Praktiskt taget varje företag programleverantören är att skapa brus i marknaden om artificiell intelligens. Tyvärr, mycket av den marknadsföring buzz erbjuder lite substans och skapar förvirring för kunderna om vad som är verkligt. Med tanke på detta FUD, utmaningen för företagare är att besluta om att investera.
Även om marknaden förvirring är ett problem, den underliggande verkligheten är att uppnå resultat med AI kräver olika strategier, kunskaper och mål än använder traditionella process automation mjukvara.
Med traditionell programvara som ERP-eller CRM, till exempel chefer re-ingenjör processer som kundservice eller tillverkning för att hitta repeterbara förbättringar och effektiviseringar. Även om genomförandet är ofta komplicerade, fördelarna och riskerna är väl kända.
I motsats till investeringar i AI kräva en annan typ av analys än med traditionella affärssystem. Inte bara är AI-teknik för nya att de flesta chefer, men få önskat resultat beror på att ha tillräckligt stora och relevanta data set för att mata AI-maskin.
Eftersom AI kan skapa resultat som går långt utöver processförbättring och effektivitet, att definiera investeringar resultat och mål kan vara betydligt mer komplex än med traditionell process automation mjukvara.
Att göra framgångsrika investeringar i AI, därför kräver experter inom en rad olika discipliner för att tänka i termer av ramar och modeller. Verksamheten innefattar bland annat:
Analysera påverkan på nuvarande och framtida affärsmodeller Val av processer och verksamhet i att investera Undersöka maskinen intelligence-teknik Rigoröst tillämpa data vetenskap att föreslagna lösningar och resultat
De färdigheter och aktiviteter är väsentligt annorlunda än de som behövs när man köper och genomförandet av traditionella affärssystem.
Med tanke på den vikt, komplexitet och risk kring AI investeringar, som jag bjudit in en av de mest erfarna AI investerare i världen att vara gäst på Episod 220 av CXOTALK serie samtal med innovatörer.
James Cham är en partner med Bloomberg Beta, ett venture capital-bolag med ett starkt fokus på företag med anknytning till lärande. James och hans kollega, Shivon Zillis, skapas en detaljerad machine learning marknaden landskap.
Jag frågade James för att ge företagets ledare råd på hur man kan investera i AI. Under vår diskussion, Cham-adresser punkter, till exempel:
Undvika betydande avfall på AI-projekt som har lite värde eller nytta för att Skapa en användbar ekonomisk ram för investeringar i AI Förstå övergången från att vara data-centrerad modell-centrerad Bygga, förvalta, testning modell-centrerad AI-program
Du kan titta på den konversation i den inbäddade videon ovan och läs fullständig utskrift på CXOTALK webbplats. Du kan också ladda ner podcast på iTunes. Nedan är en redigerad del av viktiga punkter från diskussionen.
Hur bör företagsledare tror att om de ekonomiska, organisatoriska och administrativa aspekter på AI?
Vi ser innovation och framsteg på den tekniska sidan. Och vad är det som släpar efter är tydlig tanke och förståelse för den ekonomiska och administrativa sidan.
Jag tror att den största risken för de flesta av oss just nu runt maskinen intelligens är mindre att de maskiner som kommer att ta över och du kommer inte längre att ha ett jobb.
Den största risken är att vi som chefer kommer att göra riktigt dåliga beslut om att investera, och vi ska sluta slösa bort miljarder av dollar på dumma projekt som ingen slutar att bry sig om. Jag tror att det, på vissa sätt, är den omedelbara, intressant, uppenbara frågan framför oss för de kommande 5-10 åren. Detta är fortfarande ett dåligt känd och dåligt utforskade en del av frågan.
För de senaste åren, jag har frågat olika ekonomer: “Berätta för mig vad som är rätt mikroekonomisk ram för att tänka på hur man kan investera i maskininlärning eller runt AI?”
Jag tror i allmänhet, de flesta ekonomer och de flesta business school typer är fortfarande mer inriktad på storskaliga ekonomiska konsekvenser. Men, de större skala ekonomiska konsekvenser inte spelar någon roll om vi fatta bra beslut på mikronivå.
Det var tre killar från University of Toronto, i deras business school, som kom upp med vad jag tycker är den bästa ramen för tänkandet om lärande i allmänhet. Jag tror att för de flesta organisationer, rätt sätt att tänka om lärande är att tänka på kostnaden av förutsägelser. På samma sätt som om du skulle abstrakt, på en viss nivå, beräkning. Historien om beräkning handlar om att minska kostnaderna för aritmetik. Och när du gör det billigt att lägga till och dra ifrån på en viss nivå, sedan hamnar du med digitala kameror och allt.
