Varje företag som är värt sin vikt är inställt på att uppnå praktisk och skalbar artificiell intelligens och maskininlärning. Men allt är mycket lättare sagt än gjort – vilket AI-ledare inom några av de mest informationsintensiva företagen kan intyga. För mer perspektiv på utmaningarna med att bygga en AI-driven organisation träffade vi Jing Huang, senior chef för teknik och maskininlärning på Momentive (tidigare SurveyMonkey). som delade med sig av lärdomarna när AI och ML rullas ut…
Foto: Joe McKendrick
F: AI- och maskininlärningsinitiativ har pågått i flera år nu . Vilka lärdomar har företag lärt sig när det gäller den mest produktiva användningen och implementeringen?
Huang: “Machine learning-projekt är mycket mer komplicerade och större än ML-modellalgoritmer, så var redo att bygga ett robust team för att ta hand om maskininlärningsoperationer. Att bemanna ett maskininlärningsteam i världsklass är extremt svårt. ML-talangen med erfarenhet är mycket efterfrågade. Ett alternativ är att tillhandahålla utbildning och bygga en kultur som främjar interna överföringar; ibland kan det att växa teamet internt vara nyckeln till att bygga ett effektivt ML-team.”
“Innan du bygger något väsentligt, se till att du undersöker var flaskhalsarna i produktionspipelinen för maskininlärning finns. När du bestämmer dig för att bygga kontra köp, när du handlar efter en lösning för att påskynda din AI/ML-kapacitet, se till att lösningen du väljer kan anpassas, skalas upp och enkelt integreras med dina produktapplikationer.”
F: Vilka tekniker eller tekniker gör störst skillnad?
Huang: “Ur ett bredare branschperspektiv har maskinöversättning och informationshämtning i allmänhet förbättrats dramatiskt efter att ha anammat djupinlärning. Till exempel på Momentive ser vi en stor skillnad i ML-lösningar som hjälper kunder att hitta relevant och användbar information genom att enorma mängder svarsdata utan ansträngning.”
F: Körs de flesta AI-initiativ internt eller stöds av externa tjänster/parter (som molnleverantörer eller MSP:er)?
Huang: “Beroende på användningsfall och organisation är kraven för AI-initiativ ganska olika. Vissa av dem är mer meningsfulla för att dra nytta av externa tjänster, vissa av dem måste köras internt. Generellt sett ser vi mer användning av tredje -partstjänster för användningsfall som är oberoende och inte behöver integreras nära med produktionssystem. Däremot ser vi mer framgångsrika hemmagjorda lösningar för användningsfall som måste integreras tätt med produktionssystem.”
< stark >F: Hur långt är företagets ansträngningar för att uppnå rättvisa och eliminera fördomar i AI-resultat?
Huang: “Fältet som helhet lär sig fortfarande 00 ingen har alla svaren. Med det sagt, Medvetenheten om effekterna av partiskhet i AI har ökat de senaste åren och framsteg görs. Det finns ökande ansträngningar för att hitta lösningar för att minska risken för partiskhet i AI och diskussioner om partiskhet och rättvisa i ML har blivit en ny norm i både forskning och industri.”
F: Gör företag tillräckligt för att regelbundet granska sina AI-resultat? Vad är det bästa sättet att göra detta?
Huang: “Det kommer alltid att finnas mänskliga fördomar – det går inte att komma ifrån det – men en sak vi har gjort är att se till att de människor som arbetar med det här kommer från en mängd olika bakgrunder för att ge en bredd av representation och även känna sig inkluderad. Det betyder inkludering, inte bara mångfald, för att lyfta fram alla olika typer av problem som kan vara på gång.”
< stark >F: Bör IT-ledare och personal få mer utbildning och medvetenhet för att lindra AI-bias?
Huang: “Forskningen om partiskhet i AI och begränsningar av den är ganska ny jämfört med datavetenskapens historia, för att inte säga jämfört med mänsklighetens historia. Universitet som Stanford och MIT började införliva ämnen om etisk AI i sina AI-kurser. Den allmänna antagandet är att ju äldre IT-ledarna är, desto mer kan de dra nytta av utbildning som täcker den senaste utvecklingen inom detta område.Vi har bjudit in AI-experter och utövare från akademi och industri för att dela sina erfarenheter och kunskaper med vårt ledarteam och alla anställda i en kvartalsvis kadens.”
F: Vilka delar av organisationen har störst framgång med AI?
Huang: “Det beror på. Normalt är det de områden där historisk data finns lagras och kan vara lättillgängliga. Saker och ting började förändras efter att teknik för djupinlärning antogs mer allmänt, där syntetisk data och motstridig träning spelade en allt viktigare roll.”
“Det finns många olika delar av en organisation som kan implementera AI framgångsrikt. Till exempel kan IT-organisationen inom företaget använda ML/AI-teknik för att förbättra effektiviteten i affärsprocesser, finansorganisationen kan utnyttja ML/AI för att ge mer exakta prognoser kan företaget bygga in ML/AI-lösningar i sitt produktutbud för att förbättra kundupplevelsen och så vidare.”
Företagsprogramvara | Digital transformation | CXO | Internet of Things | Innovation | Smarta städer