Voor een aantal jaren, de industrie leiders praten over het concept van de IT of software factory — of software, industrialisatie — in die code is geproduceerd in een geautomatiseerd bouwsteen-effect. Het is de vraag of ondernemingen zijn in staat om volledig te transformeren in software fabrieken, maar het idee om weg te lopen uit de hand vervaardigde, een-op-een-tijd-toepassingen en diensten voor iets meer schaalbare heeft verdienste.
Foto: Joe McKendrick
Nu, er is sprake van het produceren van een “AI fabriek.” Dit houdt in dat “operationalisering van het verzamelen van gegevens, analyse en besluitvorming opnieuw uit te vinden van de kern van de moderne bedrijf”, schrijft Marco Iansiti en Karim Lakhani, zowel Harvard hoogleraren in hun nieuwe boek, Strijden in de Leeftijd van AI. “De AI in de fabriek is de schaalbare decision engine die de bevoegdheden van de digital operating model van de 21ste eeuw firma,” ze staat. “Bestuurlijke beslissingen worden steeds meer ingebed in de software.”
Het goede nieuws is “je hoeft niet naar een Netflix om te bouwen van een AI-fabriek,” schrijven ze. Hier zijn vier essentiële onderdelen van de bouw en exploitatie van een AI-fabriek:
Wal-up van de gegevens pijplijn: Het proces dat gaat om het verzamelen, invoeren van gegevens, het reinigen, het integreren, het verwerken van en de bescherming van gegevens “in een systematische, duurzame en schaalbare manier.” Bijvoorbeeld, Iansiti en Lakhani wijs Netflix als een voorbeeld van een bedrijf dat “datafied” de business”, het systematisch extraheren van gegevens van activiteiten en transacties die zijn natuurlijk voortdurend in elk bedrijf.” Het reinigen en het integreren van data kan een grote uitdaging, zij het voorzichtig. De eerste orde van zaken in het bouwen van een AI-fabriek, ze staat, is investeren in een goed functionerende data pipeline.
Het ontwikkelen van algoritmen: Dit is het proces van het ontwikkelen van voorspellende vermogens. Algoritmen “kan gebruikt worden voor een verscheidenheid aan toepassingen, van het genereren van relatief eenvoudige voorspellingen zoals een prognose van de verkoop te suggereren voorraden op te halen voor high-frequency trading, te complex beeld herkenning en vertaling taken,” Iansiti en Karim Lakhani verklaren.
De meeste AI-systemen maken gebruik van een van de drie algemene benaderingen voor de ontwikkeling van nauwkeurige voorspellingen met behulp van begeleid leren, onbegeleid leren en reinforcement learning machine learning-aanpak. Begeleid leren wil “komen zo dicht mogelijk bij een menselijke expert in het voorspellen van een uitkomst’, gebaseerd op gelabeld datasets. Unsupervised learning “doel te vinden natuurlijke groepering van de gegevens, zonder labels, en het ontdekken van structuren die niet voor de hand om de waarnemer.” De meest geavanceerde vorm van machine learning, reinforcement learning “is slechts een startpunt en een functie prestaties,” de co-auteurs.
Voeg een robuuste experimenten platform: Een experimenteel platform is het mechanisme volgens welke hypothese met betrekking tot nieuwe voorspelling en besluit algoritmen getest om te verzekeren dat de voorgestelde wijzigingen worden, met een beoogde effect.” Dit is essentieel om de AI in de fabriek, Iansiti en Lakhani staat, en vereist een state-of-the-art platform — “traditionele, ad-hoc aanpak te experimenteren kan gewoon niet omgaan met de impact van wat nodig is.”
De modernisering van de software-infrastructuur: Dit is de verzameling van systemen voor het inbedden van de pijpleiding naar consistente en component toepassingen of services die beschikbaar worden gesteld aan de eindgebruiker. “Nadat de gegevens verzameld, schoongemaakt, verfijnd en verwerkt, wordt het beschikbaar gesteld door consistente interfaces zoals Api’ s, waardoor toepassingen te snel inschrijven, het voorbeeld wat ze nodig hebben, te testen en te implementeren,” de co-auteurs verklaren. “Dit stelt een agile development team bouwen van een nieuwe aanvraag in weken, soms dagen.”
De auteurs extra structurele advies, benadrukken dat een goed ontworpen Api ‘ s zijn een belangrijk ingrediënt van AI fabrieken. “Api’ s gas de stroom van gegevens in en uit de software factory systems’, verklaren zij. “Api’ s de toegang tot enkele van de meest kritische en privé-vermogen binnen de organisatie.” Uiteindelijk gaan zij verder, “de gegevens, software en connectiviteit onderliggende waarde van een AI fabriek moeten zich in een veilige, robuuste en schaalbare computing-infrastructuur, steeds meer op de cloud, schaalbare, on-demand, en gebouwd met behulp van standaard off-the-shelf componenten en open-source software.”
Verwante Onderwerpen:
Big Data Analytics
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software