Miért érdemes az AI-ra csapatsportként gondolni?

Mit jelent csapatsportként gondolni az AI-ra? Azt látjuk, hogy a mesterséges intelligencia-projektek a hype-ról a hatásra váltanak át, nagyrészt azért, mert a megfelelő szerepek vesznek részt, hogy biztosítsák a korábban hiányzó üzleti környezetet. A domain szakértelem kulcsfontosságú; a gépek nem rendelkeznek olyan mély kontextussal, mint az emberek, és az embereknek elég jól ismerniük kell az üzletet és az adatokat ahhoz, hogy megértsék, milyen lépéseket kell tenniük a felmerülő betekintések vagy javaslatok alapján.

A mesterséges intelligencia skálázásával kapcsolatban sok vezető úgy gondolja, hogy emberekkel van problémája – konkrétan nincs elég adattudós. De nem minden üzleti probléma adattudományi probléma. Vagy legalábbis nem kell minden üzleti kihívást az adattudományi csapata elé állítani. A megfelelő megközelítéssel kihasználhatja az AI előnyeit a hagyományos adattudományi ciklusokkal járó kihívások nélkül.

Az AI-megoldások bevezetéséhez és méretezéséhez a vezetőknek át kell alakítaniuk a szervezet gondolkodásmódját, hogy az AI-t csapatsportnak tekintsék. Egyes mesterségesintelligencia-projekteknek más emberekre, eszközökre és elvárásokra van szükségük ahhoz, hogy a sikeres eredmények hogyan nézzenek ki. Ha tudja, hogyan ismeri fel ezeket a lehetőségeket, akkor sikeresebb mesterségesintelligencia-projekteket közelíthet meg, és elmélyítheti a mesterségesintelligencia-felhasználók körét, ami gyorsítja a döntéshozatalt az egész munkaerőben. Vizsgáljuk meg, miért és hogyan.

A szervezetek a mesterséges intelligencia segítségével demokratizálják a fejlett elemzést

Az AI használata üzleti problémák megoldására nagyrészt az adatkutatók hatáskörébe tartozik. Az adattudományi csapatok gyakran a szervezet legnagyobb lehetőségei és legösszetettebb kihívásai számára vannak fenntartva. Számos szervezet sikeresen alkalmazta az adattudományt olyan konkrét felhasználási esetekben, mint a csalások felderítése, a személyre szabás és egyebek, ahol a mélyreható műszaki szakértelem és a finoman hangolt modellek rendkívül sikeres eredményeket eredményeznek.

Az AI-megoldások skálázása az adattudományi csapaton keresztül azonban több okból is kihívást jelent a szervezetek számára. A tehetségek megnyerése és megtartása nagyon költséges, és nehéz lehet egy versenypiacon. A hagyományos adattudományi projektek fejlesztése és bevezetése gyakran sok időt vehet igénybe, mielőtt a vállalkozás meglátná az értéket. És még a legtapasztaltabb, legerősebb adattudományi csapatok is kudarcot vallahatnak, ha nem rendelkeznek a szükséges adatokkal vagy kontextussal, hogy megértsék a probléma árnyalatait, amelyek megoldására felkérik őket.

A 2021-es Gartner® Az adattudomány és a gépi tanulás helyzete (DSML) jelentése szerint „az ügyfelek kereslete változóban van: a kevésbé technikai közönség könnyebben akarja alkalmazni a DSML-t, a szakértőknek javítaniuk kell a termelékenységet, a vállalkozásoknak pedig rövidebb időre van szükségük befektetéseik értékének megállapításához.¹.” Noha sok üzleti probléma adódhat, amely előnyt jelenthet az AI által kínált elemzés gyorsaságából vagy alaposságából, a hagyományos adattudományi megközelítés nem mindig a legjobb támadási terv az érték gyors felismeréséhez. Valójában ugyanez a Gartner-jelentés azt jósolja, hogy „2025-re az adattudósok szűkössége többé nem fogja akadályozni az adattudomány és a gépi tanulás bevezetését a szervezetekben”.

A tartományi szakértelem kritikus fontosságú a mesterséges intelligencia skálázásához az egész üzletben

A mesterséges intelligencia már most is segíti a fejlett elemzési képességeket az adattudományi háttérrel nem rendelkező felhasználók számára. A gépek a legjobb előrejelzési modellek és algoritmusok közül választhatnak, a mögöttes modellek pedig feltárhatók, lehetővé téve ezek hangolását, és megbizonyosodhat arról, hogy minden megfelel annak, amit a felhasználó keres.

