Vrijwel elke leverancier van enterprise software is het maken van lawaai in de markt over kunstmatige intelligentie. Helaas, veel van die marketing buzz biedt weinig stof, en creëert verwarring bij klanten over wat echt is. Gegeven deze FUD, de uitdaging voor ondernemers is te beslissen waar te investeren.
Hoewel de markt verwarring is een probleem, de onderliggende realiteit is dat het bereiken van resultaten met AI behoeften van verschillende strategieën, vaardigheden en doelen dan het inzetten van traditionele proces automatisering software.
Met traditionele software zoals ERP of CRM, bijvoorbeeld, managers re-engineering van processen, zoals de klantenservice of de productie te vinden herhaalbare verbeteringen en efficiëntie. Hoewel de uitvoering is vaak ingewikkeld, de voordelen en de risico ‘ s zijn bekend.
In contrast, de investeringen in AI vraag een andere analyse dan met traditionele enterprise software. Niet alleen is de AI-technologie nieuw voor de meeste managers, maar het verkrijgen van de gewenste resultaten is afhankelijk van het hebben van voldoende groot is en relevante gegevens stelt voor het voeden van de AI machine.
Omdat de AI kan maken van de resultaten die veel verder gaan dan het proces van verbetering en efficiëntie, het definiëren van de investeringen resultaten en doelen, kunnen veel complexer zijn dan met de traditionele proces automatisering software.
Het maken van succesvolle investeringen in de AI, vereist daarom deskundigen over een breed scala aan disciplines te denken in termen van structuren en modellen. De activiteiten omvatten:
Het analyseren van de impact op de huidige en toekomstige business modellen Selecteren van processen en activiteiten om in te beleggen, te Onderzoeken machine intelligence-technologie van de strikte toepassing van data science aan de voorgestelde oplossingen en resultaten
De vaardigheden en activiteiten zijn beduidend anders dan die welke nodig zijn bij het aanschaffen en implementeren van traditionele enterprise software.
Gezien het belang, de complexiteit en de risico ‘ s in AI investering, ik nodigde een van de meest ervaren AI investeerders in de wereld te gast bij Aflevering 220 van de CXOTALK serie gesprekken met vernieuwers.
James Cham is een partner met Bloomberg Beta, een venture capital bedrijf met een sterke focus op bedrijven in verband met machine learning. James en zijn collega, de Shivon Zillis, maakte een gedetailleerde machine learning markt landschap.
Ik vroeg James te geven enterprise leiders advies over hoe om te investeren in AI. Tijdens onze discussie, Cham adressen punten zoals:
Voorkoming van aanzienlijke afval op AI projecten die bieden weinig waarde of voordeel het Creëren van een economische kader voor het investeren in AI Inzicht in de verschuiving van data-centric model-centric Bouwen, beheren, testen van de model-centric AI-toepassingen
U kunt kijken naar het gesprek in de video hierboven en lees het complete transcript op de CXOTALK site. U kunt ook downloaden van de podcast op iTunes. Hieronder is een bewerkte gedeelte van belangrijke punten uit de discussie.
Hoe moet bedrijfsleiders denken over de economische, organisatorische en bestuurlijke aspecten van AI?
Wij zien innovatie en vooruitgang op het gebied van de technische kant. En wat is de achterstand is duidelijk het denken en inzicht in de economische en bestuurlijke kant.
Ik denk dat het grootste gevaar voor de meesten van ons nu rond machine-intelligentie is minder dat de machines over te nemen en u zal niet langer een baan.
Het grootste risico is dat we als managers zal echt slechte beslissingen over waar te investeren, en we zullen eindigen met het verspillen van miljarden dollars aan domme projecten die niemand eindigt de zorg over. Ik denk dat, in sommige opzichten, is de onmiddellijke, interessant, voor de hand liggende vraag voor ons voor de komende 5-10 jaar. Dit is nog steeds een slecht begrepen en slecht onderzochte deel van de vraag.
Voor de laatste paar jaar, ik heb gevraagd verschillende economen: “Vertel me wat is de juiste micro-economische raamwerk voor het denken over hoe om te investeren in machine learning of rond AI?”
Ik denk dat in het algemeen, de meeste economen en de meeste business school types zijn nog meer gericht op de grootschalige economische implicaties. Maar die grotere schaal economische gevolgen zijn niet van belang, tenzij we goede beslissingen te nemen op een micro-niveau.
Er waren drie jongens van de Universiteit van Toronto, in hun business school, die kwam met wat ik denk dat het het beste kader voor het denken over machine learning in het algemeen. Ik denk dat dat voor de meeste organisaties, op de juiste manier na te denken over machine learning is om na te denken over de kosten van de voorspellingen. Op dezelfde manier dat als je abstracte, op een bepaald niveau, de berekening. De geschiedenis van de berekening is over het terugdringen van de kosten van de rekenkunde. En, als je het goedkoop te optellen en aftrekken op een bepaald niveau van schaal, dan eindig je met digitale camera ‘ s en wat al niet.
