Hvorfor du bør tænke på AI som en holdsport

Hvad vil det sige at tænke på AI som en holdsport? Vi ser AI-projekter skifte fra hype til effekt, hovedsageligt fordi de rigtige roller bliver involveret for at give den forretningsmæssige kontekst, der tidligere har manglet. Domæneekspertise er nøglen; maskiner har ikke den dybde af kontekst, som folk har, og folk har brug for at kende forretningen og dataene godt nok til at forstå, hvilke handlinger de skal tage baseret på indsigt eller anbefalinger, der dukker op.

Når det kommer til at skalere AI, tror mange ledere, at de har et menneskeligt problem – specifikt ikke nok dataforskere. Men ikke alle forretningsproblemer er et datavidenskabelige problem. Eller i det mindste, ikke enhver virksomhedsudfordring bør kastes over dit datavidenskabsteam. Med den rigtige tilgang kan du høste fordelene ved kunstig intelligens uden de udfordringer, der følger med traditionelle datavidenskabscyklusser.

For at implementere og skalere AI-løsninger skal ledere ændre organisationens tankegang til at tænke på AI som en holdsport. Nogle AI-projekter har brug for et andet sæt mennesker, værktøjer og forventninger til, hvordan succesfulde resultater ser ud. At vide, hvordan du genkender disse muligheder, vil hjælpe dig med at nærme dig mere succesfulde AI-projekter og uddybe din gruppe af AI-brugere, hvilket tilføjer hastighed og kraft til beslutningstagning på tværs af arbejdsstyrken. Lad os undersøge hvorfor og hvordan.

Organisationer demokratiserer avanceret analyse med kunstig intelligens

Brug af kunstig intelligens til at løse forretningsproblemer har i vid udstrækning været dataforskernes kompetence. Ofte er datavidenskabsteams reserveret til en organisations største muligheder og mest komplekse udfordringer. Masser af organisationer har haft succes med at anvende datavidenskab til specifikke brugssager som svindeldetektion, personalisering og mere, hvor dyb teknisk ekspertise og finjusterede modeller skaber enormt succesfulde resultater.

Dog er det af mange grunde en udfordring for organisationer at skalere AI-løsninger gennem dit datavidenskabsteam. At tiltrække og fastholde talent er meget dyrt og kan være svært i et konkurrencepræget marked. Traditionelle datavidenskabelige projekter kan ofte tage meget tid at udvikle og implementere, før virksomheden ser værdi. Og selv de mest erfarne, robuste datavidenskabshold kan fejle, hvis de mangler de nødvendige data eller kontekst til at forstå nuancerne af det problem, de bliver bedt om at løse.

Gartner® 2021 Status for datavidenskab og maskinlæring (DSML)-rapporten siger, at "kundeefterspørgslen ændrer sig, med mindre tekniske målgrupper, der ønsker at anvende DSML lettere, eksperter, der har behov for at forbedre produktiviteten, og virksomheder, der kræver kortere tid til værdi for deres investeringer¹." Selvom der kan være mange forretningsproblemer, der kan drage fordel af analysens hastighed eller grundighed, som AI kan levere, er en traditionel datavidenskabstilgang måske ikke altid den bedste angrebsplan for hurtigt at se værdi. Faktisk forudsiger den samme Gartner-rapport, at "inden 2025 vil en knaphed på dataforskere ikke længere hindre adoptionen af ​​datavidenskab og maskinlæring i organisationer."

Domæneekspertise er afgørende for at skalere AI på tværs af virksomheden

AI hjælper allerede med at bringe avancerede analysefunktioner til brugere, der ikke har datavidenskabelige baggrunde. Maskiner kan vælge blandt de bedste prognosemodeller og algoritmer, og underliggende modeller kan eksponeres, hvilket giver mulighed for at tune dem og sørge for, at alt matcher det, brugeren leder efter.

Disse egenskaber giver analytikere og dygtige forretningsdomæneeksperter muligheden for at designe og udnytte deres egne AI-applikationer. Når de er tættere på dataene, har disse brugere en fordel i forhold til mange af deres dataforskere. At lægge denne magt i hænderne på dem med domæneekspertise kan hjælpe med at undgå de lange udviklingstider, ressourcebyrder og skjulte omkostninger forbundet med traditionelle datavidenskabelige cyklusser. Derudover bør folk med domæneekspertise være dem, der skal beslutte, om en AI-forudsigelse eller -forslag overhovedet er nyttigt.

Med en mere iterativ, revider-og-reploy modelbygningsprocesser kan folk med forretningskontekst få værdi fra AI hurtigere – endda ved at implementere nye modeller til tusindvis af brugere inden for dage til uger i stedet for uger til måneder. Dette er især kraftfuldt for de teams, hvis unikke udfordringer måske ikke er en høj prioritet for datavidenskabsteams, men som kan drage fordel af hastigheden og grundigheden af ​​AI-analyse.

Det er dog vigtigt at bemærke, at selvom disse løsninger kan hjælpe med at afhjælpe kvalifikationskløften mellem analytikere og dataforskere, er de ikke en erstatning for sidstnævnte. Dataforskere forbliver en kritisk partner med forretningseksperter til at validere de data, der bruges i AI-aktiverede løsninger. Og ud over dette samarbejde vil uddannelse og datafærdigheder være afgørende for at bruge denne slags værktøjer med succes i skala.

Datakendskab giver flere mennesker mulighed for at udnytte AI

Din grundlæggende datastrategi spiller en stor rolle i at sætte din organisation op til succes med AI, men at bringe AI-løsninger til flere mennesker på tværs af virksomheden vil kræve en grundlæggende datakompetence. At forstå, hvilke data der er passende at anvende på et forretningsproblem, samt hvordan man fortolker dataene og resultaterne af en AI-anbefaling, vil hjælpe folk med succes at stole på og adoptere AI som en del af deres beslutningstagning. Et fælles datasprog i organisationen åbner også flere døre for succesfuldt samarbejde med eksperter.

McKinseys seneste globale undersøgelse om AI afslørede, at inden for 34 % af højtydende organisationer "udvikler et dedikeret træningscenter ikke-teknisk personales AI-færdigheder gennem praktisk læring," sammenlignet med kun 14 % af alle andre adspurgte. Derudover er der i 39 % af højtydende organisationer "udpegede kommunikationskanaler og kontaktpunkter mellem AI-brugere og organisationens datavidenskabsteam," sammenlignet med kun 20 % af andre.

Ledere kan anvende en række forskellige tilgange til at opbygge datafærdigheder, lige fra uddannelse og træning, mentorprogrammer, datakonkurrencer til fællesskabsopbygning og meget mere. Tænk på at normalisere adgang og deling af data, samt hvordan du fejrer og fremmer succeser, læring og beslutningstagning med data.

"Datakendskab og uddannelse om visualisering og datavidenskab skal være mere udbredt og undervises hurtigere," sagde Vidya Setlur, leder af Tableau Research. "Der er en slags socialt og organisatorisk ansvar, der følger med afhængigheden af ​​at bruge data. Folk burde være bedre rustet til at forstå, fortolke og få mest muligt ud af data, fordi AI kun bliver mere sofistikeret, og vi burde være et par skridt foran spillet."

At fortsætte med at opbygge din organisations datakultur skaber stærke muligheder for at pleje kompetencer og fremme nye løsninger på tværs af virksomheden. Mange organisationer har allerede øget deres investeringer i data og analyser i de senere år, i takt med at den digitale transformation er accelereret. Det er ikke en rækkevidde at tænke på data som en holdsport – og nu har vi midlerne til at udvide den tankegang til AI.