Eltiru stabilan antaŭvideblan profiton de la uzo de artefarita inteligenteco (AI) dum daŭra bazo, komerco nur povas post sistematigado de ĉi tiu direkto. Ĉi tio ne estas nur integra parto de la skalado de II-praktiko por komerco, sed ankaŭ promeso pri kreskado. Kompanioj ne devas atendi, ke la industrio aŭ reguligistoj pri normigado pri si mem, ili bezonas la procezon en iliaj manoj.
Artefarita inteligenteco (AI) iĝis prioritata direkto - la komerco ĉe la monda nivelo elspezis ĉirkaŭ 306 miliardojn da dolaroj por AI-solvoj dum la pasintaj tri jaroj. En teorio, ĉi tiuj investoj povas alporti tri-tempajn revenojn. Tamen, dum multaj kompanioj ne atingas la atenditajn rezultojn.
La ĉefa kialo estas la nekapablo de la komerco al la efika skalado de AI-solvoj. Ĉi tio okazas pro nesufiĉa normigado de AI. Ni desegnos analogion, ekzemple, konstruadon. Ni komprenas, ke arkitektoj, brikaj staktoroj, elektristoj kaj aliaj konstruaj profesiuloj scias konstrui domon ĉiu ĉe sia scenejo. Ili estis trejnitaj, komprenu ilian rolon, konate kun la sekurecaj normoj, kiujn oni devas sekvi. Estas malverŝajne, ke iu en la ĝusta menso konfidos la dezajnon de la domo al la arkitekto - amatora, kaj ĝia konstruado estas grupo de hazardaj homoj. Samtempe unu afero, se vi volas konstrui, ekzemple, la lifto, kaj la alia estas apartamenta konstruaĵo, por malsamaj specoj de objektoj, spertuloj kun malsama sperto kaj scio necesos.
I devus ankaŭ esti kun la AI - nur formaligi la direkton per la komisio de la ĝenerala aro de normoj, normoj kaj bazaj principoj, eblas eviti subtaksadon aŭ reevaluon de teknologiaj kapabloj rilate al komercaj taskoj, la malĝusta interpretado de Taskoj, same kiel miskalkuladoj kaj financaj projektoj. Ĉar IA-teknologioj estas tro rapide evoluantaj, registaroj kaj reguligaj aŭtoritatoj ne havas tempon por efektivigi industriajn reformojn kaj efektivigi normojn. Tiel, organizoj bezonas la taskon de profesionalización en liaj manoj.
La tempo venisAccenture faris studon inter kompanioj, kiuj sukcese grimpas AI en la kadro de la ĝenerala komerca evoluiga strategio - ili nomiĝas strategiaj skaloj. Ili uzas la normigajn taktikojn de la direktoj de AI kaj interdisciplinaj komandoj. Ĉi tiu aliro permesas 1.5-2,5 fojojn pli ofte krei efikan dezajnon kaj produktojn, inkluzive trejnadon kaj klaran distribuon de respondeco inter partoprenantoj.
92% de kompanioj kiuj sukcese grimpis AI uzas interdisciplinajn teamojn tra la organizo. 72% el ili argumentas, ke iliaj dungitoj plene komprenas, kiel jam aplikas artefaritan inteligentecon aŭ povas esti aplikita al taskoj ene de iliaj roloj. Strategiaj Scalers en lia praktiko rapide forigi redundajn devojn kaj klarigi la limojn de respondeco kaj ene kaj ĝenerale en la praktiko de la kunvivado de AI-teamoj ene de la kompanio.
La kombinaĵo kaj proporcio de roloj en tiaj teamoj dependos de specifaj kazoj kaj projektoj. Uzante partneran sperton kaj / aŭ evoluan planon por labori kaj disvolvi teamojn helpos la starigon de ĉi tiu procezo kiel normigita kaj travidebla al la kompanio. Sed unu afero restas ŝlosilo por ĉiuj projektoj - necesas determini la respondecon de la komenco kaj ripari atendojn.
Deviga Edukado kaj Totala AI-LiteraturoOrganizoj investas en lernado de AI, sed kutime, en la reala mondo, multaj el la internaj specialistoj ankoraŭ ne havos la necesajn trejnadojn kaj kvalifikojn por efika laboro kun artefarita inteligenteco. Organizoj Gravas establi postulojn por edukado, kompetentecoj kaj trejnado por dungitoj implikitaj en la projektoj de AI.
