Praticamente ogni azienda fornitore di software è la creazione di rumore nel mercato sull’intelligenza artificiale. Purtroppo, gran parte di quel marketing buzz offre poca sostanza e crea confusione per i clienti su ciò che è reale. Dato questo FUD, la sfida per gli uomini d’affari è quello di decidere dove investire.
Anche se il mercato di confusione è un problema, la realtà sottostante è che il raggiungimento di risultati con AI bisogni di diverse strategie, competenze e obiettivi rispetto alla distribuzione tradizionale software di automazione dei processi.
Con i tradizionali software ERP o CRM, per esempio, i gestori di re-engineering di processi, come il servizio di cliente o di fabbricazione per trovare ripetibile miglioramenti e l’efficienza. Anche se l’implementazione è spesso complicato, i benefici e i rischi sono ben noti.
Al contrario, gli investimenti in AI richiedono un diverso tipo di analisi che con i tradizionali software di livello enterprise. Non solo AI di tecnologia nuova per la maggior parte dei gestori, ma di ottenere i risultati desiderati dipende dall’avere abbastanza ampie e pertinenti set di dati per alimentare l’IA macchina.
Perché l’intelligenza artificiale può creare risultati che vanno ben al di là del processo di miglioramento e di efficienza, la definizione di investimento, i risultati e gli obiettivi può essere molto più complesso che con i tradizionali software di automazione dei processi.
Fare successo investimenti in AI, pertanto, richiede di esperti in diverse discipline, a pensare in termini di schemi e modelli. Le attività comprendono:
L’analisi dell’impatto sul business attuali e futuri modelli di Selezione dei processi e le operazioni in cui investire l’Esame di intelligenza artificiale tecnologia l’applicazione Rigorosa scienza di dati per la proposta di soluzioni e risultati
Le competenze e le attività sono significativamente diversi rispetto a quelli necessari quando l’acquisto e l’implementazione tradizionale software di livello enterprise.
Data l’importanza, la complessità e il rischio intorno AI investimento, ho invitato uno dei più esperti AI investitori del mondo per essere un ospite su Episodio 220 del CXOTALK serie di conversazioni con gli innovatori.
James Cham è un partner con Bloomberg Beta, una società di venture capital con una forte attenzione per le aziende relative alla macchina di apprendimento. James e il suo collega, Shivon Zillis, ha creato una mappa di machine learning panorama del mercato.
Ho chiesto a James di dare enterprise leader di consigli su come investire in AI. Durante la nostra discussione, Cham, indirizzi e punti di forza quali:
Evitare significativa di rifiuti AI progetti che offrono poco valore o beneficio per la Creazione di un utile quadro economico per investire in AI, Comprendere il passaggio da essere incentrata sui dati del modello-centric la Costruzione, la gestione di test basato su modello AI applicazioni
È possibile guardare la conversazione nel video incorporato qui sopra e leggere la trascrizione completa sul CXOTALK sito. È anche possibile scaricare il podcast su iTunes. Di seguito una curata porzione di importanti punti di discussione.
Come dovrebbe i leader aziendali di pensare economici, organizzativi e gestionali aspetti di AI?
Vediamo l’innovazione e progresso sul lato tecnico. E che il ritardo è chiaro il pensiero e la comprensione economica, organizzativa e manageriale.
Credo che il rischio più grande per la maggior parte di noi in questo momento attorno intelligenza artificiale è meno che le macchine prendono il sopravvento e non avere più un lavoro.
Il rischio più grande è che noi, come i gestori faranno davvero male le decisioni su dove investire, e finiremo di sprecare miliardi di dollari stupidi progetti che nessuno finisce per preoccuparsi. Penso che, in qualche modo, è immediato, è interessante, domanda ovvia davanti a noi per i prossimi 5-10 anni. Questo è ancora un mal compreso e mal ricercato parte della domanda.
Per l’ultimo paio di anni, ho chiesto ai vari economisti: “dimmi che cosa è il diritto di microeconomia quadro per pensare a come investire in apprendimento automatico o intorno AI?”
Penso che, in generale, la maggior parte degli economisti e che la maggior parte di business tipi di scuola sono ancora più focalizzato su larga scala implicazioni economiche. Ma, quelli di più ampia scala, implicazioni economiche non importa se non facciamo bene le decisioni ad un livello micro.
C’erano tre ragazzi dell’Università di Toronto, nel corso della loro scuola, che si avvicinò con quello che io penso sia il miglior framework per pensare a macchina di apprendimento in generale. Penso che per la maggior parte delle organizzazioni, il giusto modo di pensare l’apprendimento automatico è quello di pensare al costo delle previsioni. Nello stesso modo che se si dovesse astratto, ad un certo livello, il calcolo. La storia del calcolo è ridurre il costo dell’aritmetica. E, quando si rendono a buon mercato per aggiungere e sottrarre a un certo livello della scala, poi si finisce con le fotocamere digitali e quant’altro.
