Dagens CIOer må sørge for at organisasjonene deres har en “AI-klar” infrastruktur som kan støtte data og applikasjoner relatert til AI.
Hva er et AI-first-selskap?
Det kan være et eksisterende selskap som begynner å sette AI i starten av hver samtale, øverst på agendaen i hvert møte, eller det kan være et nytt selskap som er fokusert og strategisk om å samle inn riktige data, mate dem inn i de riktige systemene, bygge produkter med prediktiv verdi.
Det er det som er et AI-first-selskap: et selskap som blir avgjørende for å bygge disse systemene og får behovet for å fokusere på dette fra dag én, slik at du har de riktige dataene på rett sted som føder inn de riktige modellene. I stedet for senere å prøve å drysse AI over data som du ved et uhell har samlet inn.
Implikasjonene er fokus på datahåndtering, datainnsamling og datatalent eller datakompetent talent når du tenker på budsjettering, hvor du skal fokusere oppmerksomheten din.
Om investering i datainfrastruktur
Når du virkelig er fokusert på å samle inn data, hva er alle de rare og fantastiske måtene du kan samle inn dataene på? Hvordan administrerer du for eksempel en datamerkingsoperasjon? Det er en ganske ny utfordring. Det er ikke en funksjon som har eksistert tidligere.
Når du ansetter folk, hva er forskjellen mellom en produktleder og en dataproduktleder? Hva er forskjellen mellom en programvareingeniør og en dataingeniør? Hva er forskjellen mellom en prosjektleder og en dataprosjektleder? De er forskjellige roller du ansetter fra forskjellige bakgrunner.
Det er også en rekke organisatoriske spørsmål å stille. Hvordan velger du riktig grad av sentralisering og desentralisering i organisasjonen din? Hvordan sentraliserer du nok til at du har god datainfrastruktur, du har et godt sett med verktøy som folk kan bruke til å bygge modeller i hele organisasjonen?
Hvordan opprettholder du også en grad av desentralisering, slik at datavitenskap og maskinlæringstalent er ute i feltet og forstår spådomsproblemene som virksomheten din har? Ute i felten med folk med utklippstavler, sjekke av ting på en sikkerhetskontrolliste eller inventar på et lager eller hva ikke. De forstår hvilke data som er tilgjengelige, hva folk prøver å gjøre, hva folk prøver å automatisere, og så videre. Det er et organisatorisk spørsmål.
Så er det også, endelig, beregninger og målinger. Hvordan er beregningene forskjellige for et AI-first-selskap kontra et normalt programvareselskap? Hvordan måler du egentlig avkastningen på investeringer i AI -prosjekter? Hvordan forstår du om disse modellene fungerer? Så hvordan kan du sørge for at de holder kontrollen?
Om CIO -rollen i enterprise AI
Rollen som CIO endres ganske mye når du tenker på kapitalallokering til datainfrastruktur, datainnsamling og datatalent. Det endres med hensyn til hvordan du administrerer eller strukturerer organisasjonen, og det endres med hensyn til beregningene dine og hva du måler.
Det er så mange nyanser rundt i hvilken grad du fokuserer på dette, avhengig av hvor du er på reisen. Avhengig av om du bare eksperimenterer med noen få modeller for å teste, for eksempel, kan vi faktisk gjøre en spådom om etterspørsel etter det vi selger, etterspørsel etter klærne vi selger neste sesong? Kan vi gjøre en spådom om en trend i denne bransjen med våre forbrukere, enten de kommer til å kjøpe denne eller den fargen neste sesong? Kan vi gjøre en spådom rundt denne leveringstiden i vår forsyningskjede?
Er du på dette stadiet, hvor du eksperimenterer og prøver å lære av dataene du har? I hvilken grad du investerer i datainnsamling, datainfrastruktur og maskinlæring forskjellige modeller er veldig annerledes enn etter at du har gjort disse eksperimentene, er du sikker på at du kan gjøre disse spådommene, og du vil doble ned.
Hva er “Lean AI”?
Lean Startup handlet om å begrense problemet mitt og eksperimentet mitt for å forstå om kundene ønsker en funksjon av et produkt og å forstå om behovet virkelig er der.
Lean AI begrenser eksperimentet til å teste om kundene ønsker, eller vil de verdsette, en spådom eller litt automatisering.
Det er en rekke spørsmål som hjelper deg å finne ut:
Hva er det eneste datasettet jeg trenger, slik at eksperimentet for eksempel ikke krever å få mye data fra mange forskjellige steder? Hva er modellen jeg kan bruke? Ofte er det en veldig enkel statistisk modell i stedet for å ha et nettverk av maskinlæringsmodeller som alle er sammenkoblet på en komplisert måte. Hvilken maskin kan jeg kjøre den på? Bare kjør den på noens bærbare datamaskin først i stedet for å distribuere over hele databehandlingsinfrastrukturen.
Hva er den ene utgangen jeg kan få som vil være nyttig for folk, enten det er et diagram, en en-siders rapport eller en tabell med data for informasjon?
Kunstig intelligens
Honda forbereder roboter, elektrisk flyreise, måneteknologi for 2030 Denne AI måler taletiden din under møter for å gjøre dem mer produktive Hvordan bli med i den tilkoblede verden med data og AI Hva er AI? Alt du trenger å vite om kunstig intelligens
Denne Lean AI -prosessen er en måte for deg å komme raskt opp i fart, og gjøre minst ett eksperiment som hjelper deg å finne ut hvor du skal investere neste gang.
CXOTalk presenterer grundige samtaler med mennesker som former vår verden. Takk til min seniorforsker, Sumeye Dalkilinc, for hjelpen med dette innlegget.
Relaterte emner:
Kunstig intelligens Digital transformasjon Innovasjon Tankeledelse Teknisk industri 