En, als u denkt over AI of machine-intelligentie anders, en na te denken over het verminderen van de kosten van de voorspelling, dan kunt u dezelfde mentale kader als in het normale economische analyse: “Als de kosten van de voorspelling naar beneden gaat, wat zijn dan de aanvulling en vervangt voor mij? En wat zijn de manieren die ik kon mijn organisatie in de kern?” Dat is de micro-economische manier van denken.
Het is fijn om een data-centric-organisatie. Maar als u al deze gegevens en weet niet wat te doen, het is nutteloos. Het is goed om te hebben een betere werkstromen, maar als de workflows over het algemeen alleen maar helpen u hetzelfde doen over en weer, dat is niet zo handig.
Aan de andere kant, als je als IT-organisatie zijn gedachte over jezelf als model-centric, dan zou je het overwegen van al de processen die je hebt binnen de organisatie. Welke processen zijn waardevol genoeg dat ik zou willen om voorspellingen te maken en beslissingen te nemen zonder mensen die betrokken zijn op een dag-tot-dag basis?”
Die modellen gaan doordringen van de gehele onderneming. Dat is het spannende deel. [Maar] het griezelige is dat we geen idee hebben hoe te bouwen en te beheren, omdat deze modellen zijn anders dan toepassingen.
Het bouwen van software is moeilijk, maar ik heb tenminste een idee hebt hoe QA en testen en te implementeren in sommige consistente manier. Als een cultuur, die wij hebben bedacht hoe dat te doen. Aan de andere kant, we niet echt begrijpen modellen. Voor sommige nieuwere modellen, begrijpen we niet hoe te denken over of introspect op hen.
We hoeven niet echt te begrijpen hoe om te testen, omdat ze, zelfs in theorie, als het model volledig te toetsen, zou je geen model nodig. En dan weten we niet hoe ze te implementeren op een consistente manier.
De meeste organisaties nodig hebt om te begrijpen waar te bouwen, investeren en beheren van deze modellen.
Wat zijn de meest interessante AI use cases dat zie je nu?
Ik probeer heel hard als belegger niet te krijgen of te visionaire of te optimistisch zijn over dingen.
Het raakt alles van dingen die alledaags als het kijken door mensen van de lasten vast te leggen voorbeelden van het gebrek aan overeenstemming. Ik ben een belegger in dit bedrijf, genaamd AppZen, die dit doet.
Aan de ene kant zou je zeggen: “Goh, James! Dit is een vervelend probleem! Who cares?” Ik zei dat ik naar de oprichter van het eerste. Maar dan, het moment dat ze kijken hoe veel gevallen van niet-naleving je in onkostendeclaraties, het is tientallen miljoenen dollars!
Het is net dit kleine probleem zitten op de vloer, dat was niet praktisch om te gaan met voor, omdat je zou moeten nemen, veel mensen of het uit te besteden, dat zou moeilijk worden.
Maar nu, de kleine bots schrapen door middel van alle gegevens, zodat de kosten van de voorspelling gaat drastisch omlaag. Plotseling, op een van die zeurende kleine dingen die je bezorgd waren over de rug wordt iets in de directe aanwezig te lossen.
Het harde deel is dat we niet weten, of we hebben geen goede manieren nog te voorspellen is, hoe veel van deze modellen, of deze bots, de organisatie zal helpen. We hebben geen goede intuïtie, “Als ik ga na dit probleem, misschien zal ik bespaar veel geld.”
[Maar dan kunnen we het oplossen van problemen, we waren niet eens op de hoogte van de] of dachten dat het onoplosbaar. Dat is het spannende deel.
In andere woorden, mensen uit het bedrijfsleven nodig om een beter begrip te krijgen van de gegevens?
Ja, we zijn ook in deze migratie van een data-wereld naar een model van de wereld. De bedrijven die het best te doen, of een figuur die vroeg, gaan degenen die zullen worden-stel je voor dat alle buzzwords u liefde, zoals “agile” of “dynamische” of wat dan ook want die goede zaken.
Degenen die model-centric, en zijn smart over het feit model-centric gaat worden degenen die zijn een succes gaat worden.
Met dank aan Christopher Michel voor het introduceren van mij aan James Cham en mijn collega Lisbeth Shaw, voor hulp met deze column.
CXOTALK brengt u ‘ s werelds meest innovatieve zakelijke leiders, schrijvers en analisten voor in-diepte bespreking niet beschikbaar zijn ergens anders. Geniet van al onze afleveringen en download de podcast via iTunes en Spreaker.