인공 지능 (AI)의 사용으로 인해 안정된 예측 가능한 혜택을 추출하면이 방향을 체계화 한 후에 만 비즈니스가 가능합니다. 이것은 사업을위한 II 사례의 확장의 필수적인 부분 일뿐 만 아니라 성장의 서약도 있습니다. 업계 또는 규제 당국이 스스로 표준화를 취할 것으로 예상해서는 안된다는 기업은 손에서 과정을 취해야합니다.
인공 지능 (AI)은 우선 순위가 높은 방향이되었습니다 - 세계 수준의 비즈니스는 지난 3 년 동안 AI 솔루션에 대해 약 306 억 달러를 소비했습니다. 이론적으로 이러한 투자는 3 회 반환을 가져올 수 있습니다. 그러나 많은 기업들이 예상 결과에 도달하지 못합니다.
주된 이유는 AI 솔루션의 효과적인 확장에 대한 비즈니스 무능력입니다. 이것은 AI의 불충분 한 표준화로 인해 이것은 일어나고 있습니다. 우리는 예를 들어 건설과 같은 비유를 그릴 것입니다. 우리는 건축가, 벽돌 스태커, 전기 기술자 및 기타 건설 전문가가 무대에서 각 집을 짓는 법을 알고 있습니다. 그들은 훈련을 받았고, 그들의 역할을 이해하고, 준수해야 할 안전 기준에 익숙합니다. 올바른 마음 속에있는 누군가가 아마추어를 건축가에게 집안의 디자인을 위탁 할 것입니다. 그리고 그 건설은 무작위 인 사람들의 그룹입니다. 동시에, 예를 들어, 엘리베이터와 다른 하나는 다른 유형의 객체에 대해 아파트 건물이며 다른 유형의 객체에 대한 전문가가 다양 해지고 지식이 다른 것입니다.
또한 AI는 또한 일반적인 규범, 표준 및 기본 원칙의 위임을 통한 방향을 공식화해야합니다. 비즈니스 작업과 관련하여 기술 능력의 과소 평가 또는 재평가를 피할 수 있습니다. 과제뿐만 아니라 오산 및 금융 프로젝트. IA 기술이 너무 빨리 발전하고 있기 때문에 정부 및 규제 당국은 업계 개혁을 수행하고 표준을 구현할 시간이 없습니다. 따라서 조직은 손에 전문화 작업을 수행해야합니다.
시간이 왔습니다Accenture는 전반적인 비즈니스 개발 전략의 틀에서 AI를 성공적으로 확장 할 수있는 회사 간 연구를 수행했습니다. 전략적으로 스케일러라고합니다. 그들은 AI 및 학제 간 명령의 지시 사항의 표준화 전술을 사용합니다. 이 방법은 1.5-2.5 배 더 자주 훈련을 포함하여 효과적인 설계 및 제품 제품을 만들 수 있으며 참가자 간의 책임을 분명히 분산시킵니다.
AI를 성공적으로 확장 한 기업의 92 %는 조직 전체에서 학제 간 팀을 사용합니다. 72 %는 직원들이 인공 지능이 이미 적용되는 방법을 완전히 이해하거나 역할 내에서 작업에 적용되는 방법을 완전히 이해한다고 주장합니다. 그의 관습의 전략적으로 스케일러는 중복 업무를 신속하게 제거하고 회사 내의 AI 팀의 공존을 실천하는 것과 일반적으로 책임의 경계를 명확히합니다.
이러한 팀의 역할의 조합 및 비율은 특정 사례 및 프로젝트에 따라 달라집니다. 파트너 경험 및 / 또는 개발 계획을 사용하여 팀 개발을 위해이 프로세스를 회사에 표준화하고 투명하게 설정하는 데 도움이됩니다. 그러나 한 가지는 모든 프로젝트에 핵심을 남겨 둡니다. 처음부터의 책임을 결정하고 기대치를 고치는 책임을 결정해야합니다.
필수 교육 및 총 AI 문항조직은 AI 학습에 투자하고 있지만, 실제 세계에서는 많은 내부 전문가 중 상당수가 인공 지능에 효과적인 일을위한 필요한 훈련과 자격을 갖추지 않을 것입니다. 조직 AI 프로젝트에 관련된 직원을위한 교육, 역량 및 교육에 대한 요구 사항을 수립하는 것이 중요합니다.
