Extract een stabiel voorspelbaar voordeel van het gebruik van kunstmatige intelligentie (AI) op loopafstand, een bedrijf kan pas na het systematiseren van deze richting. Dit is niet alleen een integraal onderdeel van de schaal van II-praktijk voor het bedrijfsleven, maar ook een belofte van groei. Bedrijven mogen niet worden verwacht dat de industrie of regelaars standaardisatie op zichzelf zullen nemen, ze moeten het proces in hun handen nemen.
Kunstmatige intelligentie (AI) werd een richting van hoge prioriteit - het bedrijf op het wereldniveau besteedde de afgelopen drie jaar ongeveer $ 306 miljard voor AI-oplossingen. In theorie kunnen deze investeringen drievoudig rendement brengen. Hoewel veel bedrijven echter niet de verwachte resultaten bereiken.
De belangrijkste reden is het onvermogen van het bedrijf tot de effectieve schaal van AI-oplossingen. Dit gebeurt als gevolg van onvoldoende standaardisatie van AI. We trekken een analogie van bijvoorbeeld constructie. We begrijpen dat architecten, bakstenen stackers, elektriciens en andere bouwprofessionals weten hoe ze elk in zijn fase een huis kunnen bouwen. Ze werden opgeleid, begrijpen hun rol, bekend met de veiligheidsnormen die moeten worden gevolgd. Het is onwaarschijnlijk dat iemand in de juiste geest het ontwerp van het huis aan de architect zal toevertrouwen - een amateur en de constructie is een groep willekeurige mensen. Tegelijkertijd, één ding, als u bijvoorbeeld de lift wilt bouwen, is de lift en de andere een appartementencomplex, voor verschillende soorten objecten, deskundigen met verschillende ervaring en kennis vereist.
Het moet ook bij de AI zijn - alleen de richting formaliseren door de inbedrijfstelling van de algemene reeks normen, normen en basisprincipes, het is mogelijk om onderschatten of herbeoordeling van technologiemogelijkheden te voorkomen met betrekking tot zakelijke taken, de onjuiste interpretatie van Taken, evenals misrekeningen en financieringsprojecten. Omdat IA-technologieën te snel ontwikkelen, hebben regeringen en regelgevende instanties geen tijd om de industrie-hervormingen uit te voeren en normen te implementeren. Dus organisaties moeten de taak van professionalisering in hun handen nemen.
De tijd is gekomenAccenture voerde een onderzoek uit onder bedrijven die met succes AI schalen in het kader van de algehele bedrijfsontwikkelingsstrategie - ze worden strategische scalers genoemd. Ze gebruiken de standaardisatietactieken van de aanwijzingen van AI- en interdisciplinaire opdrachten. Deze aanpak maakt 1,5-2,5 keer vaker mogelijk om effectief ontwerp- en productproducten te creëren, inclusief training en een duidelijke verdeling van de verantwoordelijkheid tussen deelnemers.
92% van de bedrijven die met succes worden geschaald AI gebruik interdisciplinaire teams in de hele organisatie. 72% van hen betoogt dat hun werknemers volledig begrijpen hoe kunstmatige intelligentie al is toegepast of kan worden toegepast op taken binnen hun rollen. Strategische scalers in zijn praktijk elimineren snel overtollige taken en verduidelijken de grenzen van verantwoordelijkheid zowel binnen als in het algemeen in de praktijk van het naast elkaar bestaan van AI-teams binnen het bedrijf.
De combinatie en verhouding van rollen in dergelijke teams hangt af van specifieke gevallen en projecten. Met behulp van partnerervaring en / of ontwikkelingsplan om te werken en teams te ontwikkelen, helpt de oprichting van dit proces als gestandaardiseerd en transparant voor het bedrijf. Maar één ding blijft de sleutel tot alle projecten - het is noodzakelijk om de verantwoordelijkheid vanaf het begin te bepalen en de verwachtingen op te lossen.
Verplicht onderwijs en totaal AI-geletterdheidOrganisaties investeren in het leren van AI, maar in de regel zullen in de echte wereld veel van de interne specialisten nog steeds niet de nodige opleiding en kwalificaties hebben voor effectief werk met kunstmatige intelligentie. Organisaties Het is belangrijk om eisen te stellen voor onderwijs, competenties en training voor werknemers die betrokken zijn bij de projecten van AI.
