Når det kommer til kunstig intelligens, så prøv ikke at gå alene. IT-afdelinger, uanset hvor dygtige og parate udviklere og data scientists måtte være, kan kun gå så langt forbi proofs of concept. Det kræver folk – fra alle hjørner af virksomheden og arbejder sammen – at levere AI-succes,
Foto: Joe McKendrick
Ved at diskutere erfaringer fra AI i de senere år peger brancheeksperter på behovet for at få folk fra hele virksomheden med om bord. “En rigelig mængde træningsdata og elastisk regnekraft er ikke hjørnestenene for vellykkede AI-implementeringer,” siger Sreedhar Bhagavatheeswaran, global leder af Mindtree Consulting.
Den hjørnesten i AI-succes er mennesker — ikke kun AI-færdigheder, men involvering fra alle discipliner, fra marketing til supply chain management. I de senere år – og især i løbet af det seneste år, da behovet for automatiserede eller uovervågede processer accelererede, “erfarede virksomheder, at de skal få interessenternes buy-in, med en sand forkæmper for AI i organisationens ledelsesteam,” siger Dan Simion , VP for AI og analyse hos Capgemini Americas.
En samordnet AI-udviklings- og implementeringsindsats kræver også “stærk styring, intern markedsføring i virksomheden og ordentlig træning for at sætte skub i yderligere adoption af AI-initiativerne på tværs af virksomhedens funktionelle områder,” tilføjer han. Nøglen er at kunne fremvise den værdifulde indsigt, der genereres af disse modeller,
I bestræbelserne på at gøre AI udbredt, “er virksomheder nu bevidste om kritiske faktorer såsom at identificere de rigtige rejser og brugssager, hvor AI-intervention kan have en forretningsmæssig effekt, operationalisere AI ved at etablere en AI-drift og -styringsmekanismer og blande den rigtige andel af datateknik og AI-talent,” siger Bhagavatheeswaran.
Fangsten er selvfølgelig, at mange af disse bestræbelser bliver undermineret af organisationspolitik eller simpel inerti. AI virker glamourøs og lovende, men accept og adoption tager tid. “Virksomheder bør planlægge den tid og indsats, der er nødvendig for at gennemføre træningssessioner, og løbende styrke brugen og fordelene ved AI-systemet i forhold til de traditionelle metoder,” rådgiver Nitin Aggarwal, vicepræsident for dataanalyse hos The Smart Cube. “At dele og fejre små og hyppige gevinster er en dokumenteret katalysator.”
AI skal også have et venligt ansigt, snarere end opfattelser af robotter, software eller andet, der tager tøjlerne i virksomheden. “Gør slutbrugergrænsefladen forretningsvenlig og intuitiv,” foreslår Aggarwal. “Jo lavere byrden det er for slutbrugeren at forstå indsigten i form af 'hvad så', jo større er chancerne for, at de rent faktisk bruger systemet.” Hvis det er muligt, råder han til at have et MLOps-team ved hånden “for at sikre, at de implementerede løsninger fortsætter med at fungere som forventet.”
Til dato er de områder af virksomheden, der har størst succes med AI, “dem med direkte forbindelser til kundeinteraktioner – såsom marketing og salg,” siger Simion. “Disse områder søger konstant at skabe omsætning og er mere åbne over for innovative nye metoder og taktikker til at forbedre effektiviteten, som AI tilbyder.” Aggarwal er enig og bemærker, at områder, der ser den største succes med AI, inkluderer “optimering af marketingmix, prissætning og promovering af ROI-forbedring, efterspørgselsprognose, CRM og hyper-personalisering.” På det seneste er AI's kraft dog også blevet tændt på områder som forsyningskæderisikostyring, tilføjer han.
AI er mere end teknologi – det er nye måder at tænke problemer og muligheder på. Alle skal have adgang til dette kraftfulde nye værktøj, opfordrer Simion. “Sørg for, at alle på tværs af virksomheden bruger den samme teknologistak, så hvert funktionsområde kan have adgang til de samme lektioner og indsigt. Konsistensen af teknologien og den værdi, den kan give, er det, der gør den største forskel.”
AI-adoption afhænger også af opfattelsen af, at det er retfærdigt og præcist, hvilket gør at bekæmpelse af AI-bias er en anden udfordring, som fortalere skal løse direkte. Start med dataene, fastslår Aggarwal. “Når AI-algoritmer lærer af data, så gør en bevidst indsats for at indsamle og fodre rigere data, som er korrigeret for bias og er ret repræsentative for alle klasser,” råder han.
I de fleste tilfælde, “når du implementerer AI-modeller i produktion i stor skala, har du automatiske værktøjer til at overvåge resultaterne i realtid,” siger Simion. “Når AI-modellerne er uden for deres forudindstillede grænser og grænser, er menneskelig indgriben nødvendig. Dette gøres for at sikre, at AI yder som forventet for at skabe effektivitet for virksomheden, og det er også gjort for at sikre eventuelle problemer med AI-bias eller tillid bliver fanget og rettet.”
Det er afgørende, at mennesker holdes i løkken, siger Aggarwal. “Nogle gange er menneskelig beslutningstagning sammen med algoritmen nyttig til at forstå forskellige svar og identificere eventuelle iboende fejl eller skævheder. Menneskelig dømmekraft kan bringe mere bevidsthed, kontekst, forståelse og forskningsevne til at vejlede retfærdig beslutningstagning. Debiasing bør ses som en løbende engagement.”
Som en del af dette kan virksomheder drage fordel af at etablere et “AI-governance-råd, der ikke kun gennemgår de forretningsresultater, der er påvirket af deres AI-initiativer, men også er ansvarlig for at forklare resultaterne af specifikke use cases når det er nødvendigt,” siger Bhagavatheeswaran.
IT-ledere og personale skal modtage mere træning og bevidsthed for også at afhjælpe AI-bias. “Det hænger også sammen med, hvordan personalepræstationer evalueres, og hvordan incitamenter er tilpasset,” siger Aggarwal. “Hvis oprettelse af det mest nøjagtige AI-system er nøgleresultatområdet for en dataforsker, er chancerne for, at du får et meget nøjagtigt system, men et, som måske ikke er det mest ansvarlige. På samme måde bør en vigtig uddannelse for alle medarbejdere være om, hvor man skal lede efter, og hvordan man kan opdage skævheder i AI, og derefter belønne teams, der er i stand til at finde og genkende fejl.”
Big Data Analytics | Digital transformation | CXO | Internet of Things | Innovation | Enterprise Software