Stort set alle virksomhedens softwareleverandør er at skabe støj i markedet om kunstig intelligens. Desværre er meget af, at marketing buzz giver lidt stof og skaber forvirring blandt kunderne om, hvad der er ægte. I betragtning af denne FUD, udfordringen for business-folk, er at beslutte, hvor at investere.
Selv om markedet forvirring er et problem, at den underliggende virkelighed er, at opnå resultater med AI behov for forskellige strategier, færdigheder og mål end at indsætte traditionelle proces automation software.
Med traditionel software, som ERP eller CRM, for eksempel, ledere re-engineering processer som kunde-service eller produktion at finde gentagelig forbedringer og effektivitetsgevinster. Selv om implementering er ofte kompliceret, fordele og risici er kendte.
I modsætning til investeringer i AI kræve en anden form for analyse end med traditionelle software virksomheder. Ikke kun er AI teknologi ny for de fleste ledere, men at få de ønskede resultater afhængig af, at der er tilstrækkelig stor og relevante datasæt til at fodre AI maskine.
Fordi AI kan skabe resultater, der går langt ud over procesforbedring og effektivitet, der definerer investeringer, resultater og mål, som kan være langt mere komplekse, end med traditionelle proces automation software.
Gør vellykkede investeringer i AI, derfor kræver eksperter inden for en række discipliner til at tænke i form af rammer og modeller. Aktiviteterne, der omfatter:
At analysere den indflydelse på nuværende og fremtidige forretningsmodeller Valg af processer og aktiviteter, hvor at investere Undersøge machine intelligence teknologi Stringent anvendelse af data videnskab til forslag til løsninger og resultater
De færdigheder og aktiviteter, der er væsentligt anderledes end dem, der er behov for, når de køber og gennemføre traditionelle software virksomheder.
I betragtning af den betydning, kompleksiteten og risikoen i AI investering, jeg har inviteret en af de mest erfarne AI-investorer i verden, at være en gæst på Episode 220 af CXOTALK serie af samtaler med innovatorer.
James Cham er en partner med Bloomberg Beta, en kapitalfond med et stærkt fokus på virksomheder med tilknytning til machine learning. James og hans kollega, Shivon Zillis, skabt en detaljeret machine learning marked landskab.
Jeg spurgte James til at give virksomhedens ledere råd om, hvordan at investere i AI. Under vores diskussion, Cham-adresser punkter såsom:
Undgå stort spild på AI projekter, der tilbyder lidt værdi eller fordel at Skabe et nyttigt økonomisk ramme for investering i AI Forståelse skiftet fra at være data-centreret model-centreret Opbygning, administration, test model-centreret AI-programmer
Du kan se den samtale på video indlejret ovenfor og læs komplet udskrift på CXOTALK site. Du kan også hente podcast på iTunes. Nedenfor er en redigeret del af vigtige punkter fra diskussionen.
Hvordan skal virksomhedsledere tænke på de økonomiske, organisatoriske og ledelsesmæssige aspekter af AI?
Vi kan se, innovation og fremme på den tekniske side. Og hvad er det, der halter, er klar tænkning og forståelse på den økonomiske og ledelsesmæssige side.
Jeg tror, at den største risiko for de fleste af os lige nu omkring maskinen intelligens er mindre, at de maskiner, der vil tage over og du vil ikke længere have et job.
Den største risiko er, at vi som ledere vil gøre rigtig dårlige beslutninger om, hvor man skal investere, og vi vil ende med at spilde milliarder af dollars på tåbelige projekter, at ingen ender med at bekymre sig om. Jeg tror, at jeg på nogle måder, er den umiddelbare, interessant, indlysende spørgsmål, der ligger foran os i de næste 5-10 år. Dette er stadig et dårligt forstået og dårligt forsket en del af spørgsmålet.
For de sidste par år, jeg har spurgt forskellige økonomer: “Fortæl mig, hvad der er den rigtige mikroøkonomiske rammer for at tænke over, hvordan til at investere i machine learning eller omkring AI?”
Jeg tror generelt, de fleste økonomer, og de fleste business school typer er stadig mere fokuseret på de store økonomiske konsekvenser. Men til de større skala økonomiske konsekvenser ikke noget, medmindre vi træffer gode beslutninger på et mikro-niveau.
Der var tre fyre ud af University of Toronto, i deres business school, der kom op med, hvad jeg tror, er den bedste ramme for tænkning omkring maskine læring i almindelighed. Jeg tror, at for de fleste organisationer, den rigtige måde at tænke om machine learning er at tænke på omkostningerne af forudsigelser. På samme måde, som hvis du var til det abstrakte, på et bestemt niveau, beregning. Historien om beregning er om at reducere omkostningerne med matematik. Og når du gør det billigt at lægge sammen og trække på et vist niveau, så du ender op med digitale kameraer og whatnot.