Tegelijkertijd moeten bedrijven, met succes AI schalen, op frames met de juiste combinatie van vaardigheden en kwalificaties, zowel op het gebied van bedrijf, IT- en gegevensbeheer en in AI. Dus 70% van de Strategic Scaler Profile-bedrijven beweert dat hun werknemers een formeel leren hebben ondergaan op het gebied van AI en werken met gegevens.
Vandaag is het bedrijf vaak uitgerust met II-teams zonder de vereisten voor het niveau van opleiding en vaardigheden te formaliseren, zonder te werken als classificatie van de belangrijkste taken en benaderingen van hun implementatie. Zelfs bij de afgestudeerde of gecertificeerde specialisten op het gebied van AI zijn er verschillende dekking en niveaus van eigendom van zowel praktische vaardigheden als gereedschappen en in termen van het begrijpen van de kenmerken van een bepaald bedrijf.
Bij het typen van nieuwe talentbedrijven gebruiken bedrijven vaak technische screening van kandidaten om het benodigde niveau van kennis om een bepaalde rol uit te voeren. Om de deelnemers aan de AI-teams meer verantwoordelijkheid en onafhankelijkheid te kunnen geven, begrijpt u de feitelijke situatie van de praktijk van AI, organisaties moeten regelmatig evaluatie-evenementen uitvoeren in de loopbaan van de werknemer om de relevantie van kennis en planontwikkeling te controleren.
Ondanks de onvoorwaardelijke toename van de investeringen in de AI, zal het bereiken van ware professionaliteit op dit gebied afhangen van het waarborgen van totale en geletterdheid in de hele organisatie.
AI-Dream TeamEen andere karakteristieke uitdaging is het onvermogen om een effectief interdisciplinair commando te bouwen. De echte bedrijfswaarde van AI kan alleen worden geïmplementeerd als deskundigen op analytics, gegevens en kunstmatige intelligentie hand in hand zijn met zakelijke collega's. Het perfecte team moet er als volgt uitzien:
- Producteigenaar (ProductOnderhouder), Degene die "Huid" is verantwoordelijk voor de productieve statistieken en is een enkel invoerpunt voor het ontvangen van vereisten en feedback van het bedrijfsleven;
- Een deskundige methodoloog van het onderwerpgebied, dat perfect begrijpt hoe het bestaande bedrijfsproces functioneert en, idealiter, kennis ondersteunt over hoe soortgelijke taken in andere bedrijven zijn opgelost;
- Een bedrijfsanalist die een zaak correct zal uitgeven - verschuift de documentatie, hypothesen, beschrijvingen en beperkingen in de vereisten van de II-productvereisten;
- Gegevensanalist / Data Sintist, die een breed scala aan analytische manipulaties van visuele analyse kan uitvoeren totdat de detectie van complexe verborgen patronen is om hypotheses te genereren en MVP te bouwen om ze te controleren; Een van de gebieden van competenties voor dergelijke specialisten is de gegevensverhalen - het vermogen om stapsgewijs om gegevens en de resultaten van de analyse in begrijpelijke bedrijfsinzichten in te schakelen;
- DataGineerer Engineer (DataSgineer), die Analytics en Data SayStetist zal helpen gegevens voor te bereiden, bijvoorbeeld combineren uit verschillende bronnen, converteren naar een enkel formaat; Ervaring laat zien dat deze rol onafhankelijk moet zijn, aangezien de data-score niet effectief is in de implementatie ervan;
- Part Time Data Architect (DataArchitect) en de vertegenwoordiger van de Data Steward (Data Steward), die snel een samenvatting zal geven van de beschikbaarheid en kwaliteit van gegevens, beperkingen en vereisten van test- en productieve contouren, inclusief informatiebeveiliging, cloud en andere Infrastructuur, Devsecops / Dataops-processen / Mlops, zodat het in de vroege stadia correct is om de haalbaarheid te evalueren en mogelijke risico's en effecten te verduidelijken.
