Εξάγετε ένα σταθερό προβλέψιμο όφελος από τη χρήση της τεχνητής νοημοσύνης (AI) σε συνεχή βάση, μια επιχείρηση μπορεί μόνο μετά τη συστηματική αυτή κατεύθυνση. Αυτό δεν είναι μόνο ένα αναπόσπαστο μέρος της κλιμάκωσης της πρακτικής ΙΙ για τις επιχειρήσεις, αλλά και μια δέσμευση ανάπτυξης. Οι εταιρείες δεν πρέπει να αναμένονται ότι η βιομηχανία ή οι ρυθμιστικές αρχές θα λάβουν τυποποίηση από μόνα τους, πρέπει να λάβουν τη διαδικασία στα χέρια τους.
Η τεχνητή νοημοσύνη (AI) έγινε μια κατεύθυνση υψηλής προτεραιότητας - η επιχείρηση στο παγκόσμιο επίπεδο δαπάνησε περίπου 306 δισεκατομμύρια δολάρια για λύσεις AI τα τελευταία τρία χρόνια. Θεωρητικά, αυτές οι επενδύσεις μπορούν να φέρουν τρεις φορές επιστροφές. Ωστόσο, ενώ πολλές εταιρείες δεν φτάνουν στα αναμενόμενα αποτελέσματα.
Ο κύριος λόγος είναι η αδυναμία της επιχείρησης με την αποτελεσματική κλιμάκωση των λύσεων AI. Αυτό συμβαίνει λόγω ανεπαρκούς τυποποίησης του AI. Θα σχεδιάσουμε μια αναλογία από, για παράδειγμα, την κατασκευή. Κατανοούμε ότι οι αρχιτέκτονες, οι στοίβαροι τούβλων, οι ηλεκτρολόγοι και άλλοι επαγγελματίες κατασκευής γνωρίζουν πώς να χτίσουν ένα σπίτι το καθένα στη σκηνή του. Εκπαιδεύτηκαν, κατανόησαν το ρόλο τους, εξοικειωμένοι με τα πρότυπα ασφαλείας που πρέπει να ακολουθηθούν. Είναι απίθανο κάποιος στο σωστό μυαλό να αναθέσει το σχεδιασμό του σπιτιού στον αρχιτέκτονα - έναν ερασιτέχνη και η κατασκευή του είναι μια ομάδα τυχαίων ανθρώπων. Ταυτόχρονα, ένα πράγμα, αν θέλετε να οικοδομήσουμε, για παράδειγμα, ο ανελκυστήρας, και ο άλλος είναι ένα κτίριο διαμερισμάτων, για διαφορετικούς τύπους αντικειμένων, θα απαιτηθούν εμπειρογνώμονες με διαφορετική εμπειρία και γνώσεις.
Θα πρέπει επίσης να είναι με την AI - μόνο να επισημοποιήσει μόνο την κατεύθυνση μέσω της θέσης σε λειτουργία του γενικού συνόλου των κανόνων, των προτύπων και των βασικών αρχών, είναι δυνατόν να αποφευχθεί η υποτίμηση ή επανεκτίμηση των τεχνολογικών δυνατοτήτων σε σχέση με τα επιχειρηματικά καθήκοντα, την εσφαλμένη ερμηνεία του Καθήκοντα, καθώς και εσφαλμένα υπολογισμούς και χρηματοδοτικά έργα. Δεδομένου ότι οι τεχνολογίες IA αναπτύσσονται πολύ γρήγορα, οι κυβερνήσεις και οι ρυθμιστικές αρχές δεν έχουν χρόνο για τη διεξαγωγή μεταρρυθμίσεων της βιομηχανίας και να εφαρμόσουν πρότυπα. Έτσι, οι οργανισμοί πρέπει να πάρουν το καθήκον της επαγγελματικοποίησης στα χέρια τους.
