Extraer un beneficio previsible estable do uso da intelixencia artificial (AI) de forma continua, unha empresa pode só despois de sistematizar esta dirección. Esta non é só unha parte integrante da escalada da práctica II para os negocios, senón tamén unha promesa de crecemento. Non se deben esperar que as empresas que a industria ou reguladores tomen a estandarización por si mesmos, necesitan levar o proceso nas súas mans.
A intelixencia artificial (AI) converteuse nunha dirección de alta prioridade: o negocio no nivel mundial gastou uns $ 306 millóns para solucións ai nos últimos tres anos. En teoría, estes investimentos poden traer devolucións de tres tempos. Non obstante, mentres que moitas empresas non alcanzan os resultados esperados.
A principal razón é a incapacidade do negocio para a escalada efectiva das solucións AI. Isto está a suceder debido á normalización insuficiente de AI. Debuxaremos unha analoxía de, por exemplo, a construción. Entendemos que os arquitectos, Stackers de ladrillos, electricistas e outros profesionais da construción saben como construír unha casa cada unha no seu escenario. Foron adestrados, comprendían o seu papel, familiarizado cos estándares de seguridade que deben ser seguidos. É improbable que alguén da mente correcta confíe o deseño da casa ao arquitecto, un afeccionado, ea súa construción é un grupo de persoas aleatorias. Ao mesmo tempo, unha cousa, se queres construír, por exemplo, o ascensor, eo outro é un edificio de apartamentos, para diferentes tipos de obxectos, será necesaria especialistas con diferentes experiencias e coñecementos.
Tamén debe estar co AI, só formalizar a dirección a través da posta en marcha do conxunto xeral de normas, normas e principios básicos, é posible evitar a subestimación ou a avaliación das capacidades tecnolóxicas en relación coas tarefas empresariais, a interpretación incorrecta de tarefas, así como cálculos erros e proxectos de financiamento. Dado que as tecnoloxías IA están a desenvolver demasiado rápido, os gobernos e as autoridades reguladoras non teñen tempo para realizar reformas da industria e implementar estándares. Así, as organizacións deben tomar a tarefa de profesionalización nas súas mans.
Chegou o tempoAccenture realizou un estudo entre empresas que escalan con éxito a AI no marco da estratexia de desenvolvemento empresarial global: chámanse escaladores estratéxicos. Utilizan as tácticas de estandarización das instrucións de comandos AI e interdisciplinarios. Este enfoque permite 1,5-2,5 veces máis a miúdo para crear produtos e produtos de produto efectivos, incluída a formación e unha clara distribución de responsabilidade entre os participantes.
O 92% das empresas que escalaron con éxito a AI usan equipos interdisciplinarios en toda a organización. O 72% deles argumentan que os seus empregados entenden plenamente como a intelixencia artificial xa se aplica ou pode aplicarse a tarefas dentro dos seus papeis. Os escaladores estratéxicos na súa práctica eliminan rápidamente os deberes redundantes e aclaran os límites de responsabilidade tanto dentro como en xeral na práctica da convivencia dos equipos AI dentro da compañía.
A combinación e proporción de roles en tales equipos dependerán de casos e proxectos específicos. Usar experiencia de socio e / ou plan de desenvolvemento para traballar e desenvolver equipos axudará ao establecemento deste proceso como estandarizado e transparente á empresa. Pero unha cousa segue sendo clave para todos os proxectos: é necesario determinar a responsabilidade do inicio e corrixir as expectativas.
Educación obrigatoria e alfabetización AI totalAs organizacións están a investir na aprendizaxe AI, pero, como norma xeral, no mundo real, moitos dos especialistas internos aínda non terán a formación e cualificación necesarias para un traballo efectivo con intelixencia artificial. Organizacións É importante establecer requisitos para a educación, as competencias e a formación para os empregados implicados nos proxectos de AI.
Ao mesmo tempo, as empresas, a través de AI con éxito, dependen de cadros coa combinación correcta de habilidades e cualificacións tanto no campo da empresa, a xestión de datos como en AI. Así, o 70% das empresas estratéxicas de perfil escalador afirman que os seus empregados sufriron a aprendizaxe formal no campo da AI e traballando con datos.
Hoxe, o negocio é frecuentemente equipado con equipos II sen formalizar os requisitos para o nivel de formación e habilidades, sen traballar como clasificación dos principais tipos de tarefas e enfoques para a súa implementación. Incluso entre os especialistas de posgrao ou certificado no campo da AI, hai varias cobertura e niveis de propiedade de habilidades e ferramentas prácticas e en termos de comprensión das características dun determinado negocio.
Ao escribir novas empresas de talento adoitan empregar a selección técnica dos candidatos para avaliar o nivel de coñecemento necesario para realizar un papel particular. Para poder dar aos participantes dos equipos AI máis responsabilidade e independencia, comprender a situación real da práctica de AI, as organizacións deben realizar eventos de avaliación regulares ao longo da carreira do empregado para comprobar a relevancia do coñecemento e do desenvolvemento do plan.
A pesar do aumento incondicional do investimento no AI, a consecución da verdadeira profesionalidade nesta área dependerá de garantir o total e a alfabetización a través da organización.
