Nahezu jeder enterprise-software-Anbieter ist Lärm in den Markt über künstliche Intelligenz. Leider viel dieses marketing-buzz bietet wenig Substanz und schafft Verwirrung für die Kunden über das, was real ist. Angesichts dieser FUD, die Herausforderung für Unternehmen ist zu entscheiden, wo Sie investieren.
Obwohl Markt-Verwirrung ist ein Thema, die zugrunde liegende Realität ist, dass Sie Ergebnisse erreichen, die mit AI braucht verschiedene Strategien, Fähigkeiten und Ziele, über die Bereitstellung von herkömmlichen Prozess-Automatisierungs-software.
Mit der herkömmlichen software wie ERP-oder CRM-Manager re-Engineering-Prozesse wie den Kundendienst oder in der Fertigung zu finden, wiederholbare Verbesserungen und Rationalisierungen. Obwohl die Umsetzung ist oft kompliziert, die Vorteile und Risiken sind bekannt.
Im Gegensatz zu Investitionen in AI Nachfrage eine andere Art der Analyse als mit traditionellen enterprise-software. Nicht nur AI-Technologie neu, die meisten Manager, aber immer die gewünschten Ergebnisse hängt davon ab, dass ausreichend große und relevante data-sets zu ernähren, die KI-Maschine.
Weil AI erstellen können, Ergebnisse, die weit über Prozessoptimierung und Effizienz, definieren von Investitionen Ergebnisse und Ziele können weitaus komplexer, als mit den traditionellen Prozess-Automatisierungs-software.
Erfolgreiche Investitionen in AI, erfordert daher Experten in einer Reihe von Disziplinen zu denken, in Bezug auf frameworks und Modelle. Die Aktivitäten umfassen:
Die Analyse der Auswirkungen auf die aktuelle und zukünftige business-Modelle, die Auswahl der Prozesse und Abläufe, in die zu investieren Prüfung der Maschine intelligence-Technologie Konsequent Anwendung von data science, die vorgeschlagenen Lösungen und Ergebnisse
Die Fähigkeiten und Aktivitäten sind deutlich anders als diejenigen erforderlich, beim Kauf und bei der Implementierung von traditionellen enterprise-software.
Angesichts der Bedeutung, Komplexität und Risiko um AI Investition, ich lud eine der erfahrensten AI Investoren in der ganzen Welt zu Gast in Episode 220 der CXOTALK Reihe von Gesprächen mit Innovatoren.
James Cham ist ein partner mit Bloomberg Beta, ein venture-capital-Unternehmen mit einem starken Fokus auf Unternehmen im Zusammenhang mit der Maschine lernen. James und seine Kollegen, Shivon Zillis, erstellt eine detaillierte machine-learning-Landschaft.
Ich fragte James, zu geben, enterprise-Führer beraten, wie Sie investieren in AI. Während unserer Diskussion, Cham Adressen Punkte wie:
Vermeiden signifikante Abfall bei AI-Projekte, die wenig Wert oder nutzen Erstellen eine nützliche wirtschaftliche Rahmenbedingungen für Investitionen in KI-Verständnis für die Verschiebung von Daten-centric model-centric-Bauen, verwalten, testing model-centric KI-Anwendungen
Können Sie sehen, das Gespräch in die eingebettete video oben, und Lesen Sie das vollständige Transkript auf der CXOTALK Website. Sie können auch laden Sie den podcast bei iTunes. Unten ist eine bearbeitete Teile wichtige Punkte aus der Diskussion.
Wie sollten Führungskräfte denken über die wirtschaftliche, organisatorische und betriebliche Aspekte der AI?
Wir sehen innovation und Fortschritt auf der technischen Seite. Und was hinkt ist klar denken und das Verständnis über die wirtschaftliche und verwaltungstechnische Seite.
Ich denke, dass die größte Gefahr für die meisten von uns gerade jetzt um die Intelligenz an der Maschine ist weniger, dass die Maschinen übernehmen, und Sie werden nicht mehr einen job haben.
Das größte Risiko ist, dass wir als Führungskräfte wirklich schlecht entscheiden, wo Sie investieren, und wir werden am Ende verschwenden Milliarden von Dollar auf dumme Projekte, die niemand endet die Sorge um. Ich denke, dass, in gewisser Weise, ist der unmittelbare, interessante, naheliegende Frage, die vor uns für die nächsten 5-10 Jahre. Dies ist immer noch schlecht verstanden und schlecht recherchiert ein Teil der Frage.
Für den letzten paar Jahren, ich habe gefragt, verschiedene ökonomen: “Sag mir, was ist die richtige mikroökonomischen Rahmen, um darüber nachzudenken, wie Investitionen in machine learning oder um AI?”
Ich denke, im Allgemeinen, die meisten ökonomen und die meisten business-school-Typen noch stärker auf die umfangreichen ökonomischen Auswirkungen. Aber, die größeren Maßstab wirtschaftlichen Auswirkungen nicht von Bedeutung, es sei denn, wir machen gute Entscheidungen auf der Mikro-Ebene.
Es waren drei Jungs, die an der Universität von Toronto, Ihre business school, die kam mit dem, was ich denke, ist der beste Rahmen für das denken über die Maschine lernen im Allgemeinen. Ich denke, dass für die meisten Organisationen das Recht, so zu denken über die Maschine lernen ist denken-über die Kosten der Vorhersagen. In der gleichen Weise, dass, wenn Sie wurden zu abstrakten, auf einer bestimmten Ebene, Berechnung. Die Geschichte der Berechnung ist über die Senkung der Kosten der Arithmetik. Und, wenn du es Billig zu addieren und subtrahieren auf eine bestimmte Stufe der Skala, dann sind Sie am Ende mit digital-Kameras und so weiter.
