Kodėl turėtumėte galvoti apie AI kaip apie komandinį sportą

Ką reiškia galvoti apie AI kaip komandinį sportą? Matome, kad dirbtinio intelekto projektai keičiasi nuo ažiotažo prie poveikio, daugiausia dėl to, kad įtraukiami tinkami vaidmenys, kad būtų sukurtas verslo kontekstas, kurio anksčiau trūko. Domeno kompetencija yra svarbiausia; mašinos neturi tokio gilaus konteksto, kokį turi žmonės, ir žmonės turi pakankamai gerai išmanyti verslą ir duomenis, kad suprastų, kokių veiksmų reikia imtis remiantis bet kokiomis įžvalgomis ar rekomendacijomis.

Kalbant apie dirbtinio intelekto mastelį, daugelis lyderių mano, kad jie turi problemų su žmonėmis – konkrečiai, nepakanka duomenų mokslininkų. Tačiau ne kiekviena verslo problema yra duomenų mokslo problema. Arba bent jau ne kiekvienas verslo iššūkis turėtų būti mestas jūsų duomenų mokslo komandai. Taikydami tinkamą požiūrį galite pasinaudoti AI privalumais be iššūkių, kylančių dėl tradicinių duomenų mokslo ciklų.

Norėdami įdiegti ir išplėsti dirbtinio intelekto sprendimus, vadovai turi pakeisti organizacijos požiūrį į AI kaip komandinį sportą. Kai kuriems AI projektams reikia kitokio žmonių, įrankių ir lūkesčių rinkinio, kad galėtų atrodyti sėkmingi rezultatai. Žinodami, kaip atpažinti šias galimybes, galėsite pasiekti sėkmingesnius AI projektus ir pagilinti dirbtinio intelekto naudotojų ratą, todėl visos darbo jėgos sprendimų priėmimo greitis ir galia. Panagrinėkime, kodėl ir kaip.

Organizacijos demokratizuoja pažangią analizę su AI

DI naudojimas verslo problemoms spręsti daugiausia buvo duomenų mokslininkų kompetencija. Dažnai duomenų mokslo komandos yra skirtos didžiausioms organizacijos galimybėms ir sudėtingiausiems iššūkiams. Daugybė organizacijų sėkmingai pritaikė duomenų mokslą konkretiems naudojimo atvejams, pvz., sukčiavimo aptikimui, personalizavimui ir kt., kur gilios techninės žinios ir tiksliai suderinti modeliai lemia labai sėkmingus rezultatus.

Tačiau DI sprendimų mastelio keitimas naudojant duomenų mokslo komandą organizacijoms yra sudėtingas dėl daugelio priežasčių. Talentus pritraukti ir išlaikyti yra labai brangu ir gali būti sunku konkurencinėje rinkoje. Tradiciniai duomenų mokslo projektai dažnai gali užtrukti daug laiko sukurti ir įdiegti, kol verslas pamatys vertę. Ir net labiausiai patyrusios, tvirtos duomenų mokslo komandos gali žlugti, jei joms trūksta reikiamų duomenų ar konteksto, kad suprastų problemos, kurią jų prašoma išspręsti, niuansus.

2021 m. Gartner® Duomenų mokslo ir mašininio mokymosi padėtis (DSML) ataskaitoje teigiama, kad „klientų paklausa keičiasi: mažiau techninės auditorijos nori lengviau taikyti DSML, ekspertai turi pagerinti produktyvumą, o įmonėms reikia trumpesnio laiko įvertinti savo investicijas.¹. Nors gali kilti daug verslo problemų, kurioms gali būti naudinga AI teikiamos analizės greitis ar kruopštumas, tradicinis duomenų mokslo metodas ne visada gali būti geriausias atakos planas, norint greitai pamatyti vertę. Tiesą sakant, toje pačioje „Gartner“ ataskaitoje prognozuojama, kad „iki 2025 m. duomenų mokslininkų trūkumas nebetrukdys organizacijose taikyti duomenų mokslo ir mašininio mokymosi“.

Domeno žinios yra labai svarbios norint išplėsti AI visame versle

AI jau padeda suteikti pažangių analizės galimybių vartotojams, kurie neturi duomenų mokslo žinių. Mašinos gali pasirinkti iš geriausių prognozavimo modelių ir algoritmų, o pagrindiniai modeliai gali būti atskleisti, suteikiant galimybę juos derinti ir įsitikinti, kad viskas atitinka tai, ko ieško vartotojas.

