Extrait un avantage prévisible stable de l'utilisation d'une intelligence artificielle (AI) de manière continue, une entreprise ne peut qu'après systématiser cette direction. Ce n'est pas seulement une partie intégrante de la mise à l'échelle de la pratique II pour les entreprises, mais également un engagement de croissance. Les entreprises ne devraient pas s'attendre à ce que l'industrie ou les régulateurs prennent la normalisation sur eux-mêmes, ils doivent prendre le processus entre leurs mains.
L'intelligence artificielle (AI) est devenue une direction hautement prioritaire - l'entreprise au niveau mondial a dépensé environ 306 milliards de dollars pour les solutions AI au cours des trois dernières années. En théorie, ces investissements peuvent apporter trois reprises. Cependant, alors que de nombreuses entreprises n'atteignent pas les résultats escomptés.
La principale raison est l'incapacité de l'entreprise à la mise à l'échelle effective des solutions d'AI. Cela se passe en raison d'une standardisation insuffisante de l'AI. Nous allons dessiner une analogie, par exemple, la construction. Nous comprenons que les architectes, les grottes de briques, les électriciens et d'autres professionnels de la construction savent comment construire une maison à son stade. Ils ont été formés, comprennent leur rôle, familiariser avec les normes de sécurité à suivre. Il est peu probable que quelqu'un dans le bon esprit confierait la conception de la maison à l'architecte - un amateur et sa construction est un groupe de personnes aléatoires. Dans le même temps, une chose, si vous voulez construire, par exemple, l'ascenseur, et l'autre est un immeuble d'appartements, pour différents types d'objets, des experts ayant une expérience et des connaissances différentes seront nécessaires.
Il devrait également être avec l'AI - uniquement la formalisation de la direction par la mise en service de l'ensemble général des normes, des normes et des principes de base, il est possible d'éviter la sous-estimation ou la réévaluation des capacités technologiques en ce qui concerne les tâches commerciales, l'interprétation incorrecte de Tâches, ainsi que des calculs de calcul et de financement. Étant donné que les technologies de l'IA développent trop rapidement, les gouvernements et les autorités de régulation n'ont pas le temps de réaliser des réformes de l'industrie et de mettre en œuvre des normes. Ainsi, les organisations doivent prendre la tâche de professionnalisation entre leurs mains.
Le temps est venuAccenture a mené une étude parmi les entreprises qui évoluent avec succès l'IA dans le cadre de la stratégie globale de développement des entreprises - elles s'appellent des scalers stratégiques. Ils utilisent la tactique de normalisation des directions d'AI et de commandes interdisciplinaires. Cette approche permet de créer 1,5 à 2,5 fois plus souvent de créer des produits de conception et de produits efficaces, y compris une formation et une répartition claire de la responsabilité entre les participants.
92% des entreprises ayant échoué avec succès L'AI utilise des équipes interdisciplinaires dans l'ensemble de l'organisation. 72% d'entre eux font valoir que leurs employés comprennent parfaitement la manière dont l'intelligence artificielle est déjà appliquée ou peut être appliquée à des tâches dans leurs rôles. Les écailles stratégiques de sa pratique éliminent rapidement les tâches redondantes et clarifier les frontières de la responsabilité à la fois à l'intérieur et en général dans la pratique de la coexistence des équipes d'AI au sein de la société.
La combinaison et le ratio des rôles dans de telles équipes dépendront de cas et de projets spécifiques. L'utilisation de l'expérience de partenaire et / ou du plan de développement pour travailler et développer des équipes aidera la mise en place de ce processus normalisé et transparent à la Société. Mais une chose reste essentielle à tous les projets - il est nécessaire de déterminer la responsabilité du tout début et de résoudre les attentes.
Éducation obligatoire et alphabétisation totale de l'AILes organisations investissent dans l'apprentissage de l'AI, mais généralement dans le monde réel, de nombreux spécialistes internes n'auront toujours pas la formation et les qualifications nécessaires pour un travail efficace avec une intelligence artificielle. Organisations Il est important d'établir des exigences en matière d'éducation, de compétences et de formation des employés impliqués dans les projets d'AI.
