I CIO di oggi devono garantire che le loro organizzazioni dispongano di un'infrastruttura “AI-ready” in grado di supportare dati e applicazioni relativi all'AI.
Che cos'è un'azienda AI-first?
Può essere un'azienda esistente che inizia a mettere l'IA all'inizio di ogni conversazione, in cima all'agenda di ogni riunione, oppure può essere una nuova azienda focalizzata e strategica nel raccogliere i dati giusti, inserendoli nei sistemi giusti, costruendo prodotti con valore predittivo.
Questo è ciò che è un'azienda AI-first: un'azienda che ha l'imperativo di costruire questi sistemi e ha la necessità di concentrarsi su questo fin dal primo giorno, in modo da avere i dati giusti nel posto giusto che alimentano i modelli giusti. Piuttosto che provare in seguito a cospargere l'intelligenza artificiale sui dati che hai raccolto accidentalmente.
Le implicazioni sono un focus sulla gestione dei dati, la raccolta dei dati e il talento dei dati o il talento competente per i dati quando si pensa al budget, dove focalizzare la propria attenzione.
Informazioni sugli investimenti nell'infrastruttura dei dati
Quando sei davvero concentrato sulla raccolta di dati, quali sono tutti i modi strani e meravigliosi in cui puoi raccogliere quei dati? Come gestite, ad esempio, un'operazione di etichettatura dei dati? È una sfida abbastanza nuova. Non è una funzione che esisteva in passato.
Quando assumi persone, qual è la differenza tra un product manager e un data product manager? Qual è la differenza tra un ingegnere del software e un ingegnere dei dati? Qual è la differenza tra un project manager e un data project manager? Sono ruoli diversi che assumi con background diversi.
C'è anche una serie di domande organizzative da porre. Come scegli il giusto grado di centralizzazione e decentralizzazione nella tua organizzazione? Come si centralizza abbastanza da disporre di una buona infrastruttura di dati e di un buon set di strumenti che le persone possono utilizzare per creare modelli in tutta l'organizzazione?
Inoltre, come mantieni un grado di decentralizzazione, in modo che i talenti della scienza dei dati e dell'apprendimento automatico siano sul campo e comprendano i problemi di previsione che la tua azienda ha? Fuori sul campo con le persone con gli appunti, controllando le cose su una lista di controllo di sicurezza o un inventario in un magazzino o quant'altro. Capiscono quali dati sono disponibili, cosa stanno cercando di fare le persone, cosa le persone stanno cercando di automatizzare e così via. Questa è una questione organizzativa.
Poi ci sono anche, infine, metriche e misurazioni. In che modo le metriche differiscono per un'azienda basata sull'intelligenza artificiale rispetto a una normale azienda di software? Come si misura realmente il ritorno sull'investimento nei progetti di intelligenza artificiale? Come si fa a capire se questi modelli funzionano? Allora, come ti assicuri che restino sotto controllo?
Il ruolo del CIO nell'IA aziendale
Il ruolo di un CIO cambia notevolmente quando si pensa all'allocazione del capitale all'infrastruttura dei dati, alla raccolta dei dati e al talento dei dati. Cambia rispetto a come gestisci o strutturi l'organizzazione e cambia rispetto alle tue metriche e a ciò che misuri.
Ci sono così tante sfumature intorno al grado in cui ti concentri su questo, a seconda di dove ti trovi nel tuo viaggio. A seconda che tu stia solo sperimentando alcuni modelli da testare, ad esempio, possiamo effettivamente fare una previsione sulla domanda per le cose che stiamo vendendo, la domanda per l'abbigliamento che venderemo la prossima stagione? Possiamo fare una previsione su una tendenza in questo settore con i nostri consumatori, se acquisteranno questo o quel colore la prossima stagione? Possiamo fare una previsione su questo tempo di consegna nella nostra catena di approvvigionamento?
Sei in questa fase, in cui stai sperimentando e cercando di imparare dai dati che hai? La misura in cui investi nella raccolta dei dati, nell'infrastruttura dei dati e nei diversi modelli di apprendimento automatico è molto diversa rispetto a dopo aver eseguito quegli esperimenti, sei sicuro di poter fare queste previsioni e vuoi raddoppiare.
Che cos'è “Lean AI”?
L'avvio snello consisteva nel vincolare il mio problema e il mio esperimento per capire se i clienti desiderano una funzionalità di un prodotto e per capire se la necessità è davvero presente.
Lean AI vincola l'esperimento per verificare se i clienti vogliono, o apprezzeranno, una previsione o un po' di automazione.
Ci sono una serie di domande che ti aiutano a capire:
Qual è l'unico set di dati di cui ho bisogno in modo che l'esperimento non richieda, ad esempio, di ottenere molti dati da molti luoghi diversi? Qual è l'unico modello che posso usare? Spesso è un modello statistico molto semplice piuttosto che avere una rete di modelli di apprendimento automatico che sono tutti interconnessi in modo complicato. Qual è l'unica macchina su cui posso eseguirlo? È sufficiente eseguirlo prima sul laptop di qualcuno anziché distribuirlo sull'intera infrastruttura informatica.
Qual è l'unico output che posso ottenere che sarà utile alle persone, che si tratti di un grafico, di un report di una pagina o di una tabella di dati per informazione?
Intelligenza Artificiale
Honda sta preparando robot, viaggi aerei elettrici, tecnologia lunare per il 2030 Questa intelligenza artificiale misura il tempo di conversazione durante le riunioni per renderle più produttive Come entrare nel mondo connesso con dati e intelligenza artificiale Che cos'è l'intelligenza artificiale? Tutto ciò che devi sapere sull'intelligenza artificiale
Questo processo di intelligenza artificiale snella è un modo per aggiornarti rapidamente, facendo almeno un esperimento che ti aiuterà a capire dove investire in seguito.
CXOTalk presenta conversazioni approfondite con le persone che plasmano il nostro mondo. Grazie alla mia ricercatrice senior, Sumeye Dalkilinc, per la sua assistenza con questo post.
Argomenti correlati:
Intelligenza artificiale Trasformazione digitale Innovazione Pensiero Leadership Settore tecnologico 