Šios galimybės suteikia analitikams ir patyrusiems verslo srities ekspertams galimybę kurti ir panaudoti savo AI programas. Būdami arčiau duomenų, šie vartotojai turi pranašumą prieš daugelį savo duomenų mokslininkų. Suteikus šią galią tiems, kurie turi srities patirties, galima išvengti ilgo kūrimo laiko, išteklių naštos ir paslėptų išlaidų, susijusių su tradiciniais duomenų mokslo ciklais. Be to, domeno patirties turintys žmonės turėtų nuspręsti, ar AI numatymas ar pasiūlymas yra naudingi.

Naudodami labiau pasikartojančius modelių kūrimo procesus, peržiūrėdami ir perskirstydami, žmonės, turintys verslo kontekstą, gali greičiau gauti naudos iš dirbtinio intelekto – netgi diegti naujus modelius tūkstančiams vartotojų per kelias dienas ar savaites, o ne savaites ar mėnesius. Tai ypač naudinga toms komandoms, kurių unikalūs iššūkiai duomenų mokslo komandoms gali būti ne itin svarbūs, tačiau gali būti naudingi AI analizės greičiu ir kruopštumu.

Tačiau svarbu pažymėti, kad nors šie sprendimai gali padėti išspręsti įgūdžių atotrūkį tarp analitikų ir duomenų mokslininkų, jie nepakeičia pastarųjų. Duomenų mokslininkai išlieka svarbiu verslo ekspertų partneriu, kad patvirtintų duomenis, naudojamus sprendimuose, kuriuose veikia dirbtinis intelektas. Be šio bendradarbiavimo, švietimas ir duomenų įgūdžiai bus labai svarbūs norint sėkmingai naudoti tokias priemones.

Duomenų raštingumas įgalina daugiau žmonių pasinaudoti AI

Jūsų pagrindinė duomenų strategija atlieka didžiulį vaidmenį kuriant jūsų organizaciją sėkmingai naudojant AI, tačiau norint, kad AI sprendimai būtų prieinami daugiau žmonių visame versle, reikės duomenų raštingumo pradinio lygio. Suprasdami, kokius duomenis tinka taikyti verslo problemai, taip pat kaip interpretuoti AI rekomendacijos duomenis ir rezultatus, žmonės padės sėkmingai pasitikėti dirbtiniu intelektu ir priimti jį kaip dalį savo sprendimų. Bendra duomenų kalba organizacijoje taip pat atveria daugiau durų sėkmingam bendradarbiavimui su ekspertais.

Naujausia „McKinsey“ pasaulinė DI apklausa atskleidė, kad 34 % produktyvių organizacijų „specialus mokymo centras ugdo netechninio personalo AI įgūdžius mokydamasis praktinio mokymosi“, palyginti su tik 14 % visų kitų apklaustųjų. Be to, 39 % efektyvių organizacijų „yra nustatyti ryšių kanalai ir kontaktiniai taškai tarp AI vartotojų ir organizacijos duomenų mokslo komandos“, palyginti su tik 20 % kitų.

Lyderiai gali imtis įvairių metodų, kad padidintų duomenų raštingumą, pradedant švietimu ir mokymu, mentorystės programomis, bendruomenės kūrimo duomenų konkursais ir kt. Pagalvokite apie prieigos ir dalijimosi duomenimis normalizavimą, taip pat apie tai, kaip švęsti ir skatinti sėkmę, mokymąsi ir sprendimų priėmimą naudodami duomenis.

„Duomenų raštingumas ir švietimas apie vizualizaciją ir duomenų mokslą turi būti labiau paplitęs ir mokomas greičiau“, – sakė „Tableau Research“ vadovė Vidya Setlur. „Priklausomai nuo duomenų naudojimo kyla tam tikra socialinė ir organizacinė atsakomybė. Žmonės turėtų būti geriau pasirengę suprasti, interpretuoti ir kuo geriau išnaudoti duomenis, nes dirbtinis intelektas bus tik sudėtingesnis, o mes turėtume būti keliais žingsniais priekyje.

Toliau kuriant savo organizacijos duomenų kultūrą atsiranda puikių galimybių ugdyti įgūdžius ir skatinti naujus sprendimus visame versle. Pastaraisiais metais daugelis organizacijų jau padidino savo investicijas į duomenis ir analizę, nes įsibėgėjo skaitmeninė transformacija. Neįmanoma galvoti apie duomenis kaip apie komandinį sportą, o dabar turime priemonių išplėsti šį požiūrį į AI.