동시에 회사는 비즈니스, IT 및 데이터 관리 및 AI에서 기술 및 자격의 올바른 조합으로 프레임에 의존합니다. 그래서 전략적으로 스케일러 프로필 회사의 70 %가 직원들이 AI 분야에서 공식적인 학습을 겪었고 데이터로 작업하고 있다고 주장합니다.
오늘날 비즈니스는 종종 훈련 및 기술 수준에 대한 요구 사항을 공식화하지 않고도 II 팀을 갖추고 있으며, 주요 유형의 업무 및 구현에 대한 접근 방식의 분류로 일하고 있습니다. AI 분야의 대학원 또는 인증 전문가 중에서도 실제 기술과 도구와 특정 비즈니스의 특성을 이해하는 측면에서 다양한 범위 및 수준의 소유권이 있습니다.
새로운 재능 회사를 입력 할 때 특정 역할을 수행하기 위해 필요한 지식 수준을 평가하기 위해 후보자의 기술 상영을 자주 사용합니다. AI 팀의 참가자들이 더 많은 책임과 독립성을 제공하고 AI 실천의 실제 상황을 이해할 수 있도록 조직은 지식 및 계획 개발의 관련성을 확인하기 위해 직원의 경력을 통해 정기적 인 평가 행사를 실시해야합니다.
AI 투자의 무조건적인 증가에도 불구 하고이 분야에서 진정한 전문성의 성취는 조직 전역의 합계와 문맹 퇴치를 보장하는 것에 달려 있습니다.
Ai-Dream 팀또 다른 특징적인 과제는 효과적인 학제 간 명령을 구축 할 수 없음입니다. AI의 실제 비즈니스 가치는 분석, 데이터 및 인공 지능에 대한 전문가가 비즈니스 동료와 함께 손을 잡는 경우에만 구현할 수 있습니다. 완벽한 팀은 다음과 같아야합니다.
- 제품 소유자 (ProductOwner)는 "피부"가 생산적인 메트릭에 대한 책임이 있으며 비즈니스에서 요구 사항 및 피드백을받는 단일 진입 점입니다.
- 기존 비즈니스 프로세스가 작동하는 방식과 이상적으로 다른 회사에서 해결되는 방식에 대한 지식을 완벽하게 이해하는 주제 영역의 전문가의 방식 학자;
- 사례를 올바르게 발행 할 비즈니스 분석가 - II 제품 요구 사항의 요구 사항에 대한 문서, 가설, 설명 및 제한을 변경합니다.
- 복잡한 숨겨진 패턴을 탐지 할 때까지 시각적 분석에서 다양한 분석 조작을 수행 할 수있는 데이터 분석가 / 데이터 SINTIST는 가설을 생성하고 MVP를 구축하여 확인하는 것입니다. 이러한 전문가를위한 역량 영역 중 하나는 데이터 스토리 텔링 (Data StoryTelling)이며 이해할 수있는 비즈니스 통찰력에서 데이터와 분석 결과를 단계별로 수행하는 기능입니다.
- DataEngineer 엔지니어 (DataEngineer)는 분석 및 데이터 SayStetIST 데이터를 예를 들어 데이터를 준비하는 데 도움이됩니다. 예를 들어 다른 소스에서 결합 된 단일 형식으로 변환하십시오. 경험은 데이터 득점이 구현에서 효과가없는 이래로이 역할이 독립적이어야 함을 보여줍니다.
- 파트 타임 데이터 아키텍트 (DataBitect) 및 데이터 스튜어드 대표 (데이터 청지기), 정보 보안, 클라우드 및 기타를 포함하여 테스트 및 생산적인 윤곽의 데이터, 제한 및 요구 사항의 가용성 및 품질 요약을 신속하게 제공 할 수 있습니다. 인프라 스트럭처, DevSecops / DataOps / MLOPS를 통해 초기 단계에서 성취성을 평가하고 가능한 위험과 효과를 명확히하는 것이 정확합니다.