Equipo Ai-DreamOutro desafío característico é a incapacidade de construír un comando interdisciplinar eficaz. O valor comercial real de AI pódese implementar só cando os expertos en analítica, datos e intelixencia artificial funcionan da man cos compañeiros de negocios. O equipo perfecto debería ser así:
- O propietario do produto (produto), o que "pel" é responsable das métricas produtivas e é un único punto de entrada para recibir requisitos e comentarios de negocios;
- Un metodólogo experto da área suxeita, que comprende perfectamente como funciona o proceso comercial existente e, idealmente, apoia o coñecemento sobre como se resolven as tarefas similares noutras empresas;
- Un analista de negocios que emitirá correctamente un caso: cambia a documentación, hipóteses, descricións e restricións nos requisitos dos requisitos do produto II;
- O analista de datos / datos Sinist, que poden realizar unha ampla gama de manipulacións analíticas da análise visual ata que a detección de patróns ocultos complexos é xerar hipóteses e construír MVP para comprobar-los; Unha das áreas de competencias para tales especialistas é a narración de datos: a capacidade de paso a paso para converter os datos e os resultados da análise en coñecementos de negocio comprensibles;
- Enxeñeiro de DataInegineer (DnaNEngineer), que axudará a analizarnos e datos Saystetist preparar datos, por exemplo, combinarse a partir de diferentes fontes, converter a un único formato; A experiencia demostra que este papel debe ser independente, xa que a puntuación de datos é ineficaz na súa implementación;
- Data Time Architect (DATERCHect) e o representante de administrador de datos (Data Steward), que poderá dar un resumo da dispoñibilidade e calidade dos datos, restricións e requisitos de proba e contornos produtivos, incluída a seguridade da información, a nube e outros Infraestrutura, DevSecrops / Dataops Procesos / MLOPS para que nas primeiras etapas sexa correcto para avaliar a obtención e aclarar posibles riscos e efectos.
Con base nos papeis, pódese ver que non pode haber moito en empresas en tales equipos. Estes especialistas sempre están a cocer. As realidades son tales que o negocio quere ver o efecto antes de asignar recursos a tal orde. Estes equipos deben ser guiados por normas e regras uniformes. Se o traballo está organizado de acordo cos principios unificados, realízase de forma óptima e escalada e tamén pode ser replicada rapidamente para resolver novas tarefas, comprobando novas hipóteses. Parte dos especialistas argumenta que os procesos formalizados poden estrangular a innovación; Os estudos de Accenture mostraron o contrario.
Nas empresas profesionais, hai un enfoque estándar para probar e benchmarking ao crear e desenvolver produtos e servizos. Independentemente de que a empresa crea dispositivos intelixentes ou modelo de aprendizaxe de máquinas para mellorar a experiencia do cliente de venda polo miúdo en liña, a dispoñibilidade dun sistema e procesos para apoiar o desenvolvemento do produto AI permite que os empregados poidan implementar innovacións previsibles e de forma eficiente.
Por exemplo, sempre precisa dun procedemento formalizado para transferir o código de software ao medio produtivo. Outro exemplo característico, cando o científico de datos transmite aos enxeñeiros de datos mal estructurado e indocumentado código que se debe supoñer, transferir de Python a Scala para a entrega ao produtivo.
Na práctica, os estándares IA-Development afectan os requisitos para as plantillas, as regras de rexistro e seguimento, unen probas, control de versións de código, datos utilizados polas versións da biblioteca e moito máis.
En Rusia e no mundoEn Rusia, no campo do II Desenvolvemento, hai un bo relativo a outros países a situación en termos de competencias de especialistas en aprendizaxe e intelixencia artificial. O tema en si está presente na axenda das corporacións e ao nivel estatal. Os laboratorios corporativos dedicados da función AI e desenvolven, a incrustación industrial das solucións AI nun pequeno número de procesos comerciais ocorre.
A situación é mellor en empresas tecnolóxicas, comercio electrónico e polo miúdo, faise moito en telecomunicacións e bancos. Nestas industrias, xa se está formando unha visión de desenvolvemento cun equipo integrado II nunha estrutura corporativa. No sector real da economía aínda hai unha gran forma, aínda que un dos exemplos exitosos en ruso na miña práctica pertence á compañía da industria do petróleo e do gas.
Un dos enfoques industriais máis exitosos a unha transformación global baseada en análises avanzadas que vin no sector bancario. O Grupo Internacional Banking investiu nunha única plataforma tecnolóxica para a análise avanzada e a colaboración en liña, ademais de lanzar case simultaneamente unha comunidade internacional de ciencias de datos. Xunto coa fixación de equipos de produtos interdisciplinarios cos roles indicados anteriormente, estes pasos permiten que os primeiros seis meses se poidan realizar un produtivo de preto de 10 II casos e iniciar un estudo detallado doutros 20.
É importante notar que na compañía no momento do inicio xa había unha función de xestión de datos ben formada (Goberno de datos), que actuou como base para a transformación, identificou un único enfoque, procesos e tecnoloxías.
Que resolverá a estandarización en AIPrimeiro de todo, a combinación dun equipo competente e principios e estándares transparentes de AI superan o problema da evidencia do efecto económico das iniciativas. Está intimamente relacionado coa transición do enfoque do proxecto e do proceso ao produto ao produto cunha análise da cadea de punta a punta do custo. Os equipos introducen a práctica de AI-Métricas, que permiten nivelar ou eliminar por completo os problemas e sutís lugares de proxectos AI. Por exemplo, pode realizar inmediatamente unha previsión para o cambio de P & L produto despois da introdución de análises avanzadas e con máis precisión unha análise de custo-beneficio da implementación de AI nun proceso de negocio específico.
En total, isto permite unha fractura na preparación das empresas a considerar o desenvolvemento da AI como unha dirección estratéxica de transformación dixital e realizar a transición de "experimentos de laboratorio" a unha estratexia de II Free.