Når det kommer til kunstig intelligens, ikke prøv å gå alene. IT-avdelinger, uansett hvor dyktige og klare utviklere og dataforskere måtte være, kan bare gå så langt forbi proofs of concept. Det krever folk – fra alle hjørner av bedriften og som jobber sammen – for å levere AI-suksess,
Foto: Joe McKendrick
Når vi diskuterer erfaringer om kunstig intelligens de siste årene, peker bransjeeksperter på behovet for å få folk fra hele bedriften med. «En rikelig mengde treningsdata og elastisk datakraft er ikke hjørnesteinene for vellykkede AI-implementeringer», sier Sreedhar Bhagavatheeswaran, global leder for Mindtree Consulting.
Den hjørnesteinen i AI-suksess er mennesker — ikke bare AI-ferdigheter, men involvering fra alle disipliner, fra markedsføring til supply chain management. I løpet av de siste årene – og spesielt i løpet av det siste året, ettersom behovet for automatiserte eller uovervåkede prosesser akselererte, “har bedrifter lært at de må få interessentinnkjøp, med en sann forkjemper for AI i organisasjonens lederteam,” sier Dan Simion , VP for AI og analyse i Capgemini Americas.
En samordnet AI-utviklings- og implementeringsinnsats trenger også “sterk styring, intern markedsføring i selskapet og riktig opplæring for å drive videre bruk av AI-initiativene på tvers av virksomhetens funksjonsområder,” legger han til. Nøkkelen er å kunne vise frem den verdifulle innsikten som genereres av disse modellene,
I arbeidet med å gjøre AI gjennomtrengende, “er bedrifter nå bevisste kritiske faktorer som å identifisere de riktige reisene og brukstilfeller der AI-intervensjon kan ha en forretningsmessig innvirkning, operasjonalisere AI ved å etablere en AI-drift og styringsmekanismer, og blande riktig andel av datateknikk og AI-talent,” sier Bhagavatheeswaran.
Haken er selvfølgelig at mange av disse anstrengelsene blir undergravd av organisasjonspolitikk, eller enkel treghet. AI virker glamorøs og lovende, men aksept og adopsjon tar tid. “Bedrifter bør planlegge for tiden og innsatsen som trengs for å gjennomføre treningsøkter, og kontinuerlig forsterke bruken og fordelene med AI-systemet fremfor de tradisjonelle metodene,” råder Nitin Aggarwal, visepresident for dataanalyse hos The Smart Cube. “Å dele og feire små og hyppige gevinster er en bevist katalysator.”
AI må også ha et vennlig ansikt, snarere enn oppfatninger av roboter, programvare eller annet, som tar styringen av selskapet. “Gjør sluttbrukergrensesnittet forretningsvennlig og intuitivt,” foreslår Aggarwal. “Jo lavere byrden det er på sluttbrukeren for å forstå innsikten i form av 'så hva', jo større er sjansen for at de faktisk bruker systemet.” Hvis mulig, anbefaler han å ha et MLOps-team tilgjengelig “for å sikre at de distribuerte løsningene fortsetter å fungere som forventet.”
Til dags dato er de områdene av virksomheten som har størst suksess med AI “de med direkte koblinger til kundeinteraksjoner – som markedsføring og salg,” sier Simion. “Disse områdene er hele tiden ute etter å generere inntekter, og er mer åpne for innovative nye metoder og taktikker for å forbedre effektiviteten, som AI tilbyr.” Aggarwal er enig, og bemerker at områder som ser mest suksess med AI inkluderer “markedsføringsmiksoptimalisering, priser og kampanjer ROI-forbedring, etterspørselsprognoser, CRM og hyperpersonalisering.” I det siste har imidlertid AIs kraft også blitt slått på områder som risikostyring i forsyningskjeden, legger han til.
AI er mer enn teknologi – det er nye måter å tenke på problemer og muligheter. Alle må ha tilgang til dette kraftige nye verktøyet, oppfordrer Simion. “Sørg for at alle på tvers av bedriften bruker samme teknologistabel, slik at hvert funksjonsområde kan ha tilgang til de samme leksjonene og innsiktene. Konsistensen av teknologien og verdien den kan gi er det som gjør den største forskjellen.”
AI-adopsjon avhenger også av oppfatninger om at det er rettferdig og nøyaktig, noe som gjør å bekjempe AI-bias er en annen utfordring som talsmenn må ta tak i. Start med dataene, fastslår Aggarwal. “Når AI-algoritmer lærer av data, gjør en bevisst innsats for å samle og mate rikere data, som er korrigert for skjevhet og er ganske representativ for alle klasser,” råder han.
I de fleste tilfeller, “når du distribuerer AI-modeller i produksjon i stor skala, har du automatiske verktøy for å overvåke resultatene i sanntid,” sier Simion. “Når AI-modellene er utenfor deres forhåndsinnstilte grenser og grenser, er menneskelig intervensjon nødvendig. Dette gjøres for å sikre at AI yter som forventet for å øke effektiviteten for virksomheten, og det er også gjort for å sikre eventuelle problemer med AI-bias eller tillit blir fanget og korrigert.”
Det er avgjørende at mennesker holdes i løkken, sier Aggarwal. “Noen ganger er menneskelig beslutningstaking ved siden av algoritmen nyttig for å forstå ulike svar og identifisere eventuelle iboende feil eller skjevheter. Menneskelig dømmekraft kan bringe inn mer bevissthet, kontekst, forståelse og forskningsevne for å veilede rettferdig beslutningstaking. Debiasing bør ses på som en pågående forpliktelse.”
Som en del av dette kan selskaper dra nytte av å etablere et “AI-styringsråd som vurderer ikke bare forretningsresultatene påvirket av deres AI-initiativer, men som også er ansvarlig for å forklare resultatene av spesifikke brukstilfeller når det trengs,” sier Bhagavatheeswaran.
IT-ledere og ansatte må få mer opplæring og bevissthet for å lindre AI-bias også. “Det er også knyttet til hvordan ansattes ytelse evalueres og hvordan insentiver er tilpasset,” sier Aggarwal. “Hvis det å lage det mest nøyaktige AI-systemet er nøkkelresultatområdet for en dataforsker, er sjansen stor for at du får et svært nøyaktig system, men ett som kanskje ikke er det mest ansvarlige. På samme måte bør en viktig opplæring være for alle ansatte. om hvor de skal se etter og hvordan de kan oppdage skjevheter i AI, og deretter belønne team som er i stand til å finne og gjenkjenne feil.”
Big Data Analytics | Digital transformasjon | CXO | Internet of Things | Innovasjon | Enterprise Software