Ήρθε η ώραΗ Accenture διεξήγαγε μια μελέτη μεταξύ των εταιρειών που κλιμουν με επιτυχία το AI στο πλαίσιο της συνολικής στρατηγικής για την ανάπτυξη επιχειρήσεων - ονομάζονται στρατηγικές κλίμακες. Χρησιμοποιούν τις τακτικές τυποποίησης των κατευθύνσεων των ΑΙ και των διεπιστημονικών εντολών. Αυτή η προσέγγιση επιτρέπει το 1,5-2,5 φορές πιο συχνά να δημιουργεί αποτελεσματικά προϊόντα σχεδιασμού και προϊόντων, συμπεριλαμβανομένης της κατάρτισης και σαφής κατανομή της ευθύνης μεταξύ των συμμετεχόντων.
Το 92% των εταιρειών που κλιμακώνονται με επιτυχία AI χρησιμοποιούν διεπιστημονικές ομάδες σε όλο τον οργανισμό. Το 72% των οποίων υποστηρίζουν ότι οι υπάλληλοί τους κατανοούν πλήρως τον τρόπο λειτουργίας της τεχνητής νοημοσύνης ή μπορεί να εφαρμοστεί σε καθήκοντα στους ρόλους τους. Στρατηγικές κλίμακες στην πρακτική του εξαλείφουν γρήγορα τα περιττά καθήκοντα και διευκρινίζουν τα όρια της ευθύνης τόσο εντός όσο και γενικά στην πρακτική της συνύπαρξης των ομάδων AI εντός της εταιρείας.
Ο συνδυασμός και ο λόγος των ρόλων σε τέτοιες ομάδες θα εξαρτηθούν από συγκεκριμένες περιπτώσεις και έργα. Η χρήση εμπειριών συνεργατών και / ή ανάπτυξης για την εργασία και την ανάπτυξη ομάδων θα βοηθήσει τη δημιουργία αυτής της διαδικασίας ως τυποποιημένη και διαφανής στην εταιρεία. Αλλά ένα πράγμα παραμένει το κλειδί για όλα τα έργα - είναι απαραίτητο να καθοριστεί η ευθύνη από την αρχή και να καθορίσει τις προσδοκίες.
Υποχρεωτική εκπαίδευση και συνολική αλφαβητισμός AIΟι οργανισμοί επενδύουν στην εκμάθηση ΑΙ, αλλά, κατά κανόνα, στον πραγματικό κόσμο, πολλοί από τους εσωτερικούς ειδικούς δεν θα εξακολουθούν να μην έχουν την απαραίτητη κατάρτιση και προσόντα για αποτελεσματική εργασία με τεχνητή νοημοσύνη. Οργανισμοί Είναι σημαντικό να θεσπιστούν απαιτήσεις για την εκπαίδευση, τις αρμοδιότητες και την κατάρτιση των εργαζομένων που συμμετέχουν στα έργα του ΑΙ.
Ταυτόχρονα, οι εταιρείες, η επιτυχώς κλιμακωτά AI, βασίζονται σε πλαίσια με τον σωστό συνδυασμό δεξιοτήτων και προσόντων τόσο στον τομέα της επιχείρησης, της πληροφορικής όσο και της διαχείρισης δεδομένων και στο AI. Έτσι, το 70% των στρατηγικών εταιρειών προφίλ Scaler ισχυρίζονται ότι οι υπάλληλοί τους έχουν υποβληθεί σε επίσημη μάθηση στον τομέα της AI και συνεργάζονται με δεδομένα.
Σήμερα, η επιχείρηση είναι συχνά εξοπλισμένη με τις ομάδες II χωρίς να επισημοποιεί τις απαιτήσεις για το επίπεδο της κατάρτισης και των δεξιοτήτων, χωρίς να εργάζεται ως ταξινόμηση των κύριων ειδών καθηκόντων και προσεγγίσεων στην εφαρμογή τους. Ακόμη και μεταξύ των μεταπτυχιακών ή πιστοποιημένων ειδικών στον τομέα της ΑΙ, υπάρχουν διάφορες κάλυψη και επίπεδα ιδιοκτησίας τόσο πρακτικών δεξιοτήτων όσο και εργαλείων και όσον αφορά την κατανόηση των χαρακτηριστικών μιας συγκεκριμένης επιχείρησης.