Und wenn Sie denken, über AI oder Intelligenz an der Maschine, als Verschieden, und darüber nachzudenken, wie die Verringerung der Kosten der Vorhersage, dann können Sie die gleichen geistigen Rahmen als im normalen wirtschaftlichen Analyse: “Wenn die Kosten der Vorhersage nach unten geht, dann, was sind die Komplemente und substitute für mich? Und was sind die Möglichkeiten, die ich ändern könnte meine Organisation im Kern aus?” Das ist die mikroökonomische Denkweise darüber.
Es ist in Ordnung, um eine Daten-zentrierte Organisation. Aber wenn Sie alle diese Daten und weiß nicht, was zu tun ist, ist es nutzlos. Es ist gut zu haben, bessere Arbeitsabläufe, aber wenn die workflows in der Regel nur helfen, Sie tun die gleiche Sache über und über wieder, dass das nicht so nützlich.
Auf der anderen Seite, wenn Sie als IT-Organisation Gedanken über sich selbst als model-centric, dann würden Sie alle betrachten die Prozesse, die Sie innerhalb der Organisation. Welche Prozesse sind wertvoll genug, dass ich möchte, um Vorhersagen und Entscheidungen ohne die beteiligten Personen auf ein Tag-zu-Tag-basis?”
Diese Modelle gehen, um zu durchdringen das gesamte Unternehmen. Das ist der spannende Teil. [Doch] die Angst Teil ist: wir haben keine Ahnung wie zu bauen und zu verwalten, denn diese Modelle sind anders als Anwendungen.
– Entwicklung von software ist schwierig, aber zumindest habe ich eine Vorstellung davon, wie Qualitätssicherung und testen Sie es, und stellen es in einigen konsistente Art und Weise. Als Kultur, wir haben herausgefunden, wie das zu tun. Auf der anderen Seite, wir verstehen nicht wirklich, Modelle. Für einige dieser neueren Modelle, die wir nicht verstehen, wie man zu denken oder die Introspektion auf.
Wir verstehen nicht wirklich, wie um Sie zu testen, weil, selbst theoretisch, wenn das Modell vollständig prüfbar, würden Sie nicht brauchen ein Modell. Und dann wissen wir nicht, wie die Bereitstellung in einer konsistenten Art und Weise.
Die meisten Organisationen benötigen, um zu verstehen, wo Sie bauen, investieren und verwalten diese Modelle.
Was sind die interessantesten AI Anwendungsfälle, die Sie gerade jetzt sehen?
Ich versuche sehr hart, wie ein investor nicht zu bekommen, entweder zu VISIONÄR oder zu optimistisch über die Dinge.
Es trifft alles aus Dinge, die so alltäglich sind, wie die Betreuung durch Menschen, die die Aufwendungen zu erfassen, Beispiele mangelnder compliance. Ich bin ein investor in diesem Unternehmen namens AppZen, die dies tut.
Auf der einen Seite, würden Sie sagen, “Oh, James! Dies ist eine langweilige problem! Wer kümmert sich um diese?” Ich sagte, dass der Gründer zunächst. Aber dann, der moment, in dem Sie schauen, wie viele Fälle von Nichteinhaltung erhalten Sie in Spesenabrechnungen, es ist die Dutzende von Millionen von Dollar!
Es ist genau wie dieses kleine problem sitzt auf dem Boden, das war nicht praktisch, um mit viel vor, da müsste man mieten viele Menschen oder auszulagern, das würde kompliziert werden.
Aber jetzt, die wenig bots kratzen durch alle Daten, so werden die Kosten der Vorhersage geht drastisch nach unten. Plötzlich, einer jener nörgelnden kleinen Dinge, die Sie besorgt waren in der Rückseite wird etwas in die unmittelbare Gegenwart zu lösen.
Der schwierige Teil ist, dass wir nicht wissen, oder wir haben keine guten Möglichkeiten, doch der Vorhersage, wie viel diese Modelle oder diese bots, wird der Organisation helfen. Wir nicht haben eine gute intuition, um, “Wenn ich nach diesem problem, vielleicht werde ich sparen so viel Geld.”
[Aber dann können wir lösen Probleme, wir wurden auch nicht bewusst], oder dachte, Sie wären unlösbar. Das ist der spannende Teil.
In anderen Worten, business-Leute müssen um zu gewinnen ein besseres Verständnis der Daten?
Ja, wir sind auch in dieser eine migration von einem Daten-Welt zu einem Modell der Welt. Die Unternehmen, die dies am besten tun können, oder herausfinden, dass früher, werden diejenigen, die gehen, um-stellen Sie sich vor, alle Schlagworte, die Sie lieben, wie “Agil” oder “dynamische” oder was auch immer ─, die guten Dinge.
Diejenigen, die Modell-centric, und sind schlau über die model-centric gehen, um diejenigen, die gehen, um erfolgreich zu sein.
Dank an Christopher Michel für die Einführung von mir zu James Cham und meiner Kollegin Lisbeth Shaw, für die Unterstützung bei diesem Artikel.
CXOTALK bringt Sie die weltweit innovativsten Unternehmer, Autoren, Analysten und für eine ausführliche Diskussion, die nicht verfügbar überall sonst. Genießen Sie alle unsere Episoden und laden Sie den podcast bei iTunes und Spreaker.