E, se si pensa AI o macchina di intelligenza come diverso, e pensare a come ridurre i costi di previsione, allora si può applicare lo stesso quadro mentale come una normale analisi economica: “Se il costo del pronostico va giù, allora quali sono le integra e sostituisce a me? E quali sono i modi in cui potrei cambiare la mia organizzazione nel suo nucleo?” Che microeconomici modo di pensare.
E ‘ bene avere un data-centric organizzazione. Ma se hai tutti questi dati e non so cosa fare con esso, è inutile. È bene disporre meglio i flussi di lavoro, ma se i flussi di lavoro in generale, aiutare a fare la stessa cosa più e più volte, non è che utile.
D’altra parte, se è come un’organizzazione pensato a te stesso come modello-centrica, quindi, si dovrebbe prendere in considerazione tutti i processi all’interno dell’organizzazione. Quali processi sono così preziose che vorrei fare previsioni e decisioni, senza persone coinvolte in un giorno per giorno?”
Tali modelli sono andando a pervadere l’intera azienda. Che è la parte più emozionante. [Tuttavia] spaventoso parte di noi non hanno idea di come costruire e gestire loro, perché questi modelli sono diversi rispetto alle applicazioni.
La costruzione di un software è difficile, ma almeno ho qualche idea di come QA e testare e distribuire in modo uniforme. Come una cultura, abbiamo capito come fare. D’altra parte, che non si capisce modelli. Per alcuni di questi modelli più recenti, non riusciamo a capire come pensare o introspezione su di loro.
Non capiamo come testare il loro perché, anche teoricamente, se il modello è completamente verificabile, non avreste bisogno di un modello. E poi non sappiamo come distribuirli in modo uniforme.
La maggior parte delle organizzazioni hanno la necessità di capire dove costruire, investire e gestire questi modelli.
Quali sono le più interessanti AI casi d’uso che si vede adesso?
Cerco molto duro come un investitore di non ottenere troppo visionario o troppo ottimista circa le cose.
Colpisce tutto, dalle cose banali come guardare attraverso le persone che le spese per la cattura di esempi di mancanza di rispetto. Io sono un investitore in tale società denominata AppZen, che fa proprio questo.
Da un lato, si direbbe che “Gosh, James! Questo è un problema noioso! Chi se ne frega di questo?” Ho detto che per il primo fondatore. Ma poi, il momento in cui essi guardano come molti casi di non conformità si ottiene in rapporti di spesa, è di decine di milioni di dollari!
È proprio come questo piccolo problema, seduta sul pavimento che non era pratico per affrontare prima, perché si dovrebbe assumere un sacco di gente o in outsourcing, che sarebbe complicato.
Ma ora, il piccolo bot raschiare attraverso tutti i dati, quindi il costo di stima, si riduce drasticamente. Improvvisamente, uno di quei fastidioso po ‘ di cose che si erano preoccupati per la schiena diventa qualcosa nell’immediato per risolvere.
La parte difficile è che non sappiamo o non abbiamo modi, ma di prevedere, quanto questi modelli, o questi bot, aiuterà l’organizzazione. Non abbiamo una buona intuizione in giro”, Se vado dopo questo problema, forse ti salva questo molto denaro.”
[Ma poi, siamo in grado di risolvere i problemi di noi non erano neanche a conoscenza dell’] o pensato che erano irrisolvibili. Che è la parte più emozionante.
In altre parole, uomini d’affari hanno bisogno di acquisire una migliore comprensione dei dati?
Sì, e anche in questo migrazione da un mondo a un modello di mondo. Le aziende che lo fanno meglio, la figura che prima, sono quelli che stanno per essere — immaginare tutte le parole in voi l’amore, come “agile” o “dinamico” o qualsiasi ─ quelle cose buone.
Quelli che sono modello-centric, e sono intelligenti su di essere basato su modello sono quelli che stanno per essere di successo.
Grazie a Cristoforo Michel per avermi James Cham e il mio collega, Lisbeth Shaw, per l’assistenza con questa colonna.
CXOTALK ti porta il mondo di imprenditori più innovativi, gli autori e gli analisti di approfondire la discussione non disponibile in qualsiasi altro luogo. Godere di tutti i nostri episodi e scaricare il podcast di iTunes e di Spreaker.
Argomenti Correlati
CXO, Settore tecnologico, l’Innovazione, la Sicurezza, la Mobilità, il Software Enterprise, Cloud