Op basis van de rollen is het te zien dat er niet veel in bedrijven in dergelijke teams kan zijn - deze specialisten zijn altijd bakken. De realiteiten zijn zodanig dat het bedrijf het effect wil zien voordat u middelen aan een dergelijk bevel toewijst. Dergelijke teams moeten worden geleid door uniforme normen en regels. Als het werk is georganiseerd volgens de uniforme principes, wordt het optimaal en geschaald uitgevoerd en kan ook snel worden gerepliceerd om nieuwe taken op te lossen, nieuwe hypotheses te controleren. Een deel van de specialisten betoogt dat geformaliseerde processen innovatie kunnen wurgen; Accentuurstudies hebben het tegenovergestelde getoond.
In professionele bedrijven is er een standaardbenadering van testen en benchmarking bij het maken en ontwikkelen van producten en diensten. Ongeacht of het bedrijf intelligente apparaten of -model van machine leren om de klantervaring van online-verkoper te verbeteren, de beschikbaarheid van een systeem en processen om de ontwikkeling van AI-product te ondersteunen, kunnen medewerkers innovaties voorspelbaar en efficiënt implementeren.
U hebt bijvoorbeeld altijd een geformaliseerde procedure nodig voor het overbrengen van de softwarecode naar het productieve medium. Een ander karakteristiek voorbeeld, wanneer data-wetenschapper data-ingenieurs slecht gestructureerde en ongedocumenteerde code verzendt die moet worden verondersteld, overbrengt van Python naar Scala voor levering aan het productief.
In de praktijk beïnvloeden IA-ontwikkelingsnormen de vereisten voor sjablonen, logging en monitoring van regels, verenigen tests, controle van codeversies, gegevens die worden gebruikt door bibliotheekversies en nog veel meer.
In Rusland en de wereldIn Rusland, op het gebied van II-ontwikkeling, is er een goed ten opzichte van andere landen de situatie in termen van competenties van computeronderwijsspecialisten en kunstmatige intelligentie. Het thema zelf is aanwezig op de agenda van bedrijven en op het niveau van de staat. De toegewijde bedrijfslaboratoria van de AI-functie en ontwikkelen, industriële inbedding van AI-oplossingen in een klein aantal bedrijfsprocessen treedt op.
De situatie is het beste in technologische bedrijven, e-commerce en retail, veel gebeurt in telecom en banken. In deze industrieën wordt al een visie op ontwikkeling met een geïntegreerd II-team in een bedrijfsstructuur gevormd. In de echte sector van de economie is er nog steeds een grote manier, hoewel een van de succesvolle Russische voorbeelden in mijn praktijk behoort tot het bedrijf uit de olie- en gasindustrie.
Een van de meest succesvolle industriële benaderingen van een uitgebreide transformatie op basis van geavanceerde analyse die ik in de banksector bekeek. De International Banking Group heeft geïnvesteerd in een enkel technologisch platform voor geavanceerde analyse en online samenwerking, evenals bijna gelijktijdig een internationale community voor gegevenswetenschappen. Samen met de fixatie van interdisciplinaire productteams met de hierboven aangegeven rollen, hebben deze stappen de eerste zes maanden toegestaan om een productie van ongeveer 10 II-cases in te voeren en een gedetailleerde studie van nog eens 20 te starten.
Het is belangrijk om op te merken dat in het bedrijf op het moment van het begin al een goed gevormde gegevensbeheerfunctie (data governance) was, die als basis voor transformatie handelde, een enkele aanpak, processen en technologieën identificeerde.
Wat zal de standaardisatie in AI oplossenAllereerst overwint de combinatie van een competente team en transparante principes en normen van AI het probleem van het bewijs van het economische effect van de initiatieven. Het is nauw verwant aan de overgang van het project en de procesbenadering van het product naar het product met een analyse van de end-to-end chain van de kosten. Teams introduceren in de praktijk van AI-Metrieken, waarmee u de problemen en subtiele plaatsen van AI-projecten kunt neutraliseren of volledig kunt elimineren. U kunt bijvoorbeeld onmiddellijk een prognose uitvoeren voor de wijziging van P & L-product na de invoering van geavanceerde analyse en meer nauwkeurig een kosten-batenanalyse van de implementatie van AI in een specifiek bedrijfsproces vasthouden.
In totaal maakt dit een fractuur in de bereidheid van bedrijven om de ontwikkeling van AI als een strategische richting van digitale transformatie te overwegen en de overgang uit "Laboratory-experimenten" uit te voeren naar een volwaardige II-strategie.