Proč byste měli myslet na AI jako na týmový sport

Co to znamená myslet na AI jako na týmový sport? Jsme svědky toho, jak se projekty AI posouvají od humbuku k dopadu, a to především proto, že se zapojují správné role, které poskytují obchodní kontext, který dříve chyběl. Klíčová je odbornost domény; stroje nemají takovou hloubku kontextu, jakou mají lidé, a lidé potřebují znát obchod a data dostatečně dobře, aby pochopili, jaké akce mají podniknout na základě jakýchkoli poznatků nebo doporučení, která se objeví.

Pokud jde o škálování umělé inteligence, mnoho vůdců si myslí, že mají problém s lidmi – konkrétně s nedostatkem datových vědců. Ale ne každý obchodní problém je problémem datové vědy. Nebo alespoň ne každá obchodní výzva by měla být vržena na váš tým pro vědu o datech. Se správným přístupem můžete těžit z výhod AI bez výzev, které přicházejí s tradičními cykly datové vědy.

Aby mohli lídři nasadit a rozšiřovat řešení AI, musí změnit myšlení organizace tak, aby mysleli na AI jako na týmový sport. Některé projekty umělé inteligence potřebují jiný soubor lidí, nástrojů a očekávání, aby mohly vypadat úspěšné výsledky. Vědět, jak rozpoznat tyto příležitosti, vám pomůže přiblížit se k úspěšnějším projektům umělé inteligence a prohloubit vaši lavičku uživatelů umělé inteligence, což zvýší rychlost a sílu rozhodování napříč pracovní silou. Pojďme prozkoumat proč a jak.

Organizace demokratizují pokročilé analýzy pomocí AI

Používání umělé inteligence k řešení obchodních problémů bylo z velké části v kompetenci datových vědců. Týmy datové vědy jsou často vyhrazeny pro největší příležitosti a nejsložitější výzvy organizace. Mnoho organizací uspělo v aplikaci datové vědy na konkrétní případy použití, jako je detekce podvodů, personalizace a další, kde hluboké technické znalosti a vyladěné modely vedou k mimořádně úspěšným výsledkům.

Škálování řešení AI prostřednictvím vašeho týmu pro vědu o datech je však pro organizace náročné z mnoha důvodů. Přilákat a udržet talenty je velmi nákladné a na konkurenčním trhu může být obtížné. Tradiční projekty datové vědy mohou často trvat hodně času, než se vyvinou a nasadí, než firma uvidí hodnotu. A dokonce i ty nejzkušenější a nejrobustnější týmy datové vědy mohou selhat, pokud jim chybí potřebná data nebo kontext k pochopení nuancí problému, který mají vyřešit.

Gartner® 2021 Stav datové vědy a strojového učení Zpráva (DSML) uvádí, že „poptávka klientů se posouvá, méně technické publikum chce snadněji používat DSML, odborníci potřebují zvýšit produktivitu a podniky potřebují kratší čas na zhodnocení svých investic.¹.“ I když se může vyskytnout mnoho obchodních problémů, které mohou těžit z rychlosti nebo důkladnosti analýzy, kterou může umělá inteligence poskytnout, tradiční přístup datové vědy nemusí být vždy tím nejlepším plánem útoku, jak rychle vidět hodnotu. Ve skutečnosti stejná zpráva společnosti Gartner předpovídá, že „do roku 2025 už nebude nedostatek datových vědců bránit přijetí datové vědy a strojového učení v organizacích“.

Odbornost v oblasti domén je zásadní pro škálování umělé inteligence v celém podniku

Umělá inteligence již pomáhá přinášet pokročilé možnosti analýzy uživatelům, kteří nemají znalosti z oblasti datové vědy. Stroje si mohou vybrat z nejlepších prognostických modelů a algoritmů a mohou být vystaveny základní modely, které nabízejí možnost je vyladit a zajistit, aby vše odpovídalo tomu, co uživatel hledá.

