De CIO's van vandaag moeten ervoor zorgen dat hun organisaties een “AI-ready” infrastructuur hebben die gegevens en applicaties met betrekking tot AI kan ondersteunen.
Wat is een AI-first bedrijf?
Het kan een bestaand bedrijf zijn dat AI aan het begin van elk gesprek begint te plaatsen, bovenaan de agenda van elke vergadering, of het kan een nieuw bedrijf zijn dat gefocust en strategisch is in het verzamelen van de juiste data, invoeren in de juiste systemen, producten bouwen met voorspellende waarde.
Dat is wat een AI-first bedrijf is: een bedrijf dat de noodzaak krijgt om deze systemen te bouwen en de noodzaak krijgt om zich hier vanaf dag één op te focussen, zodat je de juiste data op de juiste plaats hebt die in de juiste modellen worden ingevoerd. In plaats van later te proberen AI te strooien over gegevens die u per ongeluk hebt verzameld.
De implicaties zijn een focus op databeheer, dataverzameling en datatalent of datacompetent talent als je nadenkt over budgettering, waar je je aandacht op moet richten.
Over investeren in data-infrastructuur
Als je echt gefocust bent op het verzamelen van gegevens, wat zijn dan alle rare en prachtige manieren waarop je die gegevens kunt verzamelen? Hoe manage je bijvoorbeeld een data labeling operatie? Het is een hele nieuwe uitdaging. Het is geen functie die in het verleden bestond.
Als u mensen in dienst neemt, wat is dan het verschil tussen een productmanager en een dataproductmanager? Wat is het verschil tussen een software-engineer en een data-engineer? Wat is het verschil tussen een projectmanager en een dataprojectmanager? Het zijn verschillende rollen die je aanneemt vanuit verschillende achtergronden.
Er is ook een reeks organisatorische vragen te stellen. Hoe kiest u de juiste mate van centralisatie en decentralisatie in uw organisatie? Hoe centraliseer je voldoende zodat je een goede data-infrastructuur hebt, je een goede set tools hebt die mensen kunnen gebruiken om modellen in je hele organisatie te bouwen?
En hoe handhaaf je een zekere mate van decentralisatie, zodat datawetenschap en machine learning-talent in het veld de voorspellingsproblemen van je bedrijf begrijpen? Op pad met de mensen met klemborden, dingen afvinken op een veiligheidschecklist of inventaris in een magazijn of zo. Ze begrijpen welke gegevens beschikbaar zijn, wat mensen proberen te doen, wat mensen proberen te automatiseren, enzovoort. Dat is een organisatorische vraag.
Dan zijn er ook, ten slotte, metrische gegevens en metingen. Hoe verschillen de statistieken voor een AI-first bedrijf versus een normaal softwarebedrijf? Hoe meet je echt het rendement op investering in AI-projecten? Hoe weet je of deze modellen werken? Hoe zorg je er dan voor dat ze onder controle blijven?
Over de rol van CIO in enterprise AI
De rol van een CIO verandert nogal als je denkt aan kapitaaltoewijzing aan data-infrastructuur, dataverzameling en datatalent. Het verandert met betrekking tot hoe u de organisatie beheert of structureert, en het verandert met betrekking tot uw statistieken en wat u meet.
Er is zoveel nuance in de mate waarin je je hierop concentreert, afhankelijk van waar je je bevindt in je reis. Kunnen we, afhankelijk van of je alleen maar experimenteert met een paar modellen om te testen, een voorspelling doen over de vraag naar het ding dat we verkopen, de vraag naar de kleding die we volgend seizoen verkopen? Kunnen we bij onze consumenten een voorspelling doen over een trend in deze branche, of ze volgend seizoen deze of gene kleur gaan kopen? Kunnen we een voorspelling doen rond deze levertijd in onze supply chain?
Bevindt u zich in dit stadium waarin u aan het experimenteren bent en probeert te leren van de gegevens die u heeft? De mate waarin je investeert in dataverzameling, data-infrastructuur en machine learning van verschillende modellen is heel anders dan nadat je die experimenten hebt gedaan, je zeker weet dat je deze voorspellingen kunt doen en je wilt verdubbelen.
Wat is “Lean AI”?
De Lean Startup ging over het beperken van mijn probleem en mijn experiment om te begrijpen of klanten een functie van een product willen en om te begrijpen of de behoefte er echt is.
Lean AI beperkt het experiment om te testen of klanten een voorspelling of een beetje automatisering willen of zullen waarderen.
Er zijn een aantal vragen die je helpen erachter te komen:
Wat is de enige dataset die ik nodig heb, zodat het experiment bijvoorbeeld niet nodig is om veel gegevens van veel verschillende plaatsen te krijgen? Wat is het enige model dat ik kan gebruiken? Vaak is het een heel eenvoudig statistisch model in plaats van een netwerk van machine learning-modellen die allemaal op een gecompliceerde manier met elkaar verbonden zijn. Op welke machine kan ik het gebruiken? Voer het gewoon eerst op iemands laptop uit in plaats van het over de hele computerinfrastructuur te verspreiden.
Wat is de enige output die ik kan krijgen die nuttig zal zijn voor mensen, of het nu een grafiek is, een rapport van één pagina of een tabel met gegevens voor informatie?
Kunstmatige intelligentie
Honda bereidt robots, elektrisch vliegen en maantechnologie voor op 2030 Deze AI meet je spreektijd tijdens vergaderingen om ze productiever te maken Hoe sluit je je aan bij de verbonden wereld met data en AI Wat is AI? Alles wat u moet weten over kunstmatige intelligentie
Dit Lean AI-proces is een manier om snel aan de slag te gaan door ten minste één experiment uit te voeren dat u zal helpen erachter te komen waar u vervolgens kunt investeren.
CXOTalk presenteert diepgaande gesprekken met mensen die onze wereld vormgeven. Dank aan mijn senior onderzoeker, Sumeye Dalkilinc, voor haar hulp bij dit bericht.
Verwante onderwerpen:
Kunstmatige intelligentie Digitale transformatie Innovatie Gedachte Leiderschap Tech-industrie 