Skrevet av Joe McKendrick, bidragsyter 
Joe McKendrick er en forfatter og uavhengig analytiker som sporer innvirkningen av informasjonsteknologi på ledelse og markeder. Joe er medforfatter, sammen med 16 ledende bransjeledere og tenkere, av SOA-manifestet, som skisserer verdiene og veiledende prinsippene for tjenesteorientering.
Full Bio Posted in Service Oriented 11. desember 2021 | Emne: Kunstig intelligens
Som de som har ansvaret for å designe, bygge og distribuere kunstig intelligens – fra dataingeniører til utviklere – innser, er AI en kraftig mekanisme for å forsterke menneskelig kunnskap, ferdigheter og effektivitet. Men hvordan kan AI-tilhengere bruke AI for å fikse en døende eller giftig bedriftskultur? Det er sannsynligvis den mest irriterende utfordringen med AI-utrullinger.
Foto: Joe McKendrick
Entreprenører og eksperter i frontlinjen av AI-revolusjonen innser at dette er et hinder som teknologi alene ikke kan løse, “AI kan ikke løse problemer der det allerede er underliggende problemer, som en bedrifts kultur eller mangel på tillit fra en kundebase,” sier Stephan Baldwin, grunnlegger av Assisted Living Center. “Disse er fremmet av prinsipper som former den daglige indre og ytre virksomheten til et selskap.”
En av utfordringene, påpeker Baldwin, er at “kunstig intelligens-modeller handler basert på historiske data, noe som betyr at de er utsatt for skjevheter som vi mennesker hadde når vi samlet informasjon. Noen ganger gjør ikke en automatisert prosess det ta hensyn til menneskene den styrer.”
Utfordringen er altså å sette folk først i alle AI-prosjekter. AI-utøvere gir følgende anbefalinger for å bygge en menneskesentrisk, men likevel AI-drevet kultur:
Utvid eierskapet og ansvaret for AI utover IT-avdelingen.AI må være et virksomhetsomfattende initiativ, med alle parter involvert. “Vellykket og produktiv distribusjon av AI er en tverrfunksjonell innsats langt utover bare datavitenskap,” sier Dr. Michael Wu, sjef for AI-strateg hos PROS. “Utvidede team må spenne fra den tekniske siden, som involverer IT- og skyoperasjoner for sikkerhet og datastyring, til forretningssiden, som involverer endringsledelse, opplæring for utdanning, adopsjon, beste praksis.”
Erkjenne at AI ganske enkelt er kode.Det er ikke en mystisk mørk kunst som er i stand til å overliste mennesker. “AI er ikke lenger magi, og bedrifter ser nå ut til å forstå dette,” sier Beerud Sheth, medgründer og administrerende direktør i Gupshup. “AI prøver ikke å erstatte mennesker, men muliggjør en mer menneskelignende samtale som har kraften til automatisering og intelligens en maskin kan ha.”
Mål AI mot områder der den har størst effekt. De beste delene av bedriften for å fremme og lansere AI varierer sterkt på tvers av bransjer, påpeker Wu. “Men det vanlige temaet er at organisasjoner må ha en pålitelig kilde til rene og rike data som et biprodukt av normal forretningsdrift,” sier han, “for eksempel holder selskaper med store støttesentre ofte en god operasjonell oversikt over forekomstene. og vedtak. Transaksjonsdata i salgsorganisasjoner har en tendens til å være ganske rene ettersom det kreves for god regnskapspraksis. Disse dataene vil fortsette å gi energi til AI/ML etter hvert som de lærer. På den annen side, selv om markedsføringsorganisasjoner også har mye data, de er ofte mer støyende og krever ofte rengjøring før de kan brukes i produksjon AI og ML.”
Sheth ser mest aktivitet innen kundestøtte, produktoppdagelse og medarbeidervendte avdelinger i kundeorganisasjoner. “Betraktelig fremgang innen språkanalyse og maskinlæring har muliggjort rask behandlingstid for støtteforespørsler,” sier han. “AI-basert prediksjon og kontekstadministrasjon gjør at nøyaktige oppdagelsesmekanismer kan eksponeres gjennom enklere grensesnitt som chatter. Maskinlæringsbaserte kognisjonsmotorer gjør spørsmålsløsning og policyrelatert støtteproblemløsning nøyaktig og enkel å distribuere på sikre kanaler som MS Teams og progressive nettapper. ”
Undersøk og press for de mest effektive teknologiene. “Prisoptimalisering, prediktivt vedlikehold og AI-teknologi for samtale er mest virkningsfulle fordi dataene som kreves for å trene og fortsette å gi energi til dem mens de lærer, pleier å være rikelig,” sier Wu. “Deres utrulling krever heller ikke store endringer i forretningsdriften. Siden det er mange leverandører som tilbyr disse løsningene, er de totale eierkostnadene relativt lave sammenlignet med inntektspåvirkningen disse teknologiene er i stand til å gi.” Sheth ser mest potensiale fra flerspråklig NLP, maskinlæring og prediktiv AI.