Tyto schopnosti dávají analytikům a zkušeným expertům na obchodní domény možnost navrhovat a využívat vlastní aplikace umělé inteligence. Tím, že jsou blíže k datům, mají tito uživatelé výhodu oproti mnoha jejich protějškům z oblasti datových vědců. Vložení této pravomoci do rukou odborníků s doménou může pomoci vyhnout se zdlouhavému vývoji, zátěži zdrojů a skrytým nákladům spojeným s tradičními cykly datové vědy. Navíc lidé s odborností v oblasti by měli být těmi, kdo rozhodnou, zda je předpověď nebo návrh umělé inteligence vůbec užitečný.

Díky iterativnějším, revidovaným a přemístěným procesům vytváření modelů mohou lidé s obchodním kontextem získat hodnotu z AI rychleji – a to i nasazením nových modelů tisícům uživatelů během dnů až týdnů, namísto týdnů až měsíců. To je zvláště užitečné pro týmy, jejichž jedinečné výzvy nemusí být pro týmy datové vědy vysokou prioritou, ale mohou těžit z rychlosti a důkladnosti analýzy AI.

Je však důležité poznamenat, že i když tato řešení mohou pomoci vyřešit mezeru v dovednostech mezi analytiky a datovými vědci, nenahrazují druhé. Datoví vědci zůstávají kritickým partnerem obchodních expertů při ověřování dat používaných v řešeních s umělou inteligencí. A kromě této spolupráce budou pro úspěšné používání těchto druhů nástrojů ve velkém měřítku klíčové vzdělání a datové dovednosti.

Datová gramotnost umožňuje více lidem využívat AI

Vaše základní datová strategie hraje obrovskou roli v nastavení vaší organizace na úspěch s AI, ale zpřístupnění řešení AI většímu počtu lidí v celé firmě bude vyžadovat základní datovou gramotnost. Pochopení toho, jaká data je vhodné použít na obchodní problém, a také to, jak interpretovat data a výsledky doporučení AI, pomůže lidem úspěšně důvěřovat a přijmout AI jako součást jejich rozhodování. Sdílený jazyk dat v rámci organizace také otevírá další dveře pro úspěšnou spolupráci s odborníky.

Nejnovější globální průzkum společnosti McKinsey o AI odhalil, že ve 34 % vysoce výkonných organizací „specializované školicí středisko rozvíjí dovednosti umělé inteligence netechnického personálu prostřednictvím praktického učení“ ve srovnání s pouhými 14 % všech ostatních dotázaných. Navíc ve 39 % vysoce výkonných organizací „existují vyhrazené komunikační kanály a kontaktní body mezi uživateli AI a týmem pro vědu o datech“ ve srovnání s pouhými 20 % ostatních.

Lídři mohou k budování datové gramotnosti využít různé přístupy, od vzdělávání a školení, mentorských programů, datových soutěží o budování komunity a dalších. Přemýšlejte o normalizaci přístupu a sdílení dat a také o tom, jak oslavujete a podporujete úspěchy, učení a rozhodování s daty.

„Datová gramotnost a vzdělávání o vizualizaci a vědě o datech musí být rozšířenější a musí být vyučovány dříve,“ řekla Vidya Setlur, vedoucí Tableau Research. „Se spoléháním se na používání dat je spojena určitá společenská a organizační odpovědnost. Lidé by měli být lépe vybaveni, aby porozuměli, interpretovali a co nejlépe využili data, protože umělá inteligence bude jen sofistikovanější a my bychom měli být o pár kroků před hrou.“

Pokračování v budování datové kultury vaší organizace vytváří silné příležitosti k rozvíjení dovedností a podpoře nových řešení v celém podniku. Mnoho organizací již v posledních letech zvýšilo své investice do dat a analytiky, protože digitální transformace se zrychlila. Není možné považovat data za týmový sport – a nyní máme prostředky, jak tento způsob myšlení rozšířit na AI.