Og, hvis du synes om AI eller maskine intelligens som værende forskellige, og tænke på det som at reducere omkostninger til forudsigelse, så du kan anvende den samme mentale rammer, som i normale økonomiske analyse: “Hvis udgifterne til forudsigelse går ned, så hvad er det supplerer og erstatter for mig? Og hvad er de måder, som jeg kunne ændre min organisation i sin kerne?” Det er den mikroøkonomiske tankegang om det.
Det er fint at have en data-centreret organisation. Men hvis du har alle disse data, og ikke ved, hvad de skal gøre med det, det er nytteløst. Det er godt at have bedre arbejdsgange, men hvis de arbejdsprocesser, bare generelt hjælpe dig med at gøre den samme ting igen og igen, det er ikke så nyttigt.
På den anden side, hvis du som IT-organisation tanken om dig selv som model-centreret, så ville du overveje alle de processer, du har inde i organisationen. Hvilke processer er værdifuld nok til, at jeg ønsker at gøre forudsigelser og beslutninger, uden at folk, der er involveret på en dag-til-dag basis?”
Disse modeller vil gennemsyre hele virksomheden. Det er den spændende del. [Men] det skræmmende er, at vi har ingen idé om, hvordan at opbygge og administrere dem, fordi disse modeller er anderledes end applikationer.
Opbygning af software er vanskeligt, men i det mindste har jeg en idé om, hvordan at QA og test det og installere det på en sammenhængende måde. Som en kultur, vi regnede ud, hvordan man gør det. På den anden side, vi ikke rigtig forstår modeller. For nogle af disse nyere modeller, vi ikke forstår, hvordan man tænker eller introspect på dem.
Vi forstår ikke rigtig, hvordan man tester dem, fordi, ja, teoretisk set, hvis modellen var helt testbare, ville du ikke brug for en model. Og så er vi ved ikke, hvordan at implementere dem på en ensartet måde.
De fleste organisationer har brug for at forstå, hvor at bygge, investere og forvalte disse modeller.
Hvad er det mest interessante AI use cases, som du kan se lige nu?
Jeg forsøger meget hårdt, som en investor ikke at få enten for visionær eller for optimistisk ting.
Det rammer alt fra ting som banalt som at kigge gennem folks udgifter til fange eksempler på manglende overholdelse. Jeg er en investor i dette selskab kaldet AppZen, der gør dette.
På den ene side, ville du sige: “Ih, James! Dette er et kedeligt problem! Hvem bekymrer sig om dette?” Jeg sagde, at for at grundlæggeren første. Men så, i det øjeblik, de ser på, hvor mange tilfælde af ikke-overholdelse, du får i udgiftsrapporter, det er snesevis af millioner af dollars!
Det er ligesom dette lille problem sidder på gulvet, der var ikke praktisk muligt at beskæftige sig med før, fordi du er nødt til at ansætte masser af folk eller outsource det, som ville være kompliceret.
Men nu, den lille bots skrabe gennem alle de data, så udgifterne til forudsigelse går dramatisk ned. Pludselig, en af de irriterende små ting, som du var bekymret for i ryggen bliver noget, i umiddelbar stede til at løse.
Den svære del er, at vi ikke ved, eller vi ikke er gode måder, men for at forudsige, hvor meget disse modeller, eller disse bots, vil hjælpe organisationen. Vi ikke har en god intuition omkring, “Hvis jeg går efter er dette problem, jeg måske vil spare så mange penge.”
[Men så, vi kan løse problemer, vi var ikke selv klar over] eller troede var uløselige. Det er den spændende del.
Med andre ord, business-folk har brug for at få en bedre forståelse af data?
Ja, vi er også i denne migration fra en data-verden til en model af verden. De virksomheder, der gør det bedste, eller finde ud af det før, kommer til at være dem, der kommer til at være — forestil dig alle de buzzwords, du elsker, som “agile” eller “dynamisk” eller hvad ─ disse gode ting.
Dem, der er model-centreret, og er smart om at blive model-centreret kommer til at være dem, der kommer til at blive en succes.
Tak til Christopher Michel for at introducere mig til James Cham, og til min kollega, Lisbeth Shaw, for at få hjælp til denne kolonne.
CXOTALK bringer dig verdens mest innovative virksomhedsledere, forfattere og analytikere for en dybdegående diskussion utilgængelige steder. Nyd alle vores serier, og download podcast fra iTunes og Spreaker.