Poistetaan vakaa ennustettavissa oleva hyöty keinotekoisen älykkyyden (AI) käytöstä jatkuvasti, liiketoiminta voi vain systemin sen jälkeen. Tämä ei ole vain erottamaton osa II: n käytäntöjen skaalausta, vaan myös kasvua. Yritysten ei pitäisi odottaa, että teollisuus tai sääntelyviranomaiset tekevät standardointia itselleen, heidän on otettava prosessi käsissään.
Keinotekoinen älykkyys (AI) tuli ensisijainen suunta - maailmanlaajuisesti liiketoiminta vietti noin 306 miljardia dollaria AI-ratkaisuille viimeisten kolmen vuoden aikana. Teoriassa nämä investoinnit saattavat tuoda kolmen aikaa tuottoa. Kuitenkin, vaikka monet yritykset eivät saavuta odotettuja tuloksia.
Tärkein syy on liiketoiminnan kyvyttömyys AI-ratkaisujen tehokkaaseen skaalaukseen. Tämä tapahtuu AI: n riittämättömän standardoinnin vuoksi. Teemme analogian esimerkiksi rakentamisesta. Ymmärrämme, että arkkitehdit, tiilipysäkit, sähköasentajat ja muut rakennusalan ammattilaiset osaavat rakentaa talon joka vaiheessa. Heidät koulutettiin, ymmärtävät heidän roolinsa, joka tuntee turvallisuusstandardeja, joita on noudatettava. On epätodennäköistä, että joku oikeassa mielessä antaa talon suunnittelun arkkitehti-amatööri ja sen rakentaminen on joukko satunnaisia ihmisiä. Samanaikaisesti yksi asia, jos haluat rakentaa esimerkiksi hissi ja toinen on asuntorakennus, eri tyyppisille esineille tarvitaan asiantuntijoita, joilla on erilainen kokemus ja tietämys.
Sen olisi myös oltava AI: n kanssa vain muodollisemman suuntaan yleisen normien, standardien ja perusperiaatteiden käyttöönoton avulla, on mahdollista välttää aliarviointi tai uudelleenarviointi teknologian valmiuksien suhteen liiketoimintatehtäviin, virheellinen tulkinta Tehtävät sekä virheelliset ja rahoitushankkeet. Koska IA-teknologiat kehittyvät liian nopeasti, hallituksilla ja sääntelyviranomaisilla ei ole aikaa tehdä alan uudistuksia ja panna täytäntöön standardeja. Näin ollen organisaatioiden on tehtävä ammattitaitoinen tehtävä käsissään.
Aika on koittanutAccenture toteutti tutkimuksen yritysten menestyksekkäästi AI: n menestyksekkäästi liiketoiminnan kehittämisstrategian puitteissa - niitä kutsutaan strategiksi. He käyttävät AI: n ja monitieteisten komentojen suunnan standardointi-taktiikkaa. Tämä lähestymistapa mahdollistaa 1,5-2,5 kertaa useammin tehokkaamman suunnittelun ja tuotevalikoiman luomiseksi, mukaan lukien koulutus ja selkeä vastuu jakelu osallistujien välillä.
92% yrityksistä, jotka menestyksekkäästi skaalautuivat AI käyttävät monitieteisiä tiimiä koko organisaatiossa. 72 prosenttia heistä väittää, että heidän työntekijät täysin ymmärtävät, kuinka keinotekoista älykkyyttä on jo sovellettu tai sitä voidaan soveltaa tehtäviinsä tehtävissä. Strategiset skaalajat käytännössä poistavat nopeasti tarpeettomat tehtävät ja selventävät vastuun rajoja sekä sisällä että yleensä käytännössä AI-ryhmien rinnakkaiseloon yhtiössä.
Tällaisten ryhmien roolien yhdistelmä ja suhde riippuvat erityisistä tapauksista ja hankkeista. Käyttämällä kumppanikokemusta ja / tai kehityssuunnitelmaa työskentelemään ja kehittämään tiimien kehittämistä auttavat tämän prosessin perustamista vakiona ja avoimeksi yhtiölle. Mutta yksi asia on avain kaikkiin hankkeisiin - on tarpeen määrittää vastuu alusta alkaen ja korjata odotukset.
Pakollinen koulutus ja AI-lukutaitoOrganisaatiot investoivat AI: n oppimiseen, mutta yleensä todellisessa maailmassa monilla sisäisissä asiantuntijoilla ei vielä ole välttämätöntä koulutusta ja pätevyyttä tehokkaaseen teokseen keinotekoisen älykkyyden kanssa. Organisaatiot On tärkeää perustaa koulutusta, osaamista ja koulutusta AI: n hankkeisiin osallistuville työntekijöille.
