Door AI Trends Staff  

Organisaties die zich hebben geëngageerd om AI-projecten te ontwikkelen en enig succes hebben ervaren, worden vervolgens geconfronteerd met de uitdagingen rond het succesvol opschalen van het project voor de onderneming.   

Om alle voordelen te kunnen ervaren, moet de organisatie de AI afstemmen op de bedrijfsstrategie, zorgen voor cross-functionele samenwerking, investeren in het juiste talent en de juiste training, en sterke datapraktijken toepassen, suggereert een recent verslag in Technische draad.   

Dit zijn geen kleine taken. Een recent wereldwijd onderzoek naar AI, uitgevoerd door McKinsey ontdekte dat de meeste respondenten die zich inzetten voor AI waarde winnen, maar dat sommige een grotere schaalgrootte, omzetstijgingen en kostenbesparingen bereiken dan de rest.  

Een apart onderzoek door Accenture ontdekte dat bedrijven die AI strategisch opschalen vijf keer meer rendement op hun investering genereren dan bedrijven die niet kunnen opschalen. Ongeveer 86% van de leidinggevenden meldde dat ze niet verwachten hun groeidoelstellingen te bereiken tenzij ze hun AI kunnen opschalen. Bovendien denkt driekwart van de ondervraagde leidinggevenden op C-niveau dat hun bedrijf waarschijnlijk failliet zal gaan als ze er niet in slagen AI op agressieve wijze in de hele organisatie in te zetten.   

Voor een bepaalde context schat McKinsey dat AI de komende tien jaar 13 biljoen dollar aan de wereldeconomie zal toevoegen. De volledige waarde van AI kan alleen werkelijkheid worden als bedrijven hun initiële kosten voor de ontwikkeling van AI hebben gecompenseerd, met substantiële bedrijfswinsten uit de wijdverbreide inzet ervan. “De meeste bedrijven hebben echter moeite om AI op te schalen”, aldus het account.  

De belangrijkste redenen dat het opschalen van AI zo uitdagend is, vallen onder vier thema’s: maatwerk, data, talent en vertrouwen, suggereert de schrijver van een recent verslag in VentureBeat.   

maatwerk: De meeste modellen voor het oplossen van AI-problemen-ML, deep learning en natuurlijke taalverwerking bijvoorbeeld-zijn open source en vrij beschikbaar voor iedereen. Enterprise-teams moeten elk model aanpassen en trainen zodat het past bij het specifieke probleem, de gegevens en het domein. De modelparameters moeten worden geoptimaliseerd om af te stemmen op de belangrijkste prestatie-indicatoren van het bedrijf. Om te kunnen worden ingezet, moeten de modellen worden geïntegreerd in de bestaande IT-architectuur.   

“Het vanaf nul opbouwen van AI-systemen voor elk probleem en domein vereist dus een hoop maatwerk”, aldus de auteur. Ganesh Padmanabhan is VP, Global Business Development & Strategic Partnerships bij Beyond Minds. Het bedrijf is gevestigd in Tel Aviv en levert een modulaire AI-engine gericht op het oplossen van zakelijke problemen in de echte wereld. “Een belangrijk onderdeel van het operationeel maken van AI is het zo efficiënt mogelijk maken van het aanpassingsproces”, aldus hij.  

Datum: De inspanning die nodig is om de gegevens te benutten, voor te bereiden en toegankelijk te maken om AI-projecten aan te sturen, wordt vaak onderschat, en is de reden dat veel AI-projecten mislukken. In veel gevallen realiseert de organisatie zich dat ze geen gestandaardiseerde datadefinities of goede datadefinities hebben, en worstelen ze met gedistribueerde databronnen. “Dit is het startschot voor een meerjarig transformatietraject”, aldus Padmanabhan. Geavanceerde machine learning-technieken om met kleinere datasets en luidruchtigere data in de productie te werken zijn nodig om de AI-proefprojecten in productie te krijgen.  

Talent: ML-ingenieurs en datawetenschappers die statistische (ML) vaardigheden, domeinexpertise en softwareontwikkelingservaring combineren. “De noodzaak om een ​​team te versterken vertraagt ​​de realisatie van uw waarde met AI,” zei hij, en voegde eraan toe: “Het duurt jaren voordat deze teams echte resultaten gaan produceren.” Sommige organisaties versterken interne AI-teams met externe partners, voor een sneller traject van pilot naar productie, stelde hij voor.   

Trust: Gezien de angst dat AI banen overbodig kan maken, moeten AI-systemen worden ontworpen met samenwerking tussen mens en machine als basis. “Voor grootschalige adoptie van AI binnen een organisatie heb je buy-in, ondersteuning en integratie nodig tussen meerdere bedrijfsprocessen, IT-systemen en workflows van belanghebbenden”, aldus Padmanabhan.  

Het handhaven van de naleving van interne audit- en regelgevingsvereisten is een snel evoluerend gebied dat ook vereist is. Eventuele bevooroordeelde beslissingen van black box AI kunnen een risico vormen. “Dit is een cruciaal obstakel waar zelfs de meest geavanceerde teams tegenaan zullen lopen als ze proberen AI binnen hun organisaties te schalen”, zegt hij.  

Er moet een einde komen aan de “silo-werkcultuur” rond databeheer  

Een deel van de inspanningen om AI in de onderneming op te schalen kan een transformatie vereisen van een ‘silo-werkcultuur’, vooral rond databeheer, suggereert de oprichter van een bedrijf dat bedrijven helpt de adoptie van AI te versnellen.   

"Het opschalen van AI in ondernemingen vereist het samenbrengen van business, technologie en data”, aldus Sumanth Vakada, oprichter en CEO van Kwaliteiten Data Machines, gevestigd in Skillman, NJ, in a blogpost. "De organisatiegegevens moeten worden ontgrendeld om de vrije stroom ervan door de organisatie te garanderen. Dit kan niet gebeuren in een geïsoleerde werkcultuur en organisaties moeten een interdisciplinair team opbouwen om AI in de organisaties te stimuleren”, suggereert hij.  

De inspanning moet meerdere datastromen van werkteams, applicaties, klanten, producten en diensten combineren. “Elk van deze gebieden is in staat gegevens te genereren die lateraal impact hebben op andere gebieden”, aldus Vakada, eraan toevoegend dat de hindernis moet worden overwonnen om cross-functionele gegevens te kunnen benutten. 

Als dit niet het geval is, heeft de organisatie die AI probeert op te schalen een ‘AI-governancemodel’ nodig, met buy-in van de C-suite, afstemming op de bedrijfsstrategie en structurering van de rol en verantwoordelijkheden voor de uitvoering. Eén efficiënte aanpak is een ‘hub and spaak’-model: een model waarbij de hub de verantwoordelijkheid neemt voor strategie en planning, en kleine teams op verschillende afdelingen zich bezighouden met de uitvoering, suggereert hij. 

“Het opschalen van AI vandaag geeft organisaties een enorme voorsprong, niet alleen bij het plukken van de laaggelegen vruchten van automatisering en intelligentie, maar ook bij het opbouwen van capaciteiten voor de toekomst”, aldus Vakada. 

Lees de bronartikelen en informatie in Technische draad, uit rapporten van McKinsey en  Accenture, in VentureBeat en in de blogpost oppompen van Kwaliteiten Datamachines.

Afrekenen PrimeXBT
Handel met de officiële CFD-partners van AC Milan
De eenvoudigste manier om crypto te verhandelen.
Bron: https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/