Przez AI Trends Staff
Organizacje, które zobowiązały się do rozwijania projektów AI i odniosły sukces w następnej kolejności, stają przed wyzwaniami związanymi z pomyślnym skalowaniem projektu dla przedsiębiorstwa.
Aby doświadczyć wszystkich korzyści, organizacja musi dostosować sztuczną inteligencję do strategii biznesowej, zapewnić współpracę międzyfunkcyjną, zainwestować w odpowiednie talenty i szkolenia oraz zastosować solidne praktyki w zakresie danych, sugeruje niedawne konto w Przewód techniczny.
To nie są małe zadania. Ostatnia globalna ankieta na temat sztucznej inteligencji przeprowadzona przez McKinsey Okazało się, że większość respondentów, którzy zaangażowali się w sztuczną inteligencję, zyskuje na wartości, ale niektórzy osiągają większą skalę, wzrost przychodów i oszczędność kosztów niż reszta.
Oddzielna ankieta autorstwa Accenture odkryli, że firmy, które strategicznie skalują sztuczną inteligencję, generują pięciokrotnie większy zwrot z inwestycji w porównaniu z firmami, które nie są w stanie skalować. Około 86% dyrektorów stwierdziło, że nie spodziewają się osiągnąć swoich celów rozwojowych, jeśli nie będą w stanie skalować swojej sztucznej inteligencji. Co więcej, trzy czwarte ankietowanych menedżerów wyższego szczebla uważa, że ich firmy prawdopodobnie zbankrutują, jeśli nie będą agresywnie wdrażać sztucznej inteligencji w całej organizacji.
W pewnym kontekście McKinsey szacuje, że sztuczna inteligencja doda 13 bilionów dolarów do światowej gospodarki w następnej dekadzie. Pełna wartość sztucznej inteligencji może się urzeczywistnić tylko wtedy, gdy firmy zrekompensują swoje początkowe koszty rozwoju sztucznej inteligencji, przynosząc znaczne korzyści biznesowe wynikające z jej powszechnego wdrażania. Jednak „Większość firm zmaga się ze skalowaniem AI” – czytamy na koncie.
Główne powody, dla których skalowanie AI jest tak trudne, można podzielić na cztery tematy: personalizacja, dane, talent i zaufanie, sugeruje autor ostatniego konta w VentureBeat.
Dostosowywanie: Większość modeli rozwiązywania problemów AI-Na przykład ML, głębokie uczenie i przetwarzanie języka naturalnego-są open source, swobodnie dostępne dla każdego. Zespoły korporacyjne muszą dostosować i przeszkolić każdy model, aby pasował do konkretnego problemu, danych i domeny. Parametry modelu należy zoptymalizować, aby dostosować je do kluczowych wskaźników wydajności firmy. W celu wdrożenia modele muszą być zintegrowane z istniejącą architekturą IT.
„Budowanie systemów AI od podstaw dla każdego problemu i domeny wymaga więc mnóstwa pracy nad dostosowaniem” – stwierdził autor. Ganesh Padmanabhan jest wiceprezesem ds. Globalnego rozwoju biznesu i partnerstw strategicznych w Poza Umysłami. Firma z siedzibą w Tel Awiwie dostarcza modułowy silnik AI, którego celem jest rozwiązywanie rzeczywistych problemów biznesowych. „Kluczowym elementem operacjonalizacji sztucznej inteligencji jest uczynienie procesu dostosowywania tak wydajnym, jak to tylko możliwe” – stwierdził.
Data: Wysiłek potrzebny do wykorzystania, przygotowania i uzyskania dostępu do danych w celu prowadzenia projektów AI jest często niedoceniany i jest przyczyną niepowodzenia wielu projektów AI. W wielu przypadkach organizacja zdaje sobie sprawę, że brakuje jej ustandaryzowanych definicji danych lub właściwych definicji danych i boryka się z rozproszonymi źródłami danych. „To rozpoczyna wieloletnią podróż transformacji” – stwierdził Padmanabhan. Do wprowadzenia projektów pilotażowych AI do produkcji potrzebne są zaawansowane techniki uczenia maszynowego do pracy z mniejszymi zestawami danych i głośniejszymi danymi w środowisku produkcyjnym.