Όταν πληκτρολογώντας νέες εταιρείες ταλέντων συχνά χρησιμοποιούν τεχνική εξέταση των υποψηφίων για να αξιολογήσουν το απαραίτητο επίπεδο γνώσεων για την εκτέλεση συγκεκριμένου ρόλου. Για να μπορέσουν να δώσουν στους συμμετέχοντες στις ομάδες AI μεγαλύτερη ευθύνη και ανεξαρτησία, να κατανοήσουν την πραγματική κατάσταση της πρακτικής του AI, οι οργανισμοί θα πρέπει να διεξάγουν τακτικές εκδηλώσεις αξιολόγησης καθ 'όλη τη διάρκεια της σταδιοδρομίας του εργαζομένου να ελέγξουν τη συνάφεια της γνώσης και της ανάπτυξης του σχεδίου.
Παρά την άνευ όρων αύξηση των επενδύσεων στο ΑΙ, η επίτευξη του πραγματικού επαγγελματισμού στον τομέα αυτό θα εξαρτηθεί από την εξασφάλιση της συνολικής και αλφαβητισμού σε ολόκληρο τον οργανισμό.
Ai-Dream TeamΜια άλλη χαρακτηριστική πρόκληση είναι η αδυναμία δημιουργίας μιας αποτελεσματικής διεπιστημονικής εντολής. Η πραγματική επιχειρηματική αξία του AI μπορεί να εφαρμοστεί μόνο όταν οι εμπειρογνώμονες για το Analytics, τα δεδομένα και το έργο τεχνητής νοημοσύνης στο χέρι με τους επιχειρηματίες συναδέλφους. Η τέλεια ομάδα πρέπει να μοιάζει με αυτό:
- Ο ιδιοκτήτης του προϊόντος (ιδιοκτήτης του προϊόντος), αυτός που "δέρμα" είναι υπεύθυνος για τις παραγωγικές μετρήσεις και είναι ένα ενιαίο σημείο εισόδου για τη λήψη απαιτήσεων και ανατροφοδότησης από τις επιχειρήσεις.
- Ένας εμπειρογνώμονας μεθοδολόγος του θέματος, η οποία κατανοεί τέλεια τον τρόπο λειτουργίας της υφιστάμενης επιχειρηματικής διαδικασίας και, ιδανικά, υποστηρίζει τη γνώση σχετικά με τον τρόπο με τον οποίο επιλύονται παρόμοια καθήκοντα σε άλλες εταιρείες.
- Ένας επιχειρηματικός αναλυτής που θα εκδώσει σωστά μια υπόθεση - μετατοπίζει την τεκμηρίωση, τις υποθέσεις, τις περιγραφές και τους περιορισμούς στις απαιτήσεις των απαιτήσεων του προϊόντος II ·
- Αναλυτής δεδομένων / Δεδομένων Δεδομένων, οι οποίοι μπορούν να διεξάγουν ένα ευρύ φάσμα αναλυτικών χειρισμών από οπτικές αναλύσεις έως ότου η ανίχνευση σύνθετων κρυφών μοτίβων είναι η δημιουργία υποθέσεων και η δημιουργία MVP για να τα ελέγξει. Ένας από τους τομείς των ικανοτήτων για τέτοιους ειδικούς είναι η αφήγηση δεδομένων - η δυνατότητα βήμα προς βήμα να μετατρέψει τα δεδομένα και τα αποτελέσματα της ανάλυσης στις κατανοητές επιχειρηματικές ιδέες.
- Ο μηχανικός Dataengineer (Dataengineer), ο οποίος θα βοηθήσει την ανάλυση και τα δεδομένα Speepetist προετοιμάζουν τα δεδομένα, για παράδειγμα, συνδυάζονται από διαφορετικές πηγές, μετατρέπουν σε μία μόνο μορφή. Η εμπειρία δείχνει ότι ο ρόλος αυτός πρέπει να είναι ανεξάρτητος, δεδομένου ότι η βαθμολόγηση των δεδομένων είναι αναποτελεσματική στην εφαρμογή της.
