Elk bedrijf dat zijn gewicht waard is, is gericht op het bereiken van praktische en schaalbare kunstmatige intelligentie en machine learning. Het is echter allemaal veel gemakkelijker gezegd dan gedaan – wat AI-leiders binnen enkele van de meest informatie-intensieve ondernemingen kunnen bevestigen. Voor meer inzicht in de uitdagingen van het bouwen van een AI-gestuurde organisatie, spraken we met Jing Huang, senior director engineering en machine learning bij Momentive (voorheen SurveyMonkey), die de lessen deelt die worden geleerd naarmate AI en ML worden uitgerold.< /p>
Foto: Joe McKendrick
V: AI en machine learning-initiatieven zijn al enkele jaren aan de gang . Welke lessen hebben ondernemingen geleerd in termen van de meest productieve adoptie en implementatie?
Huang: “Machine learning-projecten zijn veel gecompliceerder en groter dan ML-modelalgoritmen, dus wees klaar om een robuust team op te bouwen om te zorgen voor machine learning-operaties. Het is buitengewoon moeilijk om een machine learning-team van wereldklasse te bemannen. Het ML-talent met ervaring er is veel vraag naar. Een optie is om training te geven en een cultuur op te bouwen die interne transfers bevordert; soms kan het intern uitbreiden van het team de sleutel zijn tot het bouwen van een effectief ML-team.”
“Voordat je iets substantieels bouwt, moet je onderzoeken waar de knelpunten van de machine learning-productiepijplijn zich bevinden. Terwijl je beslist over bouwen versus kopen, moet je ervoor zorgen dat de oplossing die je kiest, kan worden aangepast, opgeschaald en eenvoudig geïntegreerd met uw producttoepassingen.”
V: Welke technologieën of technologische benaderingen maken het meeste verschil?
Huang: “Vanuit een breder brancheperspectief zijn machinevertaling en het ophalen van informatie in het algemeen drastisch verbeterd na de invoering van deep learning. Bij Momentive zien we bijvoorbeeld een groot verschil in ML-oplossingen die klanten helpen relevante en bruikbare informatie te vinden via moeiteloos enorme hoeveelheden responsgegevens.”
V: Worden de meeste AI-initiatieven intern uitgevoerd of ondersteund door externe services/partijen (zoals cloudproviders of MSP's)?
Huang: “Afhankelijk van het gebruik en de organisatie zijn de vereisten voor AI-initiatieven behoorlijk verschillend. Sommige zijn logischer om gebruik te maken van externe services, andere moeten intern worden uitgevoerd. Over het algemeen zien we meer adoptie van derde -partijdiensten voor use cases die onafhankelijk zijn en niet nauw hoeven te worden geïntegreerd met productiesystemen. Terwijl we meer succesvolle oplossingen van eigen bodem zien voor use cases die nauw moeten worden geïntegreerd met productiesystemen.”
< sterk>V: Hoe ver zijn de inspanningen van bedrijven om eerlijkheid te bereiken en vooroordelen in AI-resultaten te elimineren?
Huang: “Het veld als geheel leert nog steeds 00 niemand heeft alle antwoorden. Dat gezegd hebbende, het bewustzijn van de impact van vooringenomenheid in AI is de afgelopen jaren toegenomen en er wordt vooruitgang geboekt. Er worden steeds meer inspanningen gedaan om oplossingen te vinden om het risico van vooringenomenheid in AI te verminderen en discussies over vooringenomenheid en eerlijkheid in ML zijn een nieuwe norm geworden in beide onderzoek en industrie.”
V: Doen bedrijven genoeg om hun AI-resultaten regelmatig te beoordelen? Wat is de beste manier om dit te doen?
Huang: “Er zullen altijd menselijke vooroordelen zijn – daar is geen ontkomen aan — maar één ding dat we hebben gedaan, is ervoor zorgen dat de mensen die aan deze hebben verschillende achtergronden om een brede vertegenwoordiging te bieden en ook het gevoel erbij te horen. Dat betekent inclusie, niet alleen diversiteit, om alle verschillende soorten zorgen die een rol kunnen spelen onder de aandacht te brengen.”
< sterk>V: Moeten IT-leiders en -personeel meer training en bewustzijn krijgen om AI-bias te verminderen?
Huang: “Het onderzoek naar vooroordelen in AI en de beperking ervan is vrij recent in vergelijking met de geschiedenis van de informatica, om niet te zeggen in vergelijking met de menselijke geschiedenis. Universiteiten als Stanford en MIT begonnen onderwerpen over ethische AI op te nemen in hun AI-cursussen. De algemene veronderstelling is dat hoe hoger de IT-leiders zijn, hoe meer ze kunnen profiteren van training die de nieuwste ontwikkelingen op dit gebied omvat. We hebben AI-experts en praktijkmensen uit de academische wereld en de industrie uitgenodigd om hun ervaringen en kennis te delen met ons leiderschapsteam en alle anderen werknemers in een driemaandelijkse cadans.”
V: In welke delen van de organisatie wordt het meeste succes geboekt met AI?
Huang: “Dat hangt ervan af. Normaal gesproken zijn dit de gebieden waar historische gegevens opgeslagen en kunnen gemakkelijk toegankelijk zijn. Dingen begonnen te veranderen nadat deep learning-technologie op grotere schaal werd toegepast, waarbij synthetische gegevens en vijandige training een steeds belangrijkere rol speelden.”
“Er zijn veel verschillende onderdelen van een organisatie die AI met succes kunnen implementeren. De IT-organisatie binnen de onderneming kan bijvoorbeeld ML/AI-technologie gebruiken om de efficiëntie van bedrijfsprocessen te verbeteren, de financiële organisatie kan gebruikmaken van ML/AI om nauwkeurigere prognoses te bieden, zou de onderneming ML/AI-oplossingen in haar productaanbod kunnen inbouwen om de klantervaringen te verbeteren, enzovoort.”
Enterprise-software | Digitale transformatie | CXO | Internet der dingen | Innovatie | Slimme steden