Samaan aikaan yritykset, menestyksekkäästi skaalaamalla AI, luottaa kehyksiin, joilla on oikea osa taitoja ja pätevyyttä sekä liiketoiminnan, tietotekniikan ja tiedonhallinnan ja AI: n alalla. Joten 70 prosenttia strategisista scaler-profiiliyrityksistä väittää, että heidän työntekijät ovat muodollisia oppimista AI: n alalla ja tietojen kanssa.
Tänään liiketoiminta on usein varustettu II joukkueilla muodottamatta koulutuksen ja taitojen tasoa koskevia vaatimuksia työskentelemättä tärkeimpien tehtävien ja lähestymistapojen luokitteluun. Jopa AI: n jatko- tai sertifioidut asiantuntijat joukossa on erilainen kattavuus ja omistusoikeus sekä käytännön taitojen että työkalujen ja tietyn liiketoiminnan ominaispiirteiden ymmärtämisestä.
Kun kirjoitat uusia lahjakkuusyrityksiä usein käyttämään ehdokkaiden teknistä seuloa arvioimaan tarvittavaa tietämystaso erityisen roolin suorittamiseksi. Jotta AI-ryhmien osallistujat voivat saada enemmän vastuuta ja itsenäisyyttä, ymmärtää AI: n käytännön todellisen tilanteen, järjestöjen olisi tehtävä säännöllisiä arviointilaitteita koko työntekijän uralla tarkastamaan tietämyksen ja suunnitelman kehittämisen merkitystä.
Huolimatta AI: n investointien ehdotonta kasvua huolimatta todellisen ammattitaidon saavuttaminen tällä alalla riippuu organisaation koko ja lukutaidon varmistamisesta.
AI-DREAM-tiimiToinen ominaispiirteet ovat kyvyttömyys rakentaa tehokas monitieteinen komento. AI: n todellinen liiketoiminnan arvo voidaan toteuttaa vain, kun Analyticsin asiantuntijat, tiedot ja keinotekoinen älykkyystyö käsi kädessä yritysten kollegoiden kanssa. Täydellinen joukkueen pitäisi näyttää tältä:
- Tuotteen omistaja (tuotannottaja), joka "ihon" on vastuussa tuottavista mittareista ja on yksittäinen merkintäpaikka vaatimusten ja palautteen vastaanottamiseksi liiketoiminnasta;
- Aihealueen asiantuntija-metodologi, joka ymmärtää täydellisesti, miten nykyinen liiketoimintaprosessi toimii ja mieluiten tukee tietämystä siitä, miten vastaavia tehtäviä ratkaistaan muissa yrityksissä;
- Liiketoiminnan analyytikko, joka oikeuttaa asianmukaisesti tapaus - siirtää asiakirjoja, hypoteeseja, kuvauksia ja rajoituksia II-tuotevaatimusten vaatimuksissa;
- Tietojen analyytikko / data sinister, joka voi suorittaa laajan valikoiman analyyttisiä manipulaatioita visuaalisesta analyysistä, kunnes monimutkaisten piilotettujen kuvioiden havaitseminen on tuottaa hypoteesia ja rakentaa MVP: n tarkistamaan ne; Yksi tällaisten asiantuntijoiden osaamisalueista on tietojen tarinankerronta - kyky astua vaiheittain kääntää tietoja ja analyysin tuloksia ymmärrettävissä liiketoiminnan näkemyksissä;
- Datagineer-insinööri (Datagineer), joka auttaa analyticsia ja datan sanoja valmistaa tietoja esimerkiksi yhdistää eri lähteistä, muuntaa yhdeksi muodossa; Kokemus osoittaa, että tämän tehtävän on oltava riippumaton, koska tietojen pisteytys on tehoton täytäntöönpanossa;
- Osa-aikainen dataarkkitehti (DataSarchitect) ja tietotekniikan edustaja (tietotekniikan edustaja, joka pystyy nopeasti antamaan yhteenvedon testi- ja tuottavien ääriviivojen saatavuudesta ja laadusta, mukaan lukien tietoturva, pilvi ja muut Infrastruktuuri, devsecops / Datasprosessit / MLOPS siten, että alkuvaiheessa on oikein arvioida saavutettavuutta ja selkeyttää mahdollisia riskejä ja vaikutuksia.
Rooleiden perusteella voidaan nähdä, että tällaisissa tiimissä ei ole paljon yrityksiä - nämä asiantuntijat ovat aina leivonta. Todellisuudet ovat sellaiset, että yritys haluaa nähdä vaikutuksen ennen resurssien jakamista tällaiseen komentoon. Tällaisia tiimiä olisi ohjattava yhtenäisillä standardeilla ja säännöillä. Jos työ on järjestetty yhtenäisten periaatteiden mukaisesti, se suoritetaan optimaalisesti ja skaalataan, ja se voidaan myös nopeasti kopioida uusien tehtävien ratkaisemiseksi, uusien hypoteesien tarkistamiseksi. Osa asiantuntijoista väittää, että viralliset prosessit voivat kuristaa innovointia; Accenture-tutkimukset ovat osoittaneet päinvastoin.
