De fleste bedrifter lider av uregelmessig utplassering og styring av kunstig intelligens (AI)-initiativer. Ettersom ulike deler av organisasjonen eksperimenterer med AI i siloer, kaster de bort både ressurser og muligheten til å lære av andres erfaringer. Da firmaet mitt bestilte en uavhengig tredjepartsundersøkelse av mer enn 2,500 AI-utøvere på tvers av bransjer og geografier fant den at organisasjoner har investert store summer i kunstig intelligens, men bare skaffet seg grunnleggende evner; så mange som tre av fire respondenter sa at de fortsatt var ute etter å skalere AI på tvers av bedriften.

Inntil det skjer, vil de virkelige fordelene med AI forbli unnvikende; på baksiden, til og med små investeringer i AI-initiativer som finner skala gir uforholdsmessig høy avkastning. Ett anslag sier at organisasjoner som bygger inn AI i forretningsprosesser, arbeidsflyter og kundeopplevelser kan øke lønnsomheten ved å så mye som 20%.

Ifølge observatører skylder selskapene som har skalert AI sin suksess til visse god praksis som:

Prioritering og skalering av de riktige initiativene for å øke verdien: Vanligvis skalerer AI-ledere mange flere brukstilfeller – og mye raskere – enn andre firmaer. Fokusere på å bygge AI-drevne forretningsevner som driver flere brukssaker som tjener viktige forretningsprioriteringer, sørge for at nye AI-funksjoner er raskt tilgjengelige for de som trenger dem, og utnytte velprøvde utførelsesmodeller sammen med smidig utvikling gjør dem i stand til å skalere mer enn to av fem brukstilfeller, hvor andre klarer å skalere bare én (av fem). 

Etablere struktur og styring for å holde programmer på rett spor: Et flertall av selskaper som har skalert AI har veldefinerte strategier og prosesser, en god driftsmodell og et robust styringsrammeverk for å feste ansvar og ansvarlighet til de rette eierne.  

Organisasjoner må også bygge tillit til AI før de kan skalere adopsjon blant ansatte og kunder; AI som ikke er gjennomsiktig, forklart eller forstått vil sannsynligvis skuffe, skape tvil eller forbli ubrukt. Ofte prioriterer organisasjoner basert på forretningsverdi og enkel implementering. For AI er imidlertid påliteligheten til løsningen det mest avgjørende elementet som driver bruk og suksess. For å produsere pålitelige, pålitelige og rettferdige resultater, er det nødvendig å mate AI-modeller med riktig type treningsdata – det som er rent og nøyaktig, men også etisk og fri for partiskhet.

Støtteprogrammer med lederskap og talent: Støtte fra ledere, og tilgjengeligheten av sterke ferdigheter, er enorme suksessfaktorer i å skalere AI. Vanligvis organisasjoner hvor mer enn 10% av det tekniske personalet jobber med kunstig intelligens og mer enn 30 % av de ansatte bruker kunstig intelligens hver dag, oppnår mye større lønnsomhetsforbedringer enn andre firmaer. Deres ledelse gir avgjørende støtte, inkludert prioritering av riktige brukstilfeller og definering av veikartet i skala.

I tillegg til teknisk personell og toppledere, bør personer med forretningsekspertise – de som er nærmest forretningsproblemet som skal løses – være en del av AI-teamet; kunnskapen deres er avgjørende for å utforme de riktige AI-modellene og dataene som følger med. De blir også viktige forkjempere i å evangelisere og drive innføringen av AI i næringsliv. Akkurat som seniorledere sikrer at AI er på linje med strategiske mål, sørger forretningseksperter for at den er knyttet til forretningsprioriteringer. 

Å være dataklar og ha kunnskap om bruk av data: AI-ledere vet hvilke data de skal velge – det som er avgjørende for virksomheten deres – fra de ubegrensede kildene som finnes der ute, og hvordan de kan administrere dem effektivt. Å gjøre data tilgjengelig, tilgjengelig og pålitelig for AI-bruk muliggjør skalerte implementeringer av AI. Mens AI-ledere vanligvis håndterer mer data etter volum og variasjon enn andre selskaper, klarer de også å oppnå høyere datakvalitet. Ved å bruke ulike digitale verktøy og teknologier – sky, datavitenskap og analyse – er de i stand til å optimalisere dataene sine og ta AI-initiativer til suksess. 

For å skalere AI, må organisasjoner dele data på tvers av bedriften; men de må også ha en viss grad av kontroll over det. Dette setter dem i et dilemma om hvilken datahåndteringsstrategi de skal følge: sentralisert eller føderert. Men svaret er ikke så enkelt. Synet til bransjeeksperter er at selv om sentralisert dataadministrasjon kan forbedre fortjenesten, kan en fullstendig forent dataadministrasjonsstrategi også gjøre det. En kombinasjon av "hub and spoke"-strategi, der organisasjonen sentraliserer plattformen og teknologien, men tillater teamet operasjonell autonomi, ser ut til å tilby det beste fra begge verdener.

Avslutningsvis: AI og dataøkonomien 

Data gir liv til AI. Men AI kan gi tilbake tjenesten ved å redusere to viktige utfordringer som dataøkonomien står overfor: siloer og mangel på åpenhet i hvordan personopplysninger brukes. AI-verktøy trekker på ulike informasjonskilder på tvers av en bedrift (eller økosystem), strukturerer og formaterer data slik at de er brukbare, og motvirker siloer ved å gjøre dataene synlige og dens innsikt tilgjengelig for alle deler av organisasjonen. Dette setter i gang en god syklus der nedbryting av siloer forbedrer ytelsen til AI, noe som bidrar til å senke barrierene mellom organisasjonens data ytterligere. Med skala blir denne syklusen større og bedre. Derfor, for bedrifter, er veien videre å prioritere de riktige AI-initiativene, bli dataklar for AI, bygge styring og tillit, gi lederskap og talent, og ta i bruk god datapraksis. 

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://www.dataversity.net/dont-dawdle-dont-dabble-scale-ai-now/