Teknologier med kunstig intelligens har nået imponerende niveauer af adoption og ses som en konkurrencedygtig differentiator. Men der kommer et punkt, hvor en teknologi bliver så allestedsnærværende, at den ikke længere er en konkurrencedygtig differentiator – tænk på skyen. Fremover vil de organisationer, der får succes med AI, være dem, der anvender menneskelig innovation og forretningssans på deres AI-grundlag.
Foto: Joe McKendrick
Sådan er udfordringen identificeret i en undersøgelse udgivet af RELX, som viser brugen af kunstig intelligens-teknologier, i det mindste i USA, har nået 81 % af virksomhederne, en stigning på 33 procentpoint fra 48 % siden en tidligere RELX-undersøgelse i 2018. De er også positivt indstillet over for AI, der leverer varerne — 93 % rapporterer, at AI gør deres forretning mere konkurrencedygtig. Denne allestedsnærværelse kan være årsagen til, at 95 % også rapporterer, at det er en udfordring at finde færdighederne til at opbygge deres AI-systemer. Derudover kan disse systemer være potentielt fejlbehæftede: 75 % bekymrer sig om, at AI-systemer potentielt kan introducere risikoen for skævhed på arbejdspladsen, og 65 % indrømmer, at deres systemer er partiske.
Så der er stadig meget arbejde at gøre. Det kommer ned til de mennesker, der kan få AI til at ske, og at gøre det så retfærdigt og præcist som muligt.
“Mens mange AI- og machine learning-implementeringer mislykkes, er det i de fleste tilfælde et mindre problem med den faktiske teknologi og mere om miljøet omkring det,” siger Harish Doddi, CEO for Datatron. At flytte til AI “kræver de rigtige færdigheder, ressourcer og systemer.”
Det kræver en veludviklet forståelse af AI og ML for at levere synlige fordele til virksomheden. Selvom AI og ML har eksisteret i mange år, “skraber vi stadig knap i overfladen for at afdække deres sande evner,” siger Usman Shuja, general manager for forbundne bygninger for Honeywell. “Når det er sagt, er der mange værdifulde lektioner at hente fra andres fejltrin. Selvom det uden tvivl er sandt, at AI kan tilføje betydelig værdi til praktisk talt enhver afdeling på tværs af enhver virksomhed, er en af de største fejl, en virksomhed kan begå, at implementere AI til for at implementere AI uden en klar forståelse af den forretningsværdi, de håber at opnå.”
Derudover kræver AI dygtig forandringsledelse, fortsætter Shuja. “Du kan installere de mest avancerede AI-løsninger, der findes, men hvis dine medarbejdere ikke kan eller vil ændre deres adfærd for at tilpasse sig en ny måde at gøre tingene på, vil du ikke se nogen værdi.”
En anden udfordring er bias, som udtrykt af mange ledere i RELX-undersøgelsen. “Algorithmer kan nemt blive biased baseret på de mennesker, der skriver dem og de data, de leverer, og bias kan ske mere med ML, da det kan indbygges i basiskoden,” siger Shuja. “Selvom store mængder data kan sikre nøjagtighed, er det praktisk talt umuligt at have nok data til at efterligne virkelige anvendelsestilfælde.”
For eksempel illustrerer han, “hvis jeg undersøgte at rekruttere kollegiale atleter til mit professionelle lacrosse-hold, og jeg opdagede, at de fleste af de spillere, jeg hører om, er Texas Longhorns, kunne det få mig til at konkludere, at de bedste lacrosse-spillere deltager i University of Texas. Dette kan dog bare skyldes, at algoritmen har modtaget for mange data fra ét universitet, hvilket har skabt en bias.”
Den måde, dataene er sat op på, og hvem der sætter dem op, “kan utilsigtet snige skævhed ind i algoritmerne,” siger Shuja. “Virksomheder, der endnu ikke gennemtænker disse implikationer, er nødt til at sætte dette på forkant med deres AI- og ML-teknologibestræbelser for at bygge integritet ind i deres løsninger.”
Et andet problem er, at AI- og ML-modeller simpelthen bliver forældede for tidligt, som mange virksomheder fandt ud af, og fortsætter med at finde ud af det som følge af Covid- og forsyningskædeproblemer. “At have god dokumentation, der viser modellens livscyklus hjælper, men det er stadig utilstrækkeligt, når modeller bliver upålidelige,” siger Doddi, “AI-modelstyring hjælper med at bringe ansvarlighed og sporbarhed til maskinlæringsmodeller ved at få praktikere til at stille spørgsmål som “Hvad var de tidligere versioner” synes godt om?' og 'Hvilke inputvariabler kommer ind i modellen?''”
Governance er nøglen. Under udvikling, forklarer Doddi, “ML-modeller er bundet af visse antagelser, regler og forventninger. Når først de er implementeret i produktionen, kan resultaterne afvige væsentligt fra resultaterne i udviklingsmiljøer. Det er her, styring er afgørende, når en model er operationaliseret. Der skal være en måde at holde styr på forskellige modeller og versioner.”
I nogle tilfælde med AI, “less is more,” siger Shuja. “AI har tendens til at være mest succesfuld, når den er parret med modne, velformaterede data. Dette er for det meste inden for IT/virksomhedsdata, såsom med CRM, ERP og marketing. Men når vi bevæger os ind i områder, hvor data er mindre sammenhængende, såsom med operationel teknologidata, er det her, at opnå AI-succes bliver en smule mere udfordrende. Der er et enormt behov for skalerbar AI i et industrielt miljø, for eksempel ved at bruge AI til at reducere energiforbruget i en bygning eller et industrianlæg — et område med stort potentiale for kunstig intelligens. En dag snart vil hele virksomheder — fra fabriksgulvet til bestyrelseslokalet — være forbundet; konstant at lære og forbedre fra de data, det behandler. Dette vil være den næste store milepæl for kunstig intelligens i virksomheden.”
Enterprise Software | Digital transformation | CXO | Internet of Things | Innovation | Smarte byer