Почему вы должны думать об ИИ как о командном виде спорта

Что значит думать об ИИ как о командном виде спорта? Мы наблюдаем, как проекты ИИ переходят от рекламы к воздействию, в основном потому, что для обеспечения бизнес-контекста, который ранее отсутствовал, привлекаются правильные роли. Знание предметной области является ключевым; машины не обладают той глубиной контекста, которая есть у людей, и людям необходимо достаточно хорошо знать бизнес и данные, чтобы понимать, какие действия следует предпринимать на основе любых сведений или рекомендаций, которые появляются.

Когда дело доходит до масштабирования ИИ, многие руководители думают, что у них есть проблема с людьми, в частности, с нехваткой специалистов по данным. Но не каждая бизнес-задача связана с наукой о данных. Или, по крайней мере, не все бизнес-задачи должны ставиться перед вашей командой специалистов по обработке и анализу данных. При правильном подходе вы можете воспользоваться преимуществами ИИ без проблем, связанных с традиционными циклами обработки данных.

Чтобы развернуть и масштабировать решения ИИ, руководителям необходимо изменить мышление организации, чтобы рассматривать ИИ как командный вид спорта. Некоторым проектам ИИ нужен другой набор людей, инструментов и ожиданий относительно того, как выглядят успешные результаты. Знание того, как распознать эти возможности, поможет вам приблизиться к более успешным проектам ИИ и расширить круг пользователей ИИ, повысив скорость и силу принятия решений среди сотрудников. Давайте разберемся, почему и как.

Организации демократизируют расширенный анализ с помощью ИИ

Использование ИИ для решения бизнес-задач в значительной степени было прерогативой специалистов по данным. Часто команды специалистов по обработке и анализу данных резервируются для самых больших возможностей организации и самых сложных задач. Многие организации успешно применяют науку о данных в конкретных случаях использования, таких как обнаружение мошенничества, персонализация и т. д., где глубокие технические знания и точно настроенные модели обеспечивают чрезвычайно успешные результаты.

Однако масштабирование решений ИИ с помощью вашей команды специалистов по обработке и анализу данных является сложной задачей для организаций по многим причинам. Привлечение и удержание талантов обходится очень дорого и может быть затруднено на конкурентном рынке. Традиционные проекты по науке о данных часто требуют много времени для разработки и развертывания, прежде чем бизнес увидит ценность. И даже самые опытные и надежные группы специалистов по обработке и анализу данных могут потерпеть неудачу, если им не хватает необходимых данных или контекста для понимания нюансов проблемы, которую им предстоит решить.

Гартнер® 2021 г. Состояние науки о данных и машинного обучения (DSML) говорится, что «клиентский спрос меняется: менее техническая аудитория хочет легче применять DSML, экспертам необходимо повысить производительность, а предприятиям требуется более короткое время для окупаемости своих инвестиций.¹». Хотя может быть много бизнес-проблем, которые могут выиграть от скорости или тщательности анализа, который может обеспечить ИИ, традиционный подход к науке о данных не всегда может быть лучшим планом атаки, позволяющим быстро увидеть ценность. Фактически, в том же отчете Gartner прогнозируется, что «к 2025 году нехватка специалистов по данным больше не будет препятствовать внедрению науки о данных и машинного обучения в организациях».

Знание предметной области имеет решающее значение для масштабирования ИИ в бизнесе

ИИ уже помогает предоставлять расширенные возможности анализа пользователям, не имеющим опыта работы с данными. Машины могут выбирать из лучших моделей и алгоритмов прогнозирования, а лежащие в их основе модели могут быть раскрыты, предлагая возможность их настройки и обеспечения того, чтобы все соответствовало тому, что ищет пользователь.

Эти возможности дают аналитикам и опытным специалистам в области бизнеса возможность разрабатывать и использовать собственные приложения ИИ. Будучи ближе к данным, эти пользователи имеют преимущество перед многими своими коллегами по данным. Передача этой мощности в руки тех, кто имеет опыт работы в предметной области, может помочь избежать длительного времени разработки, нагрузки на ресурсы и скрытых затрат, связанных с традиционными циклами обработки данных. Кроме того, люди, разбирающиеся в предметной области, должны решать, полезны ли предсказания или предложения ИИ.

Благодаря более итеративным процессам построения моделей с пересмотром и повторным развертыванием люди с бизнес-контекстом могут быстрее получать пользу от ИИ — даже развертывание новых моделей для тысяч пользователей в течение нескольких дней или недель, а не недель или месяцев. Это особенно полезно для тех команд, чьи уникальные задачи могут не быть приоритетными для групп специалистов по обработке и анализу данных, но они могут извлечь выгоду из скорости и тщательности анализа ИИ.

Однако важно отметить, что хотя эти решения могут помочь устранить разрыв в навыках между аналитиками и специалистами по данным, они не заменят последних. Специалисты по данным остаются важным партнером бизнес-экспертов для проверки данных, используемых в решениях с поддержкой ИИ. И в дополнение к этому сотрудничеству образование и навыки работы с данными будут иметь решающее значение для успешного использования таких инструментов в масштабе.

Грамотность в отношении данных позволяет большему количеству людей использовать ИИ

Ваша базовая стратегия работы с данными играет огромную роль в обеспечении успеха вашей организации с помощью ИИ, но для того, чтобы предоставить решения ИИ большему количеству людей в бизнесе, потребуется базовый уровень грамотности в отношении данных. Понимание того, какие данные подходят для решения бизнес-задачи, а также того, как интерпретировать данные и результаты рекомендаций ИИ, поможет людям успешно доверять ИИ и использовать его в процессе принятия решений. Общий язык данных внутри организации также открывает больше возможностей для успешного сотрудничества с экспертами.

Последнее глобальное исследование McKinsey по ИИ показало, что в 34% высокоэффективных организаций «специализированный учебный центр развивает навыки ИИ у нетехнического персонала посредством практического обучения» по сравнению только с 14% всех других опрошенных. Кроме того, в 39% высокоэффективных организаций «существуют назначенные каналы связи и точки соприкосновения между пользователями ИИ и командой организации по обработке данных» по сравнению только с 20% других организаций.

Лидеры могут использовать различные подходы к повышению грамотности в области данных, от образования и обучения, программ наставничества, конкурсов данных для создания сообществ и многого другого. Подумайте о нормализации доступа к данным и обмене ими, а также о том, как вы отмечаете и продвигаете успехи, знания и принятие решений с помощью данных.

«Информационная грамотность и образование в области визуализации и науки о данных должны быть более распространенными и преподаваться как можно раньше», — сказала Видья Сетлур, глава Tableau Research. «Существует своего рода социальная и организационная ответственность, связанная с использованием данных. Люди должны быть лучше подготовлены к пониманию, интерпретации и максимальному использованию данных, потому что ИИ будет становиться все более изощренным, и мы должны быть на несколько шагов впереди игры».

Продолжая развивать культуру данных в вашей организации, вы создаете мощные возможности для развития навыков и внедрения новых решений в рамках всего бизнеса. Многие организации уже увеличили свои инвестиции в данные и аналитику в последние годы, поскольку цифровая трансформация ускорилась. Невозможно думать о данных как о командном виде спорта, и теперь у нас есть средства распространить это мышление на ИИ.