Samtempe, kompanioj, sukcese skalaraj AI, dependas de kadroj kun la ĝusta kombinaĵo de kapabloj kaj kvalifikoj ambaŭ en la kampo de komerco, ĝi kaj datuma administrado kaj en AI. Do, 70% de la strategiaj scaler-profilaj kompanioj asertas, ke iliaj dungitoj spertis formalan lernadon en la kampo de AI kaj laboras kun datumoj.
Hodiaŭ, komerco estas ofte ekipita kun II-teamoj sen formaligi la postulojn por la nivelo de trejnado kaj kapabloj, sen labori kiel klasifiko de la ĉefaj specoj de taskoj kaj aliroj al ilia efektivigo. Eĉ inter la diplomiĝintaj aŭ certigitaj specialistoj en la kampo de AI, estas diversaj priraportado kaj niveloj de proprieto de ambaŭ praktikaj kapabloj kaj iloj kaj laŭ komprenado de la karakterizaĵoj de specifa komerco.
Kiam tajpi novajn talentajn kompaniojn ofte uzas teknikan ekzamenon de kandidatoj por taksi la necesan nivelon de scio por plenumi apartan rolon. Por povi doni al la partoprenantoj de la AI-teamoj pli da respondeco kaj sendependeco, komprenu la realan situacion de la praktiko de AI, organizoj devas konduki regulajn pritaksajn eventojn tra la kariero de la dungito por kontroli la gravecon de scio kaj plano-evoluo.
Malgraŭ la senkondiĉa pliiĝo de investado en AI, la atingo de vera profesieco en ĉi tiu areo dependos de certigado de totalo kaj legopovo tra la organizo.
AI-Dream-teamoAlia karakteriza defio estas la neebleco konstrui efikan interdisciplinan komandon. La vera komerca valoro de AI povas esti efektivigita nur kiam spertuloj pri analizoj, datumoj kaj artefarita inteligenteco laboras mane kun komercaj kolegoj. La perfekta teamo devas aspekti tiel:
- Produkta posedanto (Produktado), tiu, kiu "Haŭto" respondecas pri la produktivaj metrikoj kaj estas ununura enira punkto por ricevi postulojn kaj reagojn de komerco;
- Eksperta metodologo de la subjekto-areo, kiu perfekte komprenas, kiel funkcias la ekzistanta komerca procezo kaj, ideale, subtenas scion pri kiel similaj taskoj solvas en aliaj kompanioj;
- Komerca analizisto, kiu ĝuste eldonos kazon - ŝanĝas la dokumentaron, hipotezon, priskribojn kaj restriktojn en la postuloj de la II-a-produktoj;
- Datuma Analizisto / Datuma sinististo, kiu povas fari ampleksan gamon de analizaj manipuladoj de vidaj analizoj ĝis la detekto de kompleksaj kaŝaj ŝablonoj estas generi hipotezojn kaj konstrui MVP por kontroli ilin; Unu el la areoj de kompetentoj por tiaj specialistoj estas la datuma rakontado - la kapablo paŝi post paŝo turni datumojn kaj la rezultojn de la analizo en kompreneblaj komercaj komprenoj;
- DataEngineer Engineer (DataEngineer), kiu helpos analytics kaj datumoj Saidtetist prepari datumojn, ekzemple, kombini de malsamaj fontoj, konverti al sola formato; Sperto montras, ke ĉi tiu rolo devas esti sendependa, ĉar la datum-poentado estas neefika en ĝia efektivigo;
- Parto-tempo-datumarkitekto (DATACHITECT) kaj la datuma administranto (Data Steward), kiu povos rapide doni resumon de la havebleco kaj kvalito de datumoj, restriktoj kaj postuloj de testaj kaj produktivaj konturoj, inkluzive informojn pri sekureco, nubo kaj aliaj Infrastrukturo, Devsecops / Dataops procezoj / MLOps tiel ke en la fruaj stadioj ĝi estas ĝusta taksi la atingebleco kaj klarigi eblajn riskojn kaj efikojn.
Surbaze de la roloj, oni povas vidi, ke ne povas esti multe en kompanioj en tiaj teamoj - ĉi tiuj specialistoj ĉiam bakas. La realaĵoj estas tia, ke komerco volas vidi la efikon antaŭ ol atribui rimedojn al tia komando. Tiaj teamoj devas esti gvidataj de uniformaj normoj kaj reguloj. Se la laboro estas organizita laŭ la unuigitaj principoj, ĝi estas farita optimume kaj skalara, kaj ankaŭ povas esti rapide reproduktita por solvi novajn taskojn, kontrolante novajn hipotezojn. Parto de la specialistoj argumentas, ke formaligitaj procezoj povas sufoki novigon; Accenture studoj montris la malon.