- Ο αρχιτέκτονας των δεδομένων μερικής απασχόλησης (Data Feart) και ο αντιπρόσωπος των διαχειριστών δεδομένων (Data Steward), ο οποίος θα είναι σε θέση να δώσει γρήγορα μια σύνοψη της διαθεσιμότητας και της ποιότητας των δεδομένων, των περιορισμών και των απαιτήσεων των δοκιμαστικών και παραγωγικών περιγραμμάτων, συμπεριλαμβανομένης της ασφάλειας των πληροφοριών, το σύννεφο και άλλα Υποδομή, Devsecops / DataOPs Διαδικασίες / Ζέες, έτσι ώστε στα πρώτα στάδια να είναι σωστή η αξιολόγηση της επίτευξης και της αποσαφήνισης των πιθανών κινδύνων και των επιπτώσεων.
Με βάση τους ρόλους, μπορεί να φανεί ότι δεν μπορεί να υπάρξει πολλά σε εταιρείες σε τέτοιες ομάδες - αυτοί οι ειδικοί είναι πάντα ψησίματος. Οι πραγματικότητες είναι τέτοιες επιχειρήσεις που επιθυμεί να δει το αποτέλεσμα πριν από την κατανομή των πόρων σε μια τέτοια εντολή. Αυτές οι ομάδες θα πρέπει να καθοδηγούνται με ενιαία πρότυπα και κανόνες. Εάν η εργασία είναι οργανωμένη σύμφωνα με τις ενοποιημένες αρχές, εκτελείται βέλτιστα και κλιμακωθεί και μπορεί επίσης να αναπαραχθεί γρήγορα στην επίλυση νέων εργασιών, τον έλεγχο νέων υποθέσεων. Μέρος των ειδικών υποστηρίζει ότι οι επίσημες διαδικασίες μπορούν να στρατολογήσουν την καινοτομία. Οι μελέτες Accenture έχουν δείξει το αντίθετο.
Σε επαγγελματικές εταιρείες, υπάρχει μια τυποποιημένη προσέγγιση για τη δοκιμή και τη συγκριτική αξιολόγηση κατά τη δημιουργία και την ανάπτυξη προϊόντων και υπηρεσιών. Ανεξάρτητα από το αν η εταιρεία δημιουργεί έξυπνες συσκευές ή μοντέλο μηχανικής μάθησης για τη βελτίωση της εμπειρίας των πελατών της στο διαδίκτυο, η διαθεσιμότητα ενός συστήματος και διαδικασιών υποστήριξης της ανάπτυξης του AI-προϊόντος επιτρέπει στους υπαλλήλους να εφαρμόσουν καινοτομίες προβλέψιμες και αποτελεσματικές.
Για παράδειγμα, χρειάζεστε πάντα μια επίσημη διαδικασία για τη μεταφορά του κώδικα λογισμικού στο παραγωγικό μέσο. Ένα άλλο χαρακτηριστικό παράδειγμα, όταν ο επιστήμονας των δεδομένων μεταδίδει τους μηχανικούς δεδομένων ανεπαρκώς δομημένος και μη εγγεγραμμένος κώδικας που πρέπει να υποτίθεται, να μεταφερθεί από την Python έως τη Scala για παράδοση στην παραγωγική.
Στην πράξη, τα πρότυπα ανάπτυξης IA επηρεάζουν τις απαιτήσεις για τα πρότυπα, τους κανόνες καταγραφής και παρακολούθησης, οι ενωμένες δοκιμές, τον έλεγχο των εκδόσεων κώδικα, τα δεδομένα που χρησιμοποιούνται από τις εκδόσεις της βιβλιοθήκης και πολλά άλλα.
Στη Ρωσία και τον κόσμοΣτη Ρωσία, στον τομέα της ανάπτυξης ΙΙ, υπάρχει μια καλή σε σχέση με άλλες χώρες την κατάσταση όσον αφορά τις αρμοδιότητες των ειδικών της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Το ίδιο το θέμα είναι παρόν στην ημερήσια διάταξη των εταιρειών και σε κρατικό επίπεδο. Τα ειδικά εταιρικά εργαστήρια της λειτουργίας AI και την ανάπτυξη, συμβαίνουν βιομηχανική ενσωμάτωση των λύσεων AI σε ένα μικρό αριθμό επιχειρηματικών διαδικασιών.
