Teknologier for kunstig intelligens har nådd imponerende nivåer av adopsjon, og blir sett på som en konkurransedyktig differensiator. Men det kommer et punkt når en teknologi blir så allestedsnærværende at den ikke lenger er en konkurransedyktig differensiator – tenk på skyen. Fremover vil de organisasjonene som lykkes med AI være de som bruker menneskelig innovasjon og forretningssans på AI-grunnlaget.
Foto: Joe McKendrick
Slik er utfordringen identifisert i en studie utgitt av RELX, som viser at bruk av AI-teknologier, i det minste i USA, har nådd 81 % av bedriftene, opp 33 prosentpoeng fra 48 % siden en tidligere RELX-undersøkelse i 2018. De er også positiv på AI som leverer varene — 93 % rapporterer at AI gjør virksomheten deres mer konkurransedyktig. Denne allestedsnærværelsen kan være årsaken til at 95 % også rapporterer at det er en utfordring å finne ferdighetene til å bygge ut AI-systemene deres. Dessuten kan disse systemene være potensielt defekte: 75 % bekymrer seg for at AI-systemer potensielt kan introdusere risikoen for skjevhet på arbeidsplassen, og 65 % innrømmer at systemene deres er partiske.
Så det er fortsatt mye arbeid å gjøre. Det kommer ned til menneskene som kan få AI til å skje, og gjøre det så rettferdig og nøyaktig som mulig.
“Selv om mange AI- og maskinlæringsimplementeringer mislykkes, er det i de fleste tilfeller et mindre problem med den faktiske teknologien og mer om miljøet rundt den,” sier Harish Doddi, administrerende direktør i Datatron. Å flytte til AI “krever de riktige ferdighetene, ressursene og systemene.”
Det krever en velutviklet forståelse av AI og ML for å levere synlige fordeler til virksomheten. Mens AI og ML har eksistert i mange år, “skraper vi fortsatt knapt i overflaten for å avdekke deres sanne evner,” sier Usman Shuja, daglig leder for tilkoblede bygninger for Honeywell. “Når det er sagt, er det mange verdifulle lærdommer å hente fra andres feiltrinn. Selv om det uten tvil er sant at AI kan tilføre betydelig verdi til praktisk talt enhver avdeling på tvers av enhver virksomhet, er en av de største feilene en bedrift kan gjøre å implementere AI for for å implementere AI, uten en klar forståelse av forretningsverdien de håper å oppnå.”
I tillegg krever AI dyktig endringsledelse, fortsetter Shuja. “Du kan installere de mest banebrytende AI-løsningene som er tilgjengelige, men hvis de ansatte ikke kan eller vil endre atferden for å tilpasse seg en ny måte å gjøre ting på, vil du ikke se noen verdi.”
En annen utfordring er skjevhet, som uttrykt av mange ledere i RELX-undersøkelsen. “Algorithmer kan lett bli partiske basert på personene som skriver dem og dataene de gir, og skjevheter kan skje mer med ML ettersom det kan bygges inn i basiskoden,” sier Shuja. “Selv om store mengder data kan sikre nøyaktighet, er det praktisk talt umulig å ha nok data til å etterligne brukstilfeller i den virkelige verden.”
For eksempel illustrerer han, “hvis jeg så på å rekruttere kollegiale idrettsutøvere til mitt profesjonelle lacrosse-team, og jeg oppdaget at de fleste spillerne jeg hører om er Texas Longhorns, kan det føre til at jeg konkluderer med at de beste lacrosse-spillerne deltar på University of Texas. Dette kan imidlertid bare skyldes at algoritmen har mottatt for mye data fra ett universitet, og dermed skaper en skjevhet.”
Måten dataene er satt opp og hvem som setter dem opp “kan utilsiktet snike skjevhet inn i algoritmene,” sier Shuja. “Bedrifter som ennå ikke tenker gjennom disse implikasjonene, må sette dette i forkant av deres AI- og ML-teknologiarbeid for å bygge integritet inn i løsningene deres.”
Et annet problem er at AI- og ML-modeller rett og slett blir utdaterte for tidlig, som mange selskaper fant ut, og fortsetter å finne ut som et resultat av Covid- og forsyningskjedeproblemer. “Å ha god dokumentasjon som viser modellens livssyklus hjelper, men det er fortsatt utilstrekkelig når modeller blir upålitelige,” sier Doddi, “AI-modellstyring hjelper til med å bringe ansvarlighet og sporbarhet til maskinlæringsmodeller ved å la utøvere stille spørsmål som 'Hva var de tidligere versjonene som?' og «Hvilke inngangsvariabler kommer inn i modellen?''”
Styring er nøkkelen. Under utvikling, forklarer Doddi, “ML-modeller er bundet av visse antakelser, regler og forventninger. Når de er implementert i produksjon, kan resultatene avvike betydelig fra resultatene i utviklingsmiljøer. Det er her styring er avgjørende når en modell er operasjonalisert. Det må være en måte å holde styr på ulike modeller og versjoner.”
I noen tilfeller med AI, “less is more,” sier Shuja. “AI har en tendens til å være mest vellykket når den er sammenkoblet med modne, godt formaterte data. Dette er for det meste innenfor IT/bedriftsdata, for eksempel med CRM, ERP og markedsføring. Men når vi beveger oss inn i områder der data er mindre sammenhengende, for eksempel med operasjonell teknologidata, det er her det blir litt mer utfordrende å oppnå AI-suksess. Det er et enormt behov for skalerbar AI i et industrielt miljø, for eksempel ved å bruke AI for å redusere energiforbruket i en bygning eller et industrianlegg — et område med stort potensiale for AI. En dag snart vil hele virksomheter — fra fabrikkgulvet til styrerommet — være koblet sammen; stadig lære og forbedre fra dataene den behandler. Dette vil være den neste store milepælen for AI i bedriften.”
Enterprise Software | Digital transformasjon | CXO | Internet of Things | Innovasjon | Smarte byer