Ammattilaitoksissa on tavallinen lähestymistapa testaukseen ja benchmarking tuotteiden ja palveluiden luomisessa ja kehittämisessä. Riippumatta siitä, onko yritys luo älykkäät laitteet tai koneiden oppiminen parantamaan online-jälleenmyyjien asiakaskokemusta, järjestelmän saatavuus ja prosesseja AI-tuotteen kehityksen tukemiseksi antavat työntekijöille mahdollisuuden toteuttaa innovaatioita ennustettavissa ja tehokkaasti.
Esimerkiksi tarvitset aina virallista menetelmää ohjelmistokoodin siirtämiseksi tuottavaan välineeseen. Toinen ominaisuus esimerkki, kun datatieteilijä lähettää tietotekniikoita huonosti jäsenneltynä ja dokutoivat koodin, joka on tarkoitus, siirrä Pythonista Scalalle toimitukseen tuottavaan.
Käytännössä IA-kehitysstandardit vaikuttavat mallien, kirjautumis- ja seurantasääntöjen vaatimuksiin, yhdistää testit, koodiversioiden hallinta, kirjastoversioiden käyttämät tiedot ja paljon muuta.
Venäjällä ja maailmassaVenäjällä II: n kehityksen alalla on hyvä suhteessa muihin maihin tilanne koneen oppimisen asiantuntijoiden ja keinotekoisen älykkyyden mukaan. Itse teema on läsnä yritysten asialistalla ja valtion tasolla. AI-toiminnon ja kehityksen omistautuneet yrityslaboratoriot, AI-ratkaisujen teollinen upottaminen pienessä määrin liiketoimintaprosesseja tapahtuu.
Tilanne on parhaiten teknologisissa yrityksissä, sähköisen kaupankäynnin ja vähittäiskaupan, paljon tehdään televiestinnässä ja pankeissa. Näissä teollisuudessa on jo muodostettu näkemys kehityksestä integroidulla II-tiimillä yritysrakenteessa. Todellisessa talouden todellisessa sektorilla on edelleen suuri tapa, vaikka yksi onnistuneista venäläisistä esimerkkeistä minun käytännöstään kuuluu öljy- ja kaasuteollisuudesta.
Yksi menestyneimmistä teollisista lähestymistavoista kattavaan muutokseen, joka perustuu kehittyneisiin analyticiin, jota katselin pankkisektoria. Kansainvälinen pankkiryhmä on investoinut yhdeksi teknologiselle alustalle edistyneille Analyticsille ja verkkoyhteistyölle sekä lähes samanaikaisesti käynnistämällä kansainvälisen datatieteen yhteisön. Yhdessä sellaisten monitieteisten tuotesarjojen kiinnittämisen kanssa edellä mainituilla rooleilla, nämä vaiheet sallitaan ensimmäisten kuuden kuukauden ajan tuottavaksi noin 10 II-tapaukseksi ja aloittaa yksityiskohtaisen tutkimuksen vielä 20.
On tärkeää huomata, että yhtiöllä alussa oli jo hyvin muodostettu tiedonhallintatoiminto (tiedonhallinta), joka toimi muutoksen perustana, tunnisti yhden lähestymistavan, prosesseja ja teknologioita.
Mikä ratkaisee AI: n standardoinninEnsinnäkin toimivaltaisen tiimin ja AI: n avoimet periaatteet ja -standardit täydentävät todisteiden ongelman aloitteista aiheutuvista taloudellisista vaikutuksista. Se liittyy läheisesti projektin ja prosessin lähestymistavan siirtymiseen tuotteeseen tuotteeseen analysoimalla kustannusten loppupään ketjusta. Joukkueet esittelevät AI-Metricsin käytäntöön, jonka avulla voit tasoittaa tai poistaa kokonaan AI-hankkeiden ongelmat ja hienovaraiset paikat. Voit esimerkiksi suorittaa ennusteen P & L-tuotteen muutokselle kehittyneiden Analyticsin käyttöönoton jälkeen ja tarkemmin pitämällä kustannus-hyötyanalyysi AI: n täytäntöönpanosta tietyssä liiketoimintaprosessissa.
Yhteensä tämä mahdollistaa murtumisen yritysten valmiudessa harkitsemaan AI: n kehitystä digitaalisen muutoksen strategisena suuntaan ja toteuttamaan siirtymisen "laboratoriokokeista" täysimittaiseen II-strategiaan.