Η κατάσταση είναι η καλύτερη στις τεχνολογικές εταιρείες, το ηλεκτρονικό εμπόριο και το λιανικό εμπόριο, πολλά γίνονται σε τηλεπικοινωνίες και τράπεζες. Σε αυτές τις βιομηχανίες, δημιουργείται ήδη ένα όραμα για την ανάπτυξη με μια ολοκληρωμένη ομάδα II σε μια εταιρική δομή. Στον πραγματικό τομέα της οικονομίας εξακολουθεί να υπάρχει ένας μεγάλος τρόπος, αν και ένα από τα επιτυχημένα ρωσικά παραδείγματα στην πρακτική μου ανήκει στην εταιρεία από τη βιομηχανία πετρελαίου και φυσικού αερίου.
Μία από τις πιο επιτυχημένες βιομηχανικές προσεγγίσεις σε έναν ολοκληρωμένο μετασχηματισμό που βασίζεται σε προηγμένους αναλύσεις που παρακολουθούσα στον τραπεζικό τομέα. Ο Διεθνής Τραπεζικός Όμιλος έχει επενδύσει σε μια ενιαία τεχνολογική πλατφόρμα για προηγμένους αναλύσεις και σε απευθείας σύνδεση συνεργασία, καθώς και σχεδόν ταυτόχρονα ξεκίνησε μια διεθνή κοινότητα επιστημών δεδομένων. Μαζί με τη στερέωση των διεπιστημονικών ομάδων προϊόντων με τους ρόλους που αναφέρονται παραπάνω, τα μέτρα αυτά επιτρέπονται για τους πρώτους έξι μήνες να διαρκούν σε παραγωγική περίπου 10 περιπτώσεις και να ξεκινήσουν μια λεπτομερή μελέτη άλλων 20.
Είναι σημαντικό να σημειωθεί ότι στην εταιρεία κατά τη στιγμή της έναρξης υπήρχε ήδη μια καλά διαμορφωμένη λειτουργία διαχείρισης δεδομένων (διακυβέρνηση δεδομένων), η οποία ενήργησε ως βάση για μετασχηματισμό, εντοπίστηκαν μια ενιαία προσέγγιση, διαδικασίες και τεχνολογίες.
Τι θα λύσει την τυποποίηση στο AIΠρώτα απ 'όλα, ο συνδυασμός μιας αρμόδιας ομάδας και των διαφανειών αρχών και προτύπων του ΑΙ ξεπερνά το πρόβλημα των αποδεικτικών στοιχείων της οικονομικής ισχύος από τις πρωτοβουλίες. Είναι στενά συνδεδεμένη με τη μετάβαση από το έργο και την προσέγγιση της διαδικασίας στο προϊόν στο προϊόν με ανάλυση της αλυσίδας τελικού σε άκρο του κόστους. Οι ομάδες εισάγουν στην πρακτική της AI-Metrics, οι οποίες σας επιτρέπουν να εξαλείψετε ή να εξαλείψετε πλήρως τα προβλήματα και τις λεπτές θέσεις των έργων AI. Για παράδειγμα, μπορείτε να διεξάγετε αμέσως μια πρόβλεψη για την αλλαγή του προϊόντος P & L μετά την εισαγωγή προηγμένων αναλυτικών στοιχείων και να διατηρήσετε με μεγαλύτερη ακρίβεια μια ανάλυση κόστους-οφέλους της εφαρμογής του AI σε μια συγκεκριμένη επιχειρηματική διαδικασία.
Συνολικά, αυτό επιτρέπει ένα κάταγμα κατά τη διάρκεια της ετοιμότητας των εταιρειών να εξετάσει την ανάπτυξη της AI ως στρατηγική κατεύθυνση του ψηφιακού μετασχηματισμού και να πραγματοποιήσει τη μετάβαση από τα "εργαστηριακά πειράματα" σε μια στρατηγική πλήρους II.