Dans le même temps, les entreprises, évoluant avec succès, l'AI s'appuient sur des cadres avec la bonne combinaison de compétences et de qualifications dans le domaine des affaires, de la gestion des données et de la gestion des données et de l'AI. Ainsi, 70% des sociétés de profilés stratégiques de scaler affirment que leurs employés ont subi un apprentissage formel dans le domaine de l'AI et de travailler avec des données.
Aujourd'hui, les entreprises sont souvent équipées d'équipes II sans formaliser les exigences relatives au niveau de formation et de compétences, sans travailler comme une classification des principaux types de tâches et d'approches de leur mise en œuvre. Même parmi les spécialistes diplômés ou certifiés dans le domaine de l'AI, il existe diverses couvertures et des niveaux de propriété des compétences et des outils pratiques et de comprendre les caractéristiques d'une entreprise particulière.
Lors de la frappe de nouvelles sociétés de talents, utilisez souvent un dépistage technique des candidats pour évaluer le niveau de connaissances nécessaire pour effectuer un rôle particulier. Pour pouvoir donner aux participants des équipes de l'IA plus de responsabilité et d'indépendance, comprendre la situation réelle de la pratique de l'AI, les organisations devraient mener des événements d'évaluation réguliers dans la carrière de l'employé pour vérifier la pertinence des connaissances et du développement du plan.
Malgré l'augmentation inconditionnelle des investissements dans l'AI, la réalisation du véritable professionnalisme dans ce domaine dépendra de l'assurer le total et l'alphabétisation de l'organisation.
Équipe Ai-DreamUn autre défi caractéristique est l'incapacité de créer une commande interdisciplinaire efficace. La valeur commerciale réelle de l'AI ne peut être mise en œuvre que lorsque des experts sur Analytics, données et intelligence artificielle fonctionnent de la main avec des collègues d'affaires. L'équipe parfaite devrait ressembler à ceci:
- Propriétaire du produit (productieux), celui qui "peau" est responsable des métriques productives et constitue un point d'entrée unique pour recevoir des exigences et des commentaires des entreprises;
- Un méthodologue expert du domaine, qui comprend parfaitement comment le processus commercial existant fonctionne et, idéalement, appuie les connaissances sur la manière dont des tâches similaires sont résolues dans d'autres sociétés;
- Un analyste d'entreprise qui élaborera correctement une affaire - transfère la documentation, les hypothèses, les descriptions et les restrictions dans les exigences des exigences du produit II;
- Analyste de données / Data Sinist, qui peut effectuer une large gamme de manipulations analytiques de Visual Analytics jusqu'à ce que la détection de modèles cachés complexes soit pour générer des hypothèses et construire un MVP pour les vérifier; L'un des domaines de compétences pour ces spécialistes est la narration de données - la capacité de passer à pas pour transformer des données et les résultats de l'analyse dans des informations commerciales compréhensibles;
- Ingénieur DataGineer (DataGineer), qui aidera Analytics et Data Saystetist préparer des données, par exemple, de combiner à partir de différentes sources, de convertir en un seul format; L'expérience montre que ce rôle doit être indépendant, car la notation des données est inefficace dans sa mise en œuvre;
- Architecte de données à temps partiel (DataArchitect) et le représentant de l'intendant de données (Steward de données), qui pourra rembourser rapidement la disponibilité et la qualité des données, des restrictions et des exigences des contours de test et de productivité, y compris la sécurité de l'information, le cloud et d'autres Infrastructure, Devsecops / Dataops Processus / MLOPS de manière à ce que, au début, il est correct d'évaluer la réalisation et de clarifier les risques et les effets possibles.
