Oleh Staf AI Trends  

Organisasi yang telah membuat komitmen untuk mengembangkan proyek AI dan telah mengalami beberapa keberhasilan selanjutnya menghadapi tantangan seputar keberhasilan penskalaan proyek untuk perusahaan.   

Untuk merasakan semua manfaat, organisasi perlu menyelaraskan AI dengan strategi bisnis, memastikan kolaborasi lintas fungsi, berinvestasi dalam bakat dan pelatihan yang tepat, dan menerapkan praktik data yang kuat, menyarankan akun terbaru di Kawat Teknologi.   

Ini bukanlah tugas kecil. Survei global terbaru tentang AI yang dilakukan oleh McKinsey menemukan bahwa sebagian besar responden yang telah berkomitmen pada AI mendapatkan nilai, tetapi beberapa mencapai skala besar, pendapatan meningkat, dan penghematan biaya daripada yang lain.  

Survei terpisah oleh Accenture menemukan bahwa perusahaan yang menskalakan AI secara strategis menghasilkan laba atas investasi lima kali lipat dibandingkan dengan perusahaan yang tidak dapat menskalakan. Beberapa 86% eksekutif melaporkan bahwa mereka tidak berharap untuk mencapai tujuan pertumbuhan mereka kecuali mereka dapat meningkatkan AI mereka. Selain itu, tiga perempat eksekutif tingkat C yang disurvei percaya bahwa perusahaan mereka kemungkinan besar akan gulung tikar jika gagal menerapkan AI secara agresif di seluruh organisasi mereka.   

Untuk beberapa konteks, McKinsey memperkirakan bahwa AI akan menambah $ 13 triliun ke ekonomi global dalam dekade berikutnya. Nilai penuh AI hanya dapat terwujud ketika perusahaan telah mengimbangi biaya awal pengembangan AI mereka, dengan keuntungan bisnis yang substansial dari penerapannya yang meluas. Namun, "Sebagian besar perusahaan kesulitan untuk menskalakan AI," kata akun tersebut.  

Alasan utama mengapa penskalaan AI sangat menantang berada di bawah empat tema: penyesuaian, data, bakat, dan kepercayaan, saran penulis akun baru-baru ini di VentureBeat.   

Kustomisasi: Sebagian besar model untuk memecahkan masalah AI-ML, deep learning dan natural language processing misalnya-bersumber terbuka, tersedia secara gratis untuk siapa saja. Tim perusahaan perlu menyesuaikan dan melatih setiap model agar sesuai dengan masalah, data, dan domain tertentu. Parameter model perlu dioptimalkan agar selaras dengan indikator kinerja utama bisnis. Untuk diterapkan, model perlu diintegrasikan ke dalam arsitektur TI yang ada.   

“Membangun sistem AI dari awal untuk setiap masalah dan domain membutuhkan banyak pekerjaan penyesuaian,” kata penulisnya, Ganesh Padmanabhan adalah Wakil Presiden, Pengembangan Bisnis Global & Kemitraan Strategis di Melampaui Pikiran. Berbasis di Tel Aviv, perusahaan memasok mesin AI modular yang ditujukan untuk memecahkan masalah bisnis dunia nyata. “Bagian penting dari pengoperasian AI adalah membuat proses kustomisasi seefisien mungkin,” ujarnya.  

Tanggal: Upaya yang diperlukan untuk memanfaatkan, mempersiapkan, dan mengakses data untuk mendorong proyek AI sering diremehkan, dan menjadi alasan banyak proyek AI gagal. Dalam banyak kasus, organisasi menyadari bahwa mereka kekurangan definisi data standar atau definisi data yang tepat, dan mereka kesulitan dengan sumber data terdistribusi. “Ini memulai perjalanan transformasi multi-tahun,” kata Padmanabhan. Diperlukan teknik pembelajaran mesin tingkat lanjut untuk bekerja dengan kumpulan data yang lebih kecil dan data yang lebih berisik dalam produksi untuk membuat proyek percontohan AI ke produksi.  

Bakat: Insinyur ML dan ilmuwan data yang menggabungkan keterampilan statistik (ML), keahlian domain, dan pengalaman pengembangan perangkat lunak. "Kebutuhan untuk meningkatkan tim menunda realisasi nilai Anda dengan AI," katanya, menambahkan, "Perlu waktu bertahun-tahun bagi tim-tim ini untuk mulai menghasilkan hasil yang nyata." Beberapa organisasi menambah tim AI internal dengan mitra eksternal, untuk jalur pilot-to-produksi yang lebih cepat, sarannya.   

Trust: Mengingat ketakutan AI dapat membuat pekerjaan menjadi usang, sistem AI perlu dirancang dengan kolaborasi manusia-mesin sebagai dasarnya. "Untuk adopsi AI dalam skala besar di seluruh organisasi, Anda memerlukan dukungan, dukungan, dan integrasi di berbagai proses bisnis, sistem TI, dan alur kerja pemangku kepentingan," kata Padmanabhan.  

Mempertahankan kepatuhan dengan audit internal dan persyaratan peraturan merupakan bidang yang berkembang pesat, juga diperlukan. Keputusan bias apa pun yang dibuat oleh kotak hitam AI dapat menimbulkan risiko. "Ini adalah kendala kritis yang bahkan akan dihadapi oleh tim paling canggih saat mencoba mengukur AI di seluruh organisasi mereka," katanya.  

“Budaya Kerja Siled” Seputar Manajemen Data Perlu Dilakukan  

Bagian dari upaya untuk menskalakan AI di perusahaan mungkin memerlukan transformasi "budaya kerja tertutup", terutama seputar manajemen data, saran pendiri perusahaan yang membantu perusahaan mempercepat adopsi AI.   

"Penskalaan AI di perusahaan membutuhkan perpaduan bisnis, teknologi, dan data, ”kata Sumanth Vakada, pendiri dan CEO Kualitatif Mesin Data, yang berbasis di Skillman, NJ, di a posting blog. "Data organisasi perlu dibuka untuk memastikan aliran bebasnya di seluruh organisasi. Hal ini tidak dapat terjadi dalam budaya kerja yang tertutup dan organisasi harus membangun tim interdisipliner untuk menggerakkan AI dalam organisasi, ”sarannya.  

Upaya tersebut perlu menggabungkan beberapa aliran data dari tim kerja, aplikasi, klien, produk, dan layanan. “Masing-masing area ini mampu menghasilkan data yang berdampak pada area lain secara lateral,” kata Vakada, seraya menambahkan bahwa rintangan perlu diatasi untuk memanfaatkan data lintas fungsi. 

Jika tidak ada, organisasi yang mencoba menskalakan AI memerlukan "Model Tata Kelola AI," dengan dukungan dari C-suite, keselarasan dengan strategi bisnis, dan penataan peran dan tanggung jawab untuk pelaksanaan. Salah satu pendekatan yang efisien adalah “hub and spoke: model dengan hub yang bertanggung jawab atas strategi dan perencanaan, dan tim kecil di berbagai departemen yang menangani eksekusi, sarannya. 

“Scaling AI hari ini memberi organisasi awal yang sangat baik tidak hanya dalam memetik buah rendah dari otomasi dan kecerdasan, tetapi juga dalam membangun kapasitas untuk masa depan,” kata Vakada. 

Baca artikel dan informasi sumber in Kawat Teknologi, dalam laporan dari McKinsey dan  Accenture, in VentureBeat dan di posting blog dari Kualitatif Mesin Data.

Lihat PrimeXBT
Berdaganglah dengan Mitra CFD Resmi AC Milan
Cara termudah untuk berdagang Crypto.
Sumber: https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/