Talent: Inżynierowie ML i analitycy danych, którzy łączą umiejętności statystyczne (ML), wiedzę specjalistyczną i doświadczenie w tworzeniu oprogramowania. „Konieczność wzmocnienia zespołu opóźnia realizację wartości dzięki sztucznej inteligencji” – stwierdził, dodając: „Te zespoły potrzebują lat, aby zacząć osiągać rzeczywiste wyniki”. Zasugerował, że niektóre organizacje rozszerzają wewnętrzne zespoły AI o partnerów zewnętrznych, aby przyspieszyć ścieżkę od pilota do produkcji.
Zaufanie: Biorąc pod uwagę obawy, że sztuczna inteligencja może sprawić, że miejsca pracy staną się przestarzałe, systemy AI muszą być projektowane z myślą o współpracy człowiek-maszyna u podstaw. „Aby wdrożyć sztuczną inteligencję na dużą skalę w całej organizacji, potrzebujesz wsparcia, wsparcia i integracji w wielu procesach biznesowych, systemach IT i przepływach pracy interesariuszy” – powiedział Padmanabhan.
Utrzymanie zgodności z wymogami audytu wewnętrznego i regulacyjnymi jest również szybko rozwijającym się obszarem, który jest również wymagany. Wszelkie stronnicze decyzje podejmowane przez sztuczną inteligencję z czarnej skrzynki mogą stanowić ryzyko. „Jest to krytyczna przeszkoda, na którą natkną się nawet najbardziej zaawansowane zespoły, próbując skalować sztuczną inteligencję w swoich organizacjach” – powiedział.
„Kultura pracy silosowej” wokół zarządzania danymi musi przejść
Część wysiłków na rzecz skalowania AI w przedsiębiorstwie może wymagać przekształcenia „silosowej kultury pracy”, zwłaszcza w zakresie zarządzania danymi, sugeruje założyciel firmy, która pomaga firmom przyspieszyć wdrażanie sztucznej inteligencji.
"Skalowanie AI w przedsiębiorstwach wymaga połączenia biznesu, technologii i danych” – powiedział Sumanth Vakada, założyciel i dyrektor generalny Jakość Data Machines, z siedzibą w Skillman, NJ, w post na blogu. "Dane organizacyjne muszą zostać odblokowane, aby zapewnić ich swobodny przepływ w całej organizacji. To nie może się zdarzyć w zamkniętej kulturze pracy, a organizacje muszą zbudować interdyscyplinarny zespół, aby napędzać sztuczną inteligencję w organizacjach” – sugeruje.
Wysiłek wymaga połączenia wielu strumieni danych z zespołów roboczych, aplikacji, klientów, produktów i usług. „Każdy z tych obszarów jest w stanie generować dane, które mają wpływ na inne obszary z boku”, stwierdził Vakada, dodając, że należy pokonać przeszkodę, aby wykorzystać dane międzyfunkcyjne.
Jeśli nie, organizacja próbująca skalować sztuczną inteligencję potrzebuje „modelu zarządzania sztuczną inteligencją”, z wpisem kierownictwa, zgodnością ze strategią biznesową oraz strukturą ról i odpowiedzialności za realizację. Sugeruje, że jednym ze skutecznych podejść jest „hub i szprycha”: model, w którym centrum przejmuje odpowiedzialność za strategię i planowanie, a małe zespoły w różnych działach zajmują się realizacją.
„Dzisiejsze skalowanie sztucznej inteligencji daje organizacjom ogromną przewagę nie tylko w zbieraniu nisko położonych owoców automatyzacji i inteligencji, ale także w budowaniu zdolności na przyszłość” – stwierdził Vakada.
Przeczytaj artykuły źródłowe i informacje in Przewód techniczny, w raportach z McKinsey i Accenture, in VentureBeat oraz blogu od Jakość Maszyny danych.
Do kasy PrimeXBT
Handluj z oficjalnymi partnerami CFD AC Milan
Najłatwiejszy sposób na handel kryptowalutami.
Źródło: https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/
