모든 규모의 조직은 AI를 디지털 혁신 여정을 지원하는 혁신적인 기술로 수용하고 있습니다. AI를 대규모로 운영하는 것과 관련된 과제는 여전히 극복 할 수없는 것처럼 보일 수 있습니다. 큰 숫자 실패한 프로젝트의.

저는 여러 조직과 함께 빅 데이터 및 AI 분야에서 일해 왔으며 열정적 인 시작 이후 AI 노력이 왜 허물어지고 있는지에 대한 명확한 추세를 보았습니다. 이들은 이사회, 최고 경영진, 비즈니스 이해 관계자, 심지어 고객으로부터 AI 기반 혁신 여정에 착수하기 위해 지원을받는 놀라운 일을 수행 한 대규모 조직입니다. 그들은 리더십과 기술적 인 역할을 모두 담당하는 주요 직원과 함께 AI를위한 CoE (Center of Excellence)의 어떤 형태를 설정했을 가능성이 높으며 제한된 규모의 몇 가지 기계 학습 프로젝트를 사용하여 AI의 가능성을 입증했습니다. 그런 다음 프로젝트를 프로덕션으로 확장하기 위해 이동합니다.

AI 확장이 그토록 어려운 이유는 커스터마이징, 데이터, 재능, 신뢰라는 네 가지 주제에 해당하는 것 같습니다.

커스터마이징. 머신 러닝 (ML)으로 문제를 해결하여 비즈니스 결과를 도출하려면 사용자 지정이 필요합니다. AI 문제를 해결하기위한 대부분의 모델 (예 : ML, 딥 러닝 (DL), 자연어 처리 (NLP))은 오픈 소스이거나 무료로 제공됩니다. 그리고 이러한 모델 자체는 생산 수준의 문제를 해결하는 데 중요한 요소가 아닙니다. 팀은 특정 문제, 데이터 및 도메인에 맞게 각 모델을 사용자 지정하고 교육해야합니다. 그런 다음 비즈니스의 목표 성과 / 핵심 성과 지표 (KPI)에 맞게 모델 매개 변수를 최적화해야합니다. 그런 다음 모델을 배포하려면이를 기존 IT 아키텍처에 통합해야합니다. 따라서 모든 문제와 도메인에 대해 처음부터 AI 시스템을 구축하려면 수많은 사용자 정의 작업이 필요합니다. 또는 특정 요구 사항에 최적화되지 않은 기성 솔루션을 대신 구입하기로 선택하면 성능과 결과가 저하됩니다. 두 경로 모두 장점과 단점이 있지만 AI에는 모든 프로젝트와 모든 비즈니스 문제에 대한 사용자 지정이 필요하며 AI 운영의 핵심 부분은 사용자 지정 프로세스를 가능한 한 효율적으로 만드는 것임을 인식하는 것이 중요합니다.

데이터. 많은 조직이 AI에 실패하는 것을 보았습니다. 생산 규모에서 이러한 프로젝트를 추진하기 위해 데이터를 활용하고, 준비하고, 액세스하는 데 필요한 노력을 과소 평가했기 때문입니다. 대부분의 경우, 그들은 표준화 된 데이터 정의 나 적절한 데이터 관리가 없거나 분산 된 데이터 소스로 어려움을 겪고 있음을 깨닫습니다. 이것은 다년간의 변화 여정을 시작합니다. 이러한 이질적인 데이터 세트에 대한 액세스, 구성 및 큐레이팅을 처리하기 위해 수많은 빅 데이터 프로젝트가 존재하지만이 문제에 대한 확장 가능한 솔루션을 제공하는 데 충분하지 않습니다. 더 작은 데이터 세트와 프로덕션 환경에서 노이즈가 많은 데이터로 작업하는 고급 머신 러닝 기술은 AI 파일럿을 프로덕션으로 가져 오는 이러한 방해를 제거하기 위해 필요합니다. 

재능. AI 프로젝트를 본 대부분의 조직은 고용 된 ML 엔지니어와 데이터 과학자를 확장하지 못하고 통계 (ML) 기술, 도메인 전문 지식 (비즈니스 도메인 및 프로세스 도메인 모두에서 조합 된 사람을 찾을 수 없음을 깨달았습니다. ) 및 소프트웨어 개발 경험. 따라서 고전적인 조직 설계를 사용하여 문제를 해결하려고합니다. 이처럼 탐내는 인재를 유지하고 개발할 수 있다면 결국 강력한 사내 역량을 형성하게 될 것이지만, 팀을 강화해야 할 필요성은 AI를 통한 가치 실현을 지연시킵니다. 이는 충분히 빠르게 혁신하는 능력에 영향을줍니다. 이것을 생산에 투입 할 수있는 AI 프로젝트의 수인 "AI 처리량"이라고합니다. 이러한 팀이 실제 결과를 내기 시작하려면 몇 년이 걸립니다. 보다 성공적인 조직은 내부 AI 팀과 외부 파트너를 확대하여 더 빠른 파일럿-프로덕션 경로를 설계하고 AI 처리량을 개선함으로써 인재 확장에 대한 전체적인 에코 시스템 접근 방식을 도입했습니다.

믿어. 전 세계 사람들은 AI에 대해 엇갈린 감정을 가지고 있으며 AI로 인해 직업이 쓸모 없거나 무의미해질 수 있다는 두려움이 있습니다. 따라서 인간-기계 협업을 강조하는 AI 시스템을 설계하는 것은 이러한 조직에서 AI를 확장하기위한 기초입니다. AI를 통한 완전 자동화가 많은 비즈니스 과제에 대한 솔루션 일 수 있지만 가장 영향력 있고 알파가 높은 프로세스는 여전히 인간이 실행하는 프로세스입니다. 조직 전체에서 AI를 대규모로 채택하려면 여러 비즈니스 프로세스, IT 시스템 및 이해 관계자의 워크 플로에 대한 동의, 지원 및 통합이 필요합니다. 비즈니스 프로세스에 AI를 구현하면 다양한 위험이 발생합니다. 한 가지 위험은 AI 시스템의 비즈니스 영향이 명확하지 않아 조직의 시간, 리소스 및 기회 비용이 드는 경우 비즈니스 성과에 대한 것입니다. 또 다른 위험은 빠르게 진화하는 영역 인 내부 감사 및 규제 요구 사항을 준수하는 것입니다. 세 번째 유형의 위험은 평판입니다. 편향된 결정이나 블랙 박스 알고리즘에 의한 결정이 이해 관계자의 경험에 부정적인 영향을 미칠 수 있다는 우려가 있습니다. 이것은 가장 진보 된 팀조차도 조직 전체에서 AI를 확장하려고 할 때 직면하게 될 중요한 장애물입니다.

여기서 설명한 과제를 극복하려면 기술과 도구 세트 이상의 것이 필요합니다. 여기에는 조직 프로세스의 조합, 서로 다른 팀을 통합 할 수 있고 내부 및 외부 파트너로 구성된 선별 된 에코 시스템과 적극적으로 협력하는 것이 포함됩니다. 그만큼 $ 15.7 조 AI와의 기회가 우리 앞에 있지만, 이러한 주요 과제를 해결하기 위해 업계가 한자리에 모여야합니다. 몇 가지 모범 사례를 공유하는 데 중점을두고 향후 게시물에서 이러한 영역을 탐색 할 것입니다.

Ganesh Padmanabhan은 글로벌 비즈니스 개발 및 전략적 파트너십 담당 부사장입니다. 비욘드마인드. 그는 또한 인지 세계 엔터프라이즈 AI의 Think Tank.