Dagens CIO'er skal sikre, at deres organisationer har en “AI-klar” infrastruktur, der kan understøtte data og applikationer relateret til AI.
Hvad er en AI-first virksomhed?
Det kan være en eksisterende virksomhed, der begynder at sætte AI i starten af hver samtale, øverst på deres dagsorden i hvert møde, eller det kan være en ny virksomhed, der er fokuseret og strategisk omkring at indsamle rigtige data, indføring i de rigtige systemer, opbygning af produkter med forudsigelsesværdi.
Det er, hvad en AI-first-virksomhed er: en virksomhed, der får det bydende nødvendigt at bygge disse systemer og får behovet for at fokusere på dette fra dag ét, så du har de rigtige data på det rigtige sted, der føder sig til de rigtige modeller. I stedet for senere at forsøge at sprøjte AI over data, som du ved et uheld har indsamlet.
Implikationerne er fokus på datahåndtering, dataindsamling og datatalent eller datakompetent talent, når du tænker på budgettering, hvor du skal fokusere din opmærksomhed.
Om investering i datainfrastruktur
Når du virkelig er fokuseret på at indsamle data, hvad er alle de underlige og vidunderlige måder, du kan indsamle disse data på? Hvordan administrerer du f.eks. En datamærkning? Det er en helt ny udfordring. Det er ikke en funktion, der har eksisteret tidligere.
Når du ansætter folk, hvad er forskellen mellem en produktchef og en dataproduktleder? Hvad er forskellen mellem en softwareingeniør og en dataingeniør? Hvad er forskellen mellem en projektleder og en dataprojektleder? Det er forskellige roller, du ansætter fra forskellige baggrunde.
Der er også en række organisatoriske spørgsmål at stille. Hvordan vælger du den rigtige grad af centralisering og decentralisering i din organisation? Hvordan centraliserer du nok, så du har en god datainfrastruktur, du har et godt sæt værktøjer, som folk kan bruge til at bygge modeller i hele din organisation?
Hvordan vedligeholder du også en grad af decentralisering, så datavidenskab og talent for maskinlæring er ude i felten og forstår de forudsigelsesproblemer, din virksomhed har? Ude i marken med folkene med udklipsholderen, tjekke tingene af på en sikkerhedstjekliste eller beholdning på et lager eller hvad ikke mere. De forstår, hvilke data der er tilgængelige, hvad folk forsøger at gøre, hvad folk forsøger at automatisere osv. Det er et organisatorisk spørgsmål.
Så er der også endelig målinger og målinger. Hvordan adskiller metrics sig for et AI-first-selskab versus et normalt softwarefirma? Hvordan måler du virkelig afkastet af investeringer i AI -projekter? Hvordan forstår du, om disse modeller fungerer? Hvordan sørger du så for, at de forbliver i skak?
Om CIO -rollen i virksomhedens AI
CIO's rolle ændrer sig i nogen grad, når du tænker på kapitalallokering til datainfrastruktur, dataindsamling og datatalent. Det ændrer sig med hensyn til, hvordan du administrerer eller strukturerer organisationen, og det ændres med hensyn til dine metrics og hvad du måler.
Der er så mange nuancer omkring, i hvilken grad du fokuserer på dette, afhængigt af hvor du er på din rejse. Afhængigt af om du bare eksperimenterer med et par modeller for at teste, kan vi f.eks. Faktisk forudsige efterspørgslen efter det, vi sælger, efterspørgslen efter det tøj, vi sælger i næste sæson? Kan vi komme med en forudsigelse om en trend i denne branche med vores forbrugere, om de vil købe denne eller den farve i næste sæson? Kan vi komme med en forudsigelse omkring denne leveringstid i vores forsyningskæde?
Er du på dette stadie, hvor du eksperimenterer og forsøger at lære af de data, du har? I hvilken grad du investerer i dataindsamling, datainfrastruktur og maskinlæring forskellige modeller er meget anderledes end efter at du har lavet disse eksperimenter, er du sikker på, at du kan lave disse forudsigelser, og du vil fordoble.
Hvad er “Lean AI”?
Lean Startup handlede om at begrænse mit problem og mit eksperiment til at forstå, om kunderne ønsker en funktion af et produkt og forstå, om behovet virkelig er der.
Lean AI begrænser eksperimentet til at teste, om kunderne ønsker, eller vil de værdsætte, en forudsigelse eller lidt automatisering.
Der er en række spørgsmål, der hjælper dig med at finde ud af:
Hvad er det eneste datasæt, jeg har brug for, så eksperimentet f.eks. Ikke kræver at få masser af data fra mange forskellige steder? Hvilken model kan jeg bruge? Ofte er det en meget enkel statistisk model frem for at have et netværk af maskinlæringsmodeller, der alle er sammenkoblet på en kompliceret måde. Hvad er den ene maskine, jeg kan køre den på? Bare kør den på en bærbar computer først i stedet for at distribuere på tværs af hele computerinfrastrukturen.
Hvad er den ene output jeg kan få, som vil være nyttig for folk, uanset om det er et diagram, en en-siders rapport eller en tabel med data til Information?
Kunstig intelligens
Honda forbereder robotter, elektrisk flyrejser, måneteknologi til 2030 Denne AI måler din taletid under møder for at gøre dem mere produktive Sådan slutter du dig til den forbundne verden med data og AI Hvad er AI? Alt hvad du har brug for at vide om kunstig intelligens
Denne Lean AI -proces er en måde, hvorpå du hurtigt kan komme i gang med at lave mindst ét eksperiment, der hjælper dig med at finde ud af, hvor du skal investere næste gang.
CXOTalk præsenterer dybdegående samtaler med mennesker, der former vores verden. Tak til min seniorforsker, Sumeye Dalkilinc, for hendes hjælp med dette indlæg.
Relaterede emner:
Kunstig intelligens Digital transformation Innovation Tankeledelse Teknologiindustrien 