Sur la base des rôles, on peut voir qu'il ne peut y avoir beaucoup dans des entreprises dans de telles équipes - ces spécialistes sont toujours cuisseuses. Les réalités sont telles que les affaires souhaitent voir l'effet avant d'attribuer des ressources à une telle commande. Ces équipes devraient être guidées par des normes et des règles uniformes. Si le travail est organisé en fonction des principes unifiés, il est effectué de manière optimale et mise à l'échelle et peut également être rapidement répliquée à la résolution de nouvelles tâches, en vérifiant de nouvelles hypothèses. Une partie des spécialistes fait valoir que les processus formalisés peuvent étrangler l'innovation; Les études d'accentues ont montré le contraire.
Dans les entreprises professionnelles, il existe une approche standard des tests et de la benchmarking lors de la création et du développement de produits et services. Indépendamment de la question de savoir si la société crée des appareils intelligents ou un modèle d'apprentissage automatique pour améliorer l'expérience client du domaine de la vente en ligne, la disponibilité d'un système et de processus pour soutenir le développement de l'AI-Product permet aux employés de mettre en œuvre des innovations prévisibles et efficaces.
Par exemple, vous avez toujours besoin d'une procédure formalisée pour transférer le code de logiciel sur le support productif. Un autre exemple caractéristique, lorsque les données scientifiques transmettent des ingénieurs de données mal structurés et un code non documenté qui doivent être supposés être supposés, transférer de Python à Scala pour la livraison au productif.
En pratique, les normes de développement IA affectent les exigences relatives aux modèles, aux règles de la journalisation et de la surveillance, des tests unis, du contrôle des versions de code, des données utilisées par les versions de la bibliothèque et bien plus encore.
En Russie et le mondeEn Russie, dans le domaine du développement de II, il existe un bien par rapport à d'autres pays la situation en termes de compétences des spécialistes de l'apprentissage des machines et de l'intelligence artificielle. Le thème lui-même est présent à l'ordre du jour des sociétés et au niveau de l'État. Les laboratoires d'entreprise dédiés de la fonction IA et de développement, l'intégration industrielle des solutions d'AI dans un petit nombre de processus métier se produisent.
La situation est la meilleure des sociétés technologiques, du commerce électronique et de la vente au détail, beaucoup se fait dans les télécommunications et les banques. Dans ces industries, une vision du développement avec une équipe intégrée II dans une structure d'entreprise est déjà en train d'être formée. Dans le secteur réel de l'économie, l'un des exemples russes réussis de ma pratique appartient à la société de l'industrie pétrolière et gazière.
L'une des approches industrielles les plus performantes de la transformation complète basée sur des analyses avancées que j'ai observées dans le secteur bancaire. Le groupe bancaire international a investi dans une plate-forme technologique unique pour l'analyse avancée et la collaboration en ligne, ainsi que presque simultanément lancé une communauté internationale des sciences des données. En collaboration avec la fixation d'équipes de produits interdisciplinaires avec les rôles indiqués ci-dessus, ces étapes ont permis aux six premiers mois de se rendre dans une productivité d'environ 10 ii-cas et de commencer une étude détaillée d'une autre.
Il est important de noter que dans la société au moment du début, il existait déjà une fonction de gestion de données bien formée (gouvernance des données), qui a servi de base à la transformation, identifié une seule approche, processus et technologies.
Qu'est-ce qui va résoudre la normalisation en AITout d'abord, la combinaison d'une équipe compétente et de principes transparents et de normes d'AI surmonte le problème de la preuve de l'effet économique des initiatives. Il est étroitement lié à la transition du projet et de processus d'approche du produit au produit avec une analyse de la chaîne de fin de fin du coût. Les équipes introduisent dans la pratique des métriques d'AI, qui vous permettent de niveler ou d'éliminer complètement les problèmes et les lieux subtils des projets d'AI. Par exemple, vous pouvez effectuer immédiatement une prévision pour le changement de produit P & L après l'introduction d'analyses avancées et d'une analyse coûts-avantages de la mise en œuvre de l'AI dans un processus métier spécifique.
Au total, cela permet une fracture de la volonté des entreprises d'envisager le développement de l'AI comme une orientation stratégique de la transformation numérique et de réaliser la transition de «expériences de laboratoire» à une stratégie II à part entière.