En profesiaj kompanioj, estas norma aliro al testado kaj benchmarking kreinte kaj evoluigante produktojn kaj servojn. Sendepende de ĉu la kompanio kreas inteligentajn aparatojn aŭ modelon de maŝina lernado por plibonigi la klientan sperton pri interreta poderizo, la havebleco de sistemo kaj procezoj por subteni la disvolviĝon de AI-produkto permesas al dungitoj efektivigi novigojn antaŭvideblajn kaj efike.
Ekzemple, vi ĉiam bezonas formaligitan procedon por transdoni la programan kodon al la produktiva medio. Alia karakteriza ekzemplo, kiam datumoj scienculo transdonas datumojn inĝenieroj malbone strukturita kaj nedokumentita kodo kiu devas esti supozita, transdoni de Python al Scala por transdono al la produktivaj.
Praktike, ia-evoluaj normoj influas la postulojn por ŝablonoj, registradaj kaj monitoraj reguloj, kunigas testojn, kontrolon de kodaj versioj, datumoj uzataj de bibliotekaj versioj kaj multe pli.
En Rusujo kaj la mondoEn Rusujo, en la kampo de II-evoluo, estas bona relativa al aliaj landoj la situacio laŭ kompetentoj de maŝinaj lernaj specialistoj kaj artefarita inteligenteco. La temo mem ĉeestas sur la tagordo de kompanioj kaj ĉe la ŝtata nivelo. La dediĉitaj kompania laboratorioj de la AI funkcio kaj evoluigi, industria enigo de AI solvoj en malgranda nombro de komercaj procezoj okazas.
La situacio estas plej bona en teknologiaj kompanioj, elektronika komerco kaj podetala komerco, multe estas farita en telekomunikadoj kaj bankoj. En ĉi tiuj industrioj, vizio de evoluo kun integrita II-teamo en korporacia strukturo estas jam formita. En la reala sektoro de la ekonomio estas ankoraŭ granda maniero, kvankam unu el la sukcesaj rusaj ekzemploj en mia praktiko apartenas al la kompanio de la industrio petrolera kaj gasa.
Unu el la plej sukcesaj industriaj aliroj al ampleksa transformo bazita sur altnivelaj analizoj, kiujn mi rigardis en la banka sektoro. La Internacia Banka Grupo investis en ununura teknologia platformo por altnivelaj analizaj kaj interreta kunlaboro, kaj ankaŭ preskaŭ samtempe lanĉita internacia datuma scienca komunumo. Kune kun la fiksado de interdisciplinaj produktaj teamoj kun la roloj indikitaj supre, ĉi tiuj paŝoj permesis dum la unuaj ses monatoj renkonti produktemajn de ĉirkaŭ 10 II-kazoj kaj komenci detalan studon de aliaj 20.
Gravas noti, ke en la kompanio en la tempo de la komenco estis jam bone formita datuma administrada funkcio (datuma regado), kiu agis kiel bazo por transformo, identigis ununuran aliron, procezojn kaj teknologiojn.
Kio solvos la normigon en AIUnue, la kombinaĵo de kompetenta teamo kaj travideblaj principoj kaj normoj de AI venkas la problemon de pruvo de la ekonomia efiko de la iniciatoj. I estas proksime rilata al la transiro de la projekto kaj procezo aliro al la produkto al la produkto kun analizo de la fina-al-fina ĉeno de la kosto. Teamoj enkondukas en la praktikon de ai-metrikoj, kiuj ebligas al vi ebligi aŭ tute forigi la problemojn kaj subtilajn lokojn de AI-projektoj. Ekzemple, vi povas tuj fari antaŭvido por la ŝanĝo de P & L produkto post la enkonduko de altnivela analytics kaj pli precize teni kosto-profito analizo de la efektivigo de AI en specifa komerca procezo.
Entute, ĉi tio permesas frakturon en la preteco de kompanioj pripensi la disvolviĝon de AI kiel strategian direkton de cifereca transformo kaj efektivigi la transiron de "laboratoriaj eksperimentoj" al plen-kurtata II-strategio.