Sikre rettferdighet i AI gjennom større åpenhet. For å få aksept og støtte for AI på tvers av bedriften, må resultatene som leveres være så rettferdige og så fri for skjevheter som mulig. “Åpenhet og rettferdighet er avgjørende for suksessen til en kunstig intelligens fordi de genererer tillit ved å informere både ansatte og kunder om hvordan de blir styrt,” sier Baldwin. “Det er mange eksempler på at AI ikke fungerer som det skal, og som et selskap er det siste du ønsker å ikke kunne forklare hvorfor en feil skjedde.” Likevel må mer gjøres i denne retningen, sier Wu. “Mange bransjer som begynner å utnytte AI er mer fokusert på å få AI til å fungere og oppnå positiv ROI først med de begrensede dataene de har. For disse bransjene er rettferdighet ikke en umiddelbar prioritet, selv om det rutinemessig er en del av bedriftens narrative. alle snakker om prioritering av AI-etikk og rettferdighet, ikke alle tar påfølgende tiltak for å bekjempe skjevheter.”
Oppmuntre bevissthet og opplæring for rettferdig og handlingsdyktig AI blant IT-ledere og ansatte. IT-ledere og ansatte bør også få mer opplæring og bevissthet for å lindre AI-bias, oppfordrer Sheth. “AI er like god som dataene vi gir til den. Siden mennesker er ansvarlige for treningsdataene, er det en god sjanse for at våre AI-algoritmer kan bli ødelagt med menneskelig skjevhet eller gjenspeile ethvert annet ugunstig mønster som oppdages over tid. Vi kan bestemme ulike modeller som kan hjelpe til med å ta bedre og rettferdige beslutninger, men sammen med dette bør bedriftsledere være klar over slike utfordringer og ta riktige beslutninger for å eliminere skjevhetene med hensyn til data.”
Oppmuntre bevissthet og opplæring for rettferdig og handlingskraftig AI på alle nivåer i organisasjonen.AI kan være en bedriftsoppgave, men IT-ledere kan lede an for å sikre at AI leverer som den skal. “Opplæring og utdanning for IT-ledere og ansatte er en god start, men ofte ikke tilstrekkelig,” sier Wu. “Å lindre AI-bias bør være alles jobb akkurat som datasikkerhet, siden det er beslektet med et selskaps forretningsetikk.”
Samtidig, legger han til, “må ansatte ofte ha et insentiv for å motivere dem til å vise ny profesjonell atferd før de blir en annen natur. Disse insentivene trenger ikke alltid være pengerelaterte. For eksempel kan bedriftsgamifisering være ansatt for å øke bevisstheten og interessen for å redusere AI-bias. Det kan være innflytelse i en bedrift for å øke bevisstheten om AI-bias-problemet, drive positiv atferd som hjelper til med å identifisere disse skjevhetene, og til og med crowdsource for potensielle løsninger.”
Regelmessig gjennomgang av AI-resultater er også obligatorisk for å lykkes, sier Sheth. “Faktisk har dette vært en av de hardt lærte leksjonene for AI-selskaper å alltid ha mennesker i løkken.” Han anbefaler “regelmessige gjennomganger av tilfeldig utvalgte AI-resultater, og sørg for at alle strata er tilstrekkelig representert i tilfeldig prøvetaking. Sluttbrukere har kanskje ikke alltid tid og lyst til å gi tilbakemelding for suboptimale AI-resultater. Evaluer aktivt og regelmessig ytelsen til modellene dine. tilbakemeldinger fra anmeldere føres automatisk tilbake til neste runde med modellopplæring. Denne praksisen forhindrer at modeller blir foreldede og irrelevante.”
Enterprise Software | Digital transformasjon | CXO | Internet of Things | Innovasjon | Smarte byer