrum szkoleniowe rozwija umiejętności personelu nietechnicznego w zakresie sztucznej inteligencji poprzez praktyczne uczenie się” w porównaniu z zaledwie 14% wszystkich pozostałych ankietowanych. Ponadto w 39% organizacji osiągających najlepsze wyniki „istnieją wyznaczone kanały komunikacji i punkty kontaktowe między użytkownikami sztucznej inteligencji a zespołem zajmującym się analizą danych w organizacji” w porównaniu z zaledwie 20% w innych organizacjach.

Liderzy mogą stosować różne podejścia do budowania umiejętności korzystania z danych, począwszy od edukacji i szkoleń, programów mentorskich, konkursów dotyczących danych budujących społeczność i nie tylko. Pomyśl o normalizacji dostępu i udostępniania danych, a także o tym, jak świętować i promować sukcesy, naukę i podejmowanie decyzji za pomocą danych.

„Umiejętność korzystania z danych oraz edukacja w zakresie wizualizacji i nauki o danych muszą być bardziej powszechne i nauczane wcześniej” – powiedziała Vidya Setlur, dyrektor Tableau Research. „Z wykorzystaniem danych wiąże się pewien rodzaj odpowiedzialności społecznej i organizacyjnej. Ludzie powinni być lepiej wyposażeni, aby rozumieć, interpretować i maksymalnie wykorzystywać dane, ponieważ sztuczna inteligencja będzie coraz bardziej wyrafinowana, a my powinniśmy być o kilka kroków przed konkurencją”.

Ciągłe budowanie kultury danych w organizacji stwarza ogromne możliwości rozwijania umiejętności i wspierania nowych rozwiązań w całej firmie. W ostatnich latach wiele organizacji zwiększyło już inwestycje w dane i analitykę w związku z przyspieszeniem transformacji cyfrowej. Myślenie o danych jak o sporcie zespołowym nie jest zbyt dużym osiągnięciem, a teraz mamy środki, aby rozszerzyć to podejście na sztuczną inteligencję.