Och, om du tycker om AI eller maskin intelligens som är annorlunda och tänka på det som att minska kostnaderna för prognos, då kan du använda samma mentala ramar som i en normal ekonomisk analys: “Om kostnaden för förutsägelse går ner, så vad är ett komplement och substitut till mig? Och vad finns det för olika sätt att jag kan ändra min organisation i sin kärna?” Det är den mikroekonomiska sätt att tänka om det.
Det är bra att ha en data-centrerad organisation. Men om du har all den här datan och vet inte vad jag ska göra med det, det är meningslöst. Det är bra att ha bättre arbetsflöden, men om arbetsflöden bara allmänt hjälpa dig att göra samma sak om och om igen, det är inte så användbar.
Å andra sidan, om du är en IT-organisation tanke om dig själv som modell-centrerad, då skulle du överväga alla de processer som du har inne i organisationen. Vilka processer är värdefull nog att jag skulle vilja göra förutsägelser och beslut utan att människor kan delta på en dag-till-dag-basis?”
Dessa modeller kommer att genomsyra hela företaget. Det är spännande delen. [Men] den skrämmande delen är att vi har ingen aning om hur man ska bygga och hantera dem eftersom dessa modeller är annorlunda än program.
Bygga programvara är svårt, men åtminstone jag har en viss idé om hur man QA och test det och använda det i något konsekvent sätt. Som en kultur, vi listat ut hur man gör det. Å andra sidan, vi förstår inte riktigt modeller. För några av dessa nyare modeller, vi förstår inte hur man tänker om eller introspect på dem.
Vi förstår inte riktigt hur man testa dem, för även teoretiskt, om modellen var helt testbara, skulle du behöver inte en modell. Och då vi inte vet hur man ska använda dem på ett konsekvent sätt.
De flesta organisationer kommer att behöva för att förstå var att bygga, investera, och hantera dessa modeller.
Vad som är mest intressant AI användningsfall som du ser just nu?
Jag försöker väldigt hårt som en investerare inte att få antingen alltför visionära eller alltför optimistisk om saker och ting.
Det träffar allt från saker så trivialt som att titta genom människors kostnader för att fånga exempel på bristande efterlevnad. Jag är en investerare i detta företag som heter AppZen, som gör detta.
Å ena sidan, skulle du säga, “Jisses, James! Detta är ett tråkigt problem! Vem bryr sig om detta?” Jag sa att grundaren först. Men då, i det ögonblick de ser på hur många fall av bristande efterlevnad som du får i utgiftsrapporter, det är tiotals miljoner dollar!
Det är precis som den här lilla problemet att sitta på golvet som inte var praktiskt att ta itu med innan eftersom du skulle ha att anställa massor av människor eller lägga ut det, vilket skulle vara komplicerat.
Men nu, lite bots skrapa igenom alla uppgifter, så kostnaden för förutsägelse går ner dramatiskt. Plötsligt, en av de påträngande lite saker och du var orolig i ryggen blir något i det omedelbara nuet för att lösa.
Det svåra är att vi inte vet, eller att vi inte har bra sätt ännu i att förutsäga, hur mycket dessa modeller, eller dessa bots, kommer att hjälpa organisationen. Att vi inte har bra intuition runt, “Om jag går efter det här problemet, kanske ska jag spara så mycket pengar.”
[Men då kan vi lösa problem som vi inte ens är medvetna om] eller trodde var omöjlig. Det är spännande delen.
Med andra ord, människor behöver för att få en bättre förståelse av data?
Ja, vi är också i denna migrering från en data världen till en modell världen. De företag som gör det på bästa sätt, eller räkna ut förr, kommer att vara de som kommer att vara-tänk alla de slagord som du älskar, som “smidig”, eller “dynamisk” eller vad ─ dessa goda saker.
De som är modell-centrerad, och är smarta om att vara modell-centrerad kommer att vara de som kommer att vara framgångsrika.
Tack till Christopher Michel för att introducera mig till James Cham och min kollega Lisbeth Shaw, för hjälp med denna kolumn.
CXOTALK ger dig världens mest innovativa företagsledare, författare och analytiker för en fördjupad diskussion inte tillgänglig någon annanstans. Njut av alla våra program och ladda ned podcasten från iTunes och sprid aker.