데이터 과학, 기계 학습 및 인공 지능은 오늘날의 비즈니스 세계에서 핵심적인 기능이지만이를 효과적으로 배포하는 방법을 아는 경영진은 거의 없습니다.
이미지 : iStock / metamorworks
새로운 Forrester 보고서에 따르면 "데이터 과학, 기계 학습 및 AI에 대한 기술 경영진의 입문서, 이해 부족은 비즈니스 리더가 데이터 과학, 기계 학습 및 인공 지능 프로젝트를 효과적으로 배포하여 비즈니스 문제를 해결하는 데 방해가되고 있습니다. 보고서는 "모든 경영진은 이러한 기술을 활용하는 방법과 위치에 대해 전략적 결정을 내려야하지만, 경험이있는 리더는 거의 없기 때문에 오해가 많아 결과가 나 빠지고 리소스가 낭비되고 미래 이니셔티브에 대한 저항이 발생합니다."라고 말했습니다.
만나다: 공해상의 AI : 글로벌 배송을 혁신하는 디지털 혁신 (무료 PDF) (TechRepublic)
이 보고서는 데이터 과학을 데이터에서 의미를 추출하는 것으로 정의합니다. 기계 학습 기계 학습 모델을 훈련하기 위해 데이터에 알고리즘을 적용합니다. 과 인공 지능 새로운 방식으로 사용되는 기계 학습 및 자동화 방법의 포괄적 인 용어로 사용됩니다.
이러한 기술을 성공적으로 배포하려면 비즈니스 및 기술 통찰력과 경영진의 리더십이 필요합니다. 기술 전문가를 고용 할 수 있지만 이러한 복잡한 첨단 기술을 이해하는 비즈니스 임원을 찾는 것은 훨씬 더 어렵습니다.
이 보고서는 기업이 자신에게 유리한 확률을 높이기 위해 배포 할 수있는 XNUMX 가지 통찰력과 모범 사례를 제안합니다.
1. AI가 "보아야한다"고 생각하는 것처럼 보이면 그렇지 않을 것입니다. 개인 비서 나 문법 검사기와 같은 AI 기술처럼 똑똑한 것처럼 현실 세계의 AI는 영화에서 묘사되는 지능과 자율성 근처에는 나타나지 않습니다. “ML 및 AI 기술의 실제 장단점은 대중의 인식과 매우 다르기 때문에 아이디어, 제안 된 솔루션 또는 공급 업체 제품이 비전문가가 기대하는 것처럼 보이면 실패하거나 지나치게 과장되거나 커튼 뒤에 숨어있는 사람에게 의존합니다.”라고 보고서는 말했습니다.
2. 기술적으로 실행 가능하고 측정 가능한 비즈니스를 제공하는 프로젝트를 찾습니다. DSMLAI는 끝을 염두에두고 시작하거나 AI 및 ML 기술이 할 수있는 일로 시작해서는 안됩니다. 중간에서 만나야합니다. “순전히 비즈니스 가치로 시작하면 AI의 약점을 해결하고 강점을 놓치는 사용 사례를 선택하게됩니다 (완전 자율 주행 차량을 생각해보십시오). 데이터에서 시작하면 진실하지만 쓸모없는 통찰력을 찾을 수 있습니다 (예 : 예약이 수익을 창출합니다).”라고 보고서는 말했습니다.
3. 수명주기 접근 방식을 취하십시오. 당신이 무엇을하든, 사용자가 그것을 신경 쓰지 않거나 사용하지 않더라도 그것은 중요하지 않습니다. “일반적으로 여기에는 AI 솔루션을 배포하고이를 최종 사용자에게 제공하고 직원을 교육하는 것이 포함됩니다. 그것이 어떻게 될지 계획하지 않았다면 기껏해야 긴 지연에 대비하십시오. 최악의 경우 배포가 불가능하다는 것을 알게 될 것입니다. 프로젝트를 처음부터 끝까지 계획하고 처음부터 프로세스 전체에 걸쳐 솔루션의 최종 사용자를 참여시켜 성공 가능성을 높입니다.”라고 보고서는 말했습니다.
만나다: 양자 컴퓨팅에 대한 CIO 가이드 (무료 PDF) (TechRepublic)
4. 시간이 지남에 따라 데이터를 개선하십시오. 데이터를 바로 시작할 수있을 때까지 기다리지 마십시오. “AI 프로젝트와 관련하여 양질의 데이터는 신화입니다. 어떻게 사용할 것인지 알기 전까지는 필요한 데이터와 필요한 형식을 알 수 없으며 그 반대의 경우도 마찬가지입니다. 대신 신속하게 확보 할 수있는 데이터로 작업하고, 신속하게 가치를 창출하고, 성공을 통해 데이터 자산 및 파이프 라인에 대한 다음 투자를 옹호하십시오.”라고 보고서는 말했습니다.
5. 시간이 지남에 따라 AI 기능을 향상시킵니다. 데이터와 마찬가지로 대부분의 성공적인 DSMLAI 프로젝트는 작게 시작하여 성공을 기반으로 확장됩니다. "즉, AI 기능이 내장 된 수평 또는 수직 포인트 솔루션을 먼저 구입 한 다음 맞춤형 모델 및 애플리케이션을 사용하여 이러한 솔루션의 기능을 뛰어 넘는 경우가 많습니다."라고 보고서는 말했습니다.
6. 먼저 인간 편견에 대해 걱정 한 다음 AI. AI는 인간이 개발 한 도구이기 때문에 내장 편견을 포함. 편향을 피하는 가장 좋은 방법은 AI 모델을 훈련하는 데 사용하는 데이터를 신중하게 선별하는 것입니다. “무엇보다도 여러 가설을 테스트하고, 모델을 검증하고, 시간이 지남에 따라 편향 및 해당되는 경우 공정성을 모니터링합니다. 그렇게한다면 결과 모델은 인간의 결정보다 편견이 거의 없을 것입니다. 그렇지 않으면 편견을 강화하고 확산시킬 위험이 있습니다.”라고 보고서는 말했습니다.
7. AI 프로젝트가 오래도록 두지 마십시오. 경영진 후원자가 제대로 이해하지 못하거나 구현하거나 포기하기 때문에 AI 프로젝트는 강등 될 수 있습니다. 이 결과를 피하는 가장 좋은 방법은 나중에가 아니라 빨리 죽이는 것입니다. 보고서는 "팀이 프로젝트를 죽이면서 배운 내용을 포착하고 새롭고 실행 가능한 화신으로 부활시킬 수있는 권한을 부여합니다."라고 말했습니다.
참조
코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.techrepublic.com/article/7-best-practices-for-implementing-data-driven-technologies-like-ai-and-machine-learning/#ftag=RSS56d97e7
