Artificiell intelligens har nått imponerande nivåer av användning och ses som en konkurrenskraftig skillnad. Men det kommer en punkt när en teknik blir så allestädes närvarande att den inte längre är en konkurrenskraftig skillnad – tänk på molnet. Framöver kommer de organisationer som lyckas med AI att vara de som tillämpar mänsklig innovation och affärssinne på sina AI-grunder.
Foto: Joe McKendrick
Sådan är utmaningen som identifierats i en studie släppt av RELX, som visar att användningen av AI-teknik, åtminstone i USA, har nått 81 % av företagen, en ökning med 33 procentenheter från 48 % sedan en tidigare RELX-undersökning 2018. De är också hausse på AI som levererar varorna — 93 % rapporterar att AI gör deras verksamhet mer konkurrenskraftig. Denna utbredd kan vara anledningen till att 95 % också rapporterar att det är en utmaning att hitta färdigheter för att bygga ut sina AI-system. Dessutom kan dessa system vara potentiellt felaktiga: 75 % oroar sig för att AI-system potentiellt kan introducera risken för partiskhet på arbetsplatsen, och 65 % erkänner att deras system är partiska.
Så det återstår mycket arbete att göra. Det handlar om människorna som kan få AI att hända, och att göra det så rättvist och korrekt som möjligt.
“Medan många implementeringar av AI och maskininlärning misslyckas, är det i de flesta fall ett mindre problem med den faktiska tekniken och mer om miljön runt den”, säger Harish Doddi, VD för Datatron. Att flytta till AI “kräver rätt kompetens, resurser och system.”
Det krävs en väl utvecklad förståelse för AI och ML för att leverera synliga fördelar för verksamheten. Även om AI och ML har funnits i många år, “skrapar vi fortfarande knappt på ytan för att avslöja deras verkliga kapacitet”, säger Usman Shuja, chef för uppkopplade byggnader för Honeywell. “Som sagt, det finns många värdefulla lärdomar att dra av andras felsteg. Även om det är sannolikt att AI kan tillföra ett betydande värde till praktiskt taget alla avdelningar i alla företag, är ett av de största misstagen ett företag kan göra att implementera AI för för att implementera AI, utan en tydlig förståelse för det affärsvärde de hoppas uppnå.”
Dessutom kräver AI skicklig förändringshantering, fortsätter Shuja. “Du kan installera de mest avancerade AI-lösningarna som finns tillgängliga, men om dina anställda inte kan eller vill ändra sina beteenden för att anpassa sig till ett nytt sätt att göra saker, kommer du inte att se något värde.”
En annan utmaning är partiskhet, vilket uttrycks av många chefer i RELX-undersökningen. “Algorithmer kan lätt bli partiska baserat på personerna som skriver dem och den data de tillhandahåller, och bias kan hända mer med ML eftersom det kan byggas in i baskoden”, säger Shuja. “Även om stora mängder data kan säkerställa noggrannhet, är det praktiskt taget omöjligt att ha tillräckligt med data för att efterlikna verkliga användningsfall.”
Han illustrerar till exempel, “om jag funderade på att rekrytera kollegiala idrottare till mitt professionella lacrosselag, och jag upptäckte att de flesta av spelarna jag hör talas om är Texas Longhorns, kan det få mig att dra slutsatsen att de bästa lacrossespelarna deltar i University of Texas. Detta kan dock bara bero på att algoritmen har tagit emot för mycket data från ett universitet, vilket skapar en bias.”
Hur data är inställd och vem som ställer in den “kan oavsiktligt smyga in partiskhet i algoritmerna”, säger Shuja. “Företag som ännu inte tänker igenom dessa implikationer måste sätta detta i förgrunden för sina AI- och ML-teknikansträngningar för att bygga in integritet i sina lösningar.”
En annan fråga är att AI- och ML-modeller helt enkelt blir föråldrade för tidigt, vilket många företag fick reda på, och fortsätter att ta reda på det som ett resultat av Covid- och leveranskedjeproblem. “Att ha bra dokumentation som visar modellens livscykel hjälper, men det är fortfarande otillräckligt när modellerna blir opålitliga”, säger Doddi, “AI-modellstyrning hjälper till att skapa ansvarighet och spårbarhet till maskininlärningsmodeller genom att låta utövare ställa frågor som “Vad var de tidigare versionerna tycka om?' och 'Vilka indatavariabler kommer in i modellen?''”
Styrning är nyckeln. Under utveckling, förklarar Doddi, “ML-modeller är bundna av vissa antaganden, regler och förväntningar. När de väl har implementerats i produktionen kan resultaten skilja sig avsevärt från resultaten i utvecklingsmiljöer. Det är här styrningen är avgörande när en modell är operationaliserad. Det måste vara ett sätt att hålla reda på olika modeller och versioner.”
I vissa fall med AI, “less is more”, säger Shuja. “AI tenderar att vara mest framgångsrik när den paras ihop med mogna, välformaterade data. Detta är mestadels inom området för IT/företagsdata, som med CRM, ERP och marknadsföring. Men när vi flyttar till områden där data är mindre sammanhängande, till exempel med operationsteknologidata, det är här det blir lite mer utmanande att uppnå AI-framgång. Det finns ett enormt behov av skalbar AI i en industriell miljö, till exempel att använda AI för att minska energiförbrukningen i en byggnad eller industrianläggning — ett område med stor potential för AI. En dag snart kommer hela företag — från fabriksgolvet till styrelserummet — att vara anslutna; ständigt lära sig och förbättras från den data den bearbetar. Detta kommer att bli nästa stora milstolpe för AI i företaget.”
Företagsprogramvara | Digital transformation | CXO | Internet of Things | Innovation | Smarta städer