Organisaties van elke omvang omarmen AI als een transformatieve technologie om hun digitale transformatietrajecten mogelijk te maken. Toch kunnen de uitdagingen rond het operationaliseren van AI op schaal nog steeds onoverkomelijk lijken, met een groot nummer van projecten die mislukken.

Ik heb met verschillende organisaties in big data en AI gewerkt en heb een aantal duidelijke trends gezien over waarom AI-inspanningen na een enthousiaste start mislukken. Dit zijn grote gevestigde organisaties die geweldig werk hebben geleverd door steun te vergaren van hun bestuur, C-suite, zakelijke belanghebbenden en zelfs klanten om aan AI-aangedreven transformatietrajecten te beginnen. Ze hebben hoogstwaarschijnlijk een of andere vorm van een Center of Excellence (CoE) voor AI opgezet, met sleutelfiguren in zowel leiderschaps- als technische rollen, en hebben de belofte van AI aangetoond door een paar machine learning-projecten op beperkte schaal te gebruiken. Vervolgens gaan ze over op het opschalen van een project naar productie en lopen ze vast.

De redenen waarom het schalen van AI zo uitdagend is, lijken onder vier thema's te vallen: maatwerk, data, talent en vertrouwen.

Maatwerk. Het oplossen van problemen met machine learning (ML) om bedrijfsresultaten te verbeteren, vereist maatwerk. De meeste modellen voor het oplossen van AI-problemen - bijvoorbeeld ML, deep learning (DL) en natuurlijke taalverwerking (NLP) - zijn open source of vrij beschikbaar. En deze modellen zelf zijn niet de kritische factor bij het oplossen van problemen van productiekwaliteit. Uw team moet elk model aanpassen en trainen voor uw specifieke probleem, gegevens en domein. Vervolgens moet u de modelparameters optimaliseren zodat ze aansluiten bij de beoogde resultaten / key performance indicators (KPI's) van uw bedrijf. Om uw modellen vervolgens te implementeren, moet u ze integreren in uw bestaande IT-architectuur. Het vanaf nul bouwen van AI-systemen voor elk probleem en domein vereist dus een hoop maatwerk. Of, als u ervoor kiest om kant-en-klare oplossingen te kopen die niet zijn geoptimaliseerd voor uw specifieke behoeften, doet u een compromis op het gebied van prestaties en resultaten. Beide paden hebben hun voor- en nadelen, maar het is belangrijk om te erkennen dat AI aanpassingen vereist voor elk project en elk bedrijfsprobleem, en dat een belangrijk onderdeel van het operationaliseren van AI is om het aanpassingsproces zo efficiënt mogelijk te maken.

Gegevens. Ik heb een aantal organisaties zien falen bij AI omdat ze de inspanning onderschatten die nodig was om de gegevens te benutten, voor te bereiden en toegang te krijgen tot deze projecten op productieschaal, en het wordt een konijnenhol. In de meeste van dergelijke gevallen realiseren ze zich dat ze geen gestandaardiseerde gegevensdefinities of goed gegevensbeheer hebben, of worstelen ze met gedistribueerde gegevensbronnen. Dit is de start van een meerjarige transformatie-reis. Hoewel er een heleboel big data-projecten bestaan ​​om toegang te krijgen tot deze ongelijksoortige datasets, deze te organiseren en te beheren, zijn deze niet voldoende om een ​​schaalbare oplossing voor dit probleem te bieden. Geavanceerde machine learning-technieken om te werken met kleinere datasets en luidruchtigere data in de productie zijn ook nodig om deze blokkade te elimineren om AI-piloten naar productie te krijgen. 

Talent. De meeste organisaties waar ik AI-projecten heb gezien, slagen er niet in om ingehuurde ML-ingenieurs en datawetenschappers te schalen en realiseerden zich dat het onmogelijk was om iemand te vinden met een combinatie van statistische (ML) vaardigheden en domeinexpertise (zowel in het zakelijke domein als in het procesdomein). ), en ervaring met softwareontwikkeling. Dus, met behulp van klassiek organisatieontwerp, proberen ze er omheen te werken. Hoewel je uiteindelijk een formidabele interne capaciteit zult vormen als je dit felbegeerde talent kunt behouden en ontwikkelen, vertraagt ​​de noodzaak om een ​​team op te voeren je waarde-realisatie met AI. Dit heeft invloed op uw vermogen om snel genoeg te innoveren. Ik noem dit de "AI-doorvoer", het aantal AI-projecten dat in productie kan worden genomen. Het duurt jaren voordat deze teams echte resultaten gaan boeken. Meer succesvolle organisaties hebben een holistische ecosysteembenadering geïntroduceerd voor het opschalen van talent door interne AI-teams uit te breiden met externe partners om een ​​sneller pilot-naar-productiepad te ontwerpen en de AI-doorvoer te verbeteren.

Trust​ Mensen over de hele wereld hebben gemengde gevoelens over AI en zijn bang dat het hun baan overbodig of irrelevant maakt. Het ontwerpen van AI-systemen die de samenwerking tussen mens en machine benadrukken, is dus fundamenteel voor het opschalen van AI in deze organisaties. Hoewel volledige automatisering door middel van AI de oplossing kan zijn voor veel zakelijke uitdagingen, zijn de meest impactvolle en alfa-processen nog steeds degene die mensen uitvoeren. Voor grootschalige acceptatie van AI in een organisatie heb je buy-in, ondersteuning en integratie nodig voor meerdere bedrijfsprocessen, IT-systemen en workflows van belanghebbenden. AI-implementatie in bedrijfsprocessen brengt ook een verscheidenheid aan risico's met zich mee. Een risico betreft de bedrijfsprestaties in gevallen waarin de zakelijke impact van het AI-systeem onduidelijk is, wat organisaties tijd, middelen en alternatieve kosten kost. Een ander risico is de naleving van de interne audit- en regelgevingsvereisten, een gebied dat grotendeels snel evolueert. Een derde type risico betreft reputatieschade, waarbij de bezorgdheid bestaat dat vooringenomen beslissingen of beslissingen die worden genomen door black box-algoritmen een negatieve invloed kunnen hebben op de ervaringen van belanghebbenden. Dit is een cruciaal obstakel waar zelfs de meest geavanceerde teams tegenaan lopen wanneer ze proberen om AI binnen hun organisaties te schalen.

Het overwinnen van de uitdagingen die ik hier heb geschetst, vereist meer dan alleen technologie en toolsets. Het omvat een combinatie van organisatieprocessen, het kunnen betrekken van verschillende teams en het actief samenwerken met een samengesteld ecosysteem van interne en externe partners. De $ 15.7 biljoen kansen met AI liggen voor ons, maar het vereist dat we samenkomen als een industrie om deze belangrijke uitdagingen op te lossen. Ik zal deze gebieden in toekomstige berichten onderzoeken, met de nadruk op het delen van enkele best practices.

Ganesh Padmanabhan is VP, Global Business Development & Strategic Partnerships bij Beyond Minds. Hij is ook lid van de Cognitieve wereld Think Tank over zakelijke AI.