Ezek a képességek lehetővé teszik az elemzők és a képzett üzleti területek szakértői számára, hogy saját AI-alkalmazásaikat tervezzék és hasznosítsák. Mivel közelebb állnak az adatokhoz, ezek a felhasználók előnyben vannak sok adattudós társaikkal szemben. Ha ezt a hatalmat a tartományi szakértelemmel rendelkezők kezébe adjuk, elkerülhetjük a hagyományos adattudományi ciklusokhoz kapcsolódó hosszadalmas fejlesztési időket, erőforrás-terheket és rejtett költségeket. Ráadásul a területen jártas embereknek kell eldönteniük, hogy a mesterséges intelligencia előrejelzése vagy javaslata hasznos-e vagy sem.

Az iteratívabb, felülvizsgálható és újratelepíthető modellépítési folyamatokkal az üzleti környezettel rendelkező emberek gyorsabban nyerhetnek értéket az AI-ból – akár napokon, heteken belül, nem heteken, hanem hónapokon belül, akár több ezer felhasználóhoz is telepíthetnek új modelleket. Ez különösen hatékony azon csapatok számára, akiknek az egyedi kihívások nem feltétlenül fontosak az adattudományi csapatok számára, de profitálhatnak az AI-elemzés gyorsaságából és alaposságából.

Fontos azonban megjegyezni, hogy bár ezek a megoldások segíthetnek orvosolni az elemzők és az adatkutatók közötti szaktudást, nem helyettesítik az utóbbit. Az adattudósok továbbra is az üzleti szakértők kritikus partnerei maradnak az AI-kompatibilis megoldásokban használt adatok validálásában. Ezen az együttműködésen túlmenően az oktatás és az adatkezelési készségek is kulcsfontosságúak lesznek az ilyen típusú eszközök sikeres széles körű használatához.

Az adatműveltség több embert tesz lehetővé az AI kihasználására

Az Ön alapvető adatstratégiája óriási szerepet játszik abban, hogy szervezete sikeres legyen az AI-val, de ahhoz, hogy az AI-megoldásokat több emberhez eljuttassák az üzleti életben, alapszintű adatműveltségre lesz szükség. Annak megértése, hogy milyen adatokat érdemes alkalmazni egy üzleti problémára, valamint hogyan kell értelmezni a mesterségesintelligencia-ajánlás adatait és eredményeit, segít az embereknek abban, hogy sikeresen bízzanak az AI-ban, és döntéshozataluk részeként alkalmazzák a mesterséges intelligenciát. A szervezeten belüli megosztott adatnyelv több ajtót nyit a szakértőkkel való sikeres együttműködéshez.

A McKinsey legfrissebb, mesterséges intelligenciával kapcsolatos globális felmérése feltárta, hogy a jól teljesítő szervezetek 34%-án belül „egy dedikált képzési központ fejleszti a nem műszaki személyzet mesterséges intelligencia készségeit gyakorlati tanulás révén”, míg az összes többi megkérdezettnél ez csak 14%. Ezenkívül a jól teljesítő szervezetek 39%-ában „vannak kijelölt kommunikációs csatornák és érintkezési pontok az AI-felhasználók és a szervezet adattudományi csapata között”, míg a többieknél csak 20%.

A vezetők sokféle megközelítést alkalmazhatnak az adatműveltség fejlesztésére, az oktatástól és képzéstől kezdve a mentori programokon, a közösségépítő adatversenyeken és még sok máson keresztül. Gondoljon az adatokhoz való hozzáférés és az adatok megosztásának normalizálására, valamint arra, hogy hogyan ünnepelje és népszerűsítse a sikereket, a tanulást és a döntéshozatalt az adatokkal.

"Az adatműveltségnek és a vizualizációval és adattudományokkal kapcsolatos oktatásnak elterjedtebbnek kell lennie, és hamarabb meg kell tanítani őket" - mondta Vidya Setlur, a Tableau Research vezetője. „Van egyfajta társadalmi és szervezeti felelősség, amely az adatok felhasználására való támaszkodással jár. Az embereknek jobban fel kell készülniük az adatok megértésére, értelmezésére és kihasználására, mert a mesterséges intelligencia csak még kifinomultabb lesz, és néhány lépéssel a játék előtt kell lennünk.”

A szervezet adatkultúrájának továbbfejlesztése hatalmas lehetőségeket teremt a készségek fejlesztésére és új megoldások előmozdítására az egész üzletágban. A digitális átalakulás felgyorsulásával számos szervezet már növelte az adatokba és az elemzésekbe való beruházásait az elmúlt években. Nem lehet elérni, hogy az adatokra úgy gondoljunk, mint egy csapatsportra – és most megvannak az eszközeink, hogy ezt a gondolkodásmódot kiterjesszük az AI-ra is.