Hver virksomhed, der er sin vægt værd, er indstillet på at opnå praktisk og skalerbar kunstig intelligens og maskinlæring. Men det hele er meget lettere sagt end gjort – hvilket AI-ledere inden for nogle af de mest informationsintensive virksomheder kan bevidne. For at få mere perspektiv på udfordringerne ved at opbygge en AI-drevet organisation, tog vi fat i Jing Huang, seniordirektør for ingeniørvidenskab og maskinlæring hos Momentive (tidligere SurveyMonkey). hvem delte lektionerne, der blev lært, da AI og ML udrulles…
Foto: Joe McKendrick
Sp: AI og maskinlæringsinitiativer har været undervejs i flere år nu . Hvilke erfaringer har virksomheder lært med hensyn til den mest produktive indførelse og implementering?
Huang: “Maskinlæringsprojekter er meget mere komplicerede og større end ML-modelalgoritmer, så vær klar til at bygge et robust team til at tage sig af maskinlæringsoperationer. Det er ekstremt svært at bemande et maskinlæringshold i verdensklasse. ML-talentet med erfaring er i høj efterspørgsel. En mulighed er at tilbyde træning og opbygge en kultur, der fremmer interne overførsler; nogle gange kan det at vokse holdet internt være nøglen til at opbygge et effektivt ML-team.”
“Før du bygger noget væsentligt, skal du sørge for at undersøge, hvor flaskehalsene i maskinlæringsproduktionspipelinen er. Mens du beslutter dig for build versus køb, når du køber en løsning til at fremskynde dine AI/ML-kapaciteter, skal du sørge for, at den løsning, du vælger, kan være tilpasset, opskaleret og let integreret med dine produktapplikationer.”
Sp: Hvilke teknologier eller teknologiske tilgange gør den største forskel?
Huang: “Fra et bredere brancheperspektiv er maskinoversættelse og informationssøgning generelt forbedret dramatisk efter at have vedtaget dyb læring. For eksempel ser vi hos Momentive en stor forskel på ML-løsninger, der hjælper kunder med at finde relevant og handlingsvenlig information gennem enorme mængder svardata uden besvær.”
Sp: Køres de fleste AI-initiativer internt eller understøttes af eksterne tjenester/parter (såsom cloud-udbydere eller MSP'er)?
Huang: “Afhængigt af use casen og organisationen er kravene til AI-initiativer ret forskellige. Nogle af dem giver mere mening til at udnytte eksterne tjenester, nogle af dem skal køres internt. Generelt ser vi mere adoption af tredje -partstjenester til use cases, der er uafhængige og ikke behøver at integreres tæt med produktionssystemer. Hvorimod vi ser mere vellykkede hjemmelavede løsninger til use cases, der skal integreres tæt med produktionssystemer.”
< stærk>Spørgsmål: Hvor langt er virksomhedens indsats for at opnå retfærdighed og eliminere skævhed i AI-resultater?
Huang: “Feldet som helhed lærer stadig 00 ingen har alle svarene. Med det sagt, bevidstheden om virkningen af bias i AI er steget i de senere år, og der sker fremskridt. Der er en stigende indsats for at finde løsninger til at mindske risikoen for bias i AI, og diskussioner om bias og fairness i ML er blevet en ny norm i både forskning og industri.”
Q: Gør virksomheder nok for regelmæssigt at gennemgå deres AI-resultater? Hvad er den bedste måde at gøre dette på?
Huang: “Der vil altid være menneskelige skævheder – det er der ingen vej væk fra – men én ting, vi har gjort, er at sørge for, at de mennesker, der arbejder på dette er fra en række forskellige baggrunde for at give en bred repræsentation og også føle sig inkluderet. Det betyder inklusion, ikke kun mangfoldighed, for at fremhæve alle de forskellige slags bekymringer, der kan være på spil.”
< stærk>Spørgsmål: Bør it-ledere og personale modtage mere træning og bevidsthed for at afhjælpe AI-bias?
Huang: “Undersøgelsen af bias i AI og afbødninger heraf er ret ny sammenlignet med computervidenskabens historie, for ikke at sige sammenlignet med menneskets historie. Universiteter som Stanford og MIT begyndte at inkorporere emner om etisk AI i deres AI-kurser. Den generelle antagelsen er, at jo mere senior IT-lederne er, jo mere kan de drage fordel af uddannelse, der dækker den seneste udvikling på dette område.Vi har inviteret AI-eksperter og praktikere fra den akademiske verden og industrien til at dele deres erfaringer og viden med vores lederteam og alle medarbejdere i en kvartalsvis kadence.”
Sp: Hvilke områder af organisationen oplever størst succes med kunstig intelligens?
Huang: “Det afhænger. Normalt er det områderne, hvor historiske data er gemt og kan være let tilgængeligt. Tingene begyndte at ændre sig, efter at deep learning-teknologi blev mere udbredt, hvor syntetiske data og modstridende træning spillede en mere og mere vigtig rolle.”
“Der er mange forskellige dele af en organisation, der kan implementere AI med succes. For eksempel kan IT-organisationen i virksomheden bruge ML/AI-teknologi til at forbedre effektiviteten af forretningsprocesser, finansorganisationen kan udnytte ML/AI for at give mere nøjagtige prognoser, kan virksomheden indbygge ML/AI-løsninger i sit produktudbud for at forbedre kundeoplevelser og så videre.”
Enterprise Software | Digital transformation | CXO | Internet of Things | Innovation | Smarte byer