역할을 바탕으로 해당 전문가들은 항상 베이킹을하고 있습니다. 현실은 비즈니스가 그러한 명령에 자원을 할당하기 전에 효과를보고 싶어합니다. 이러한 팀은 일정한 표준 및 규칙에 따라 안내되어야합니다. 통합 원칙에 따라 작업이 조직 된 경우 최적 및 크기 조정이 수행되며 새로운 작업을 검사하여 새로운 작업을 해결하기 위해 신속하게 복제 할 수도 있습니다. 전문가의 일부는 공식화 된 프로세스가 혁신을 강화할 수 있다고 주장합니다. Accenture 연구가 그 반대를 보여주었습니다.
전문 회사에서 제품 및 서비스를 만들고 개발할 때 테스트 및 벤치마킹에 대한 표준 접근 방식이 있습니다. 회사가 인텔리전트 장치 또는 기계 학습 모델을 생성하는지 여부에 관계없이 AI 제품의 개발을 지원하기위한 시스템 및 프로세스의 가용성은 AI 제품의 개발을 지원하는 시스템 및 프로세스가 가능합니다.
예를 들어, 소프트웨어 코드를 생산성 매체로 전송하기위한 공식화 된 절차가 항상 필요합니다. 또 다른 특성 예제, 데이터 과학자가 데이터 엔지니어가 가정되어야하는 데이터 엔지니어가 아닌 구조화되지 않은 코드를 전송할 때 Python에서 Scala에서 Smala로 전달되도록 전송할 수 있습니다.
실제로 IA 개발 표준은 템플릿, 로깅 및 모니터링 규칙, 통합 테스트, 코드 버전 제어, 라이브러리 버전에서 사용되는 데이터 및 훨씬 더 많은 것에 대한 요구 사항에 영향을줍니다.
러시아와 세계에서러시아의 경우 II 개발 분야에서는 기계 학습 전문가 및 인공 지능의 역량의 관점에서 다른 나라에 상황을 상대적으로 상황에 상대적입니다. 테마 자체는 기업의 의제와 국가 수준에 있습니다. AI 기능의 헌신적 인 기업 실험실은 적은 수의 비즈니스 프로세스에서 AI 솔루션의 산업용 임베딩이 발생합니다.
상황은 기술적 인 회사, 전자 상거래 및 소매업에서 가장 좋습니다. 텔레콤 및 은행에서는 많은 이루어집니다. 이 산업 분야에서는 기업 구조의 통합 II 팀과의 개발 비전이 이미 형성되고 있습니다. 경제의 실제 부문에서는 실천에서 성공적인 러시아 사례 중 하나가 석유와 가스 산업에서 회사에 속한다.
가장 성공적인 산업 접근법 중 하나는 은행 분야에서 본 고급 분석을 기반으로하는 포괄적 인 변화에 대한 접근 방식입니다. 국제 은행 그룹은 고급 분석 및 온라인 협업을위한 단일 기술 플랫폼에 투자하고 있으며 거의 동시에 국제 데이터 과학 커뮤니티를 시작했습니다. 위에 표시된 역할을 가진 학제 간 제품 팀의 고정과 함께,이 단계는 처음 6 개월 동안 약 10 개의 II 사례의 생산성을 향상시키고 다른 20의 상세한 연구를 시작할 수 있습니다.
처음에 시작시 회사에서 변환의 기초로 작용한 작성된 데이터 관리 기능 (데이터 거버넌스)이 이미 있으며, 단일 접근법, 프로세스 및 기술을 확인했습니다.
AI에서 표준화를 어떻게 해결할 것인가?우선, 유능한 팀의 조합과 AI의 투명한 원칙과 표준의 조합은 이니셔티브의 경제적 영향의 증거의 문제를 극복합니다. 그것은 프로젝트 및 프로세스 접근 방식에서 제품에 대한 전환과 밀접한 관련이 있으며 비용의 종단 간 체인을 분석하여 제품에 대한 제품에 밀접하게 관련이 있습니다. 팀은 AI-Metrics의 실천을 소개하므로 AI 프로젝트의 문제와 미묘한 장소를 평평하거나 완전히 제거 할 수 있습니다. 예를 들어, 고급 분석을 도입 한 후 P & L 제품의 변경에 대한 예측을 즉시 수행 할 수 있으며 특정 비즈니스 프로세스에서 AI의 구현에 대한 비용 이익 분석을보다 정확하게 보유 할 수 있습니다.
총체적으로 회사의 준비가 AI의 전략적 방향으로 AI 개발을 고려하고 "실험실 실험"에서 본격적인 II 전략으로 전환 할 수 있습니다.