AI Trends Staff
Организации, которые взяли на себя обязательства по разработке проектов ИИ и добились определенных успехов, в дальнейшем сталкиваются с проблемами, связанными с успешным масштабированием проекта для предприятия.
Чтобы ощутить все преимущества, организации необходимо согласовать ИИ с бизнес-стратегией, обеспечить межфункциональное сотрудничество, инвестировать в нужные таланты и обучение и применять надежные методы обработки данных, - предлагает недавний аккаунт в Технический провод.
Это немалые задачи. Недавнее глобальное исследование ИИ, проведенное McKinsey обнаружили, что большинство респондентов, приверженных искусственному интеллекту, получают прибыль, но некоторые из них достигают больших масштабов, увеличения доходов и экономии средств, чем остальные.
Отдельный обзор Accenture обнаружили, что компании, которые стратегически масштабируют ИИ, приносят в пять раз большую отдачу от инвестиций по сравнению с компаниями, которые не могут масштабироваться. Около 86% руководителей сообщили, что они не ожидают достижения своих целей роста, если не смогут масштабировать свой ИИ. Более того, три четверти опрошенных руководителей высшего звена считают, что их компании, скорее всего, обанкротятся, если им не удастся активно развернуть ИИ в своей организации.
По некоторым оценкам McKinsey, в ближайшее десятилетие ИИ добавит мировой экономике 13 триллионов долларов. Полная ценность ИИ может материализоваться только тогда, когда фирмы компенсируют свои первоначальные затраты на разработку ИИ, получая существенную выгоду для бизнеса от его широкого внедрения. Однако «большинство компаний изо всех сил пытаются масштабировать ИИ», - говорится в отчете.
Основные причины, по которым масштабирование ИИ является таким сложным, можно разделить на четыре темы: настройка, данные, талант и доверие, предполагает автор недавнего аккаунта в VentureBeat.
Производство на заказ: Большинство моделей для решения задач ИИ-Например, машинное обучение, глубокое обучение и обработка естественного языка-имеют открытый исходный код, свободно доступны для всех. Команды предприятий должны настроить и обучить каждую модель, чтобы она соответствовала конкретной проблеме, данным и предметной области. Параметры модели необходимо оптимизировать, чтобы привести их в соответствие с ключевыми показателями эффективности бизнеса. Для развертывания модели необходимо интегрировать в существующую ИТ-архитектуру.
«Создание систем искусственного интеллекта с нуля для каждой проблемы и предметной области требует тонны настройки», - заявил автор. Ганеш Падманабхан - вице-президент по глобальному развитию бизнеса и стратегическому партнерству в За гранью разума. Базирующаяся в Тель-Авиве компания поставляет модульный движок ИИ, предназначенный для решения реальных бизнес-задач. «Ключевой частью внедрения ИИ является повышение эффективности процесса настройки, насколько это возможно», - заявил он.
Данные: Усилия, необходимые для использования, подготовки и доступа к данным для реализации проектов ИИ, часто недооцениваются, и это причина того, что многие проекты ИИ терпят неудачу. Во многих случаях организации понимают, что им не хватает стандартизованных определений данных или надлежащих определений данных, и они борются с распределенными источниками данных. «Это положит начало многолетнему пути трансформации», - заявил Падманабхан. Чтобы запустить пилотные проекты ИИ в производство, необходимы передовые методы машинного обучения для работы с небольшими наборами данных и более шумными данными в производственной среде.
Талант: Инженеры машинного обучения и специалисты по обработке данных, сочетающие статистические навыки (МО), знания в предметной области и опыт разработки программного обеспечения. «Необходимость наращивания команды задерживает реализацию вашей ценности с помощью ИИ», - заявил он, добавив: «Этим командам требуются годы, чтобы начать приносить реальные результаты». По его мнению, некоторые организации дополняют внутренние команды ИИ внешними партнерами для более быстрого перехода от пилотного проекта к производственному.
Доверия: Учитывая опасения, что искусственный интеллект может сделать рабочие места устаревшими, системы искусственного интеллекта должны разрабатываться на основе взаимодействия человека и машины. «Для широкомасштабного внедрения ИИ в организации вам потребуется участие, поддержка и интеграция множества бизнес-процессов, ИТ-систем и рабочих процессов заинтересованных сторон», - заявил Падманабхан.
Обеспечение соблюдения требований внутреннего аудита и регулирующих органов также является быстро развивающейся областью. Любые предвзятые решения, принятые ИИ черного ящика, могут представлять опасность. «Это серьезное препятствие, с которым столкнутся даже самые продвинутые команды, пытаясь масштабировать ИИ в своих организациях», - сказал он.
«Культура разрозненной работы» вокруг управления данными должна быть устранена
Часть усилий по масштабированию ИИ на предприятии может потребовать трансформации «изолированной культуры работы», особенно в отношении управления данными, предполагает основатель компании, которая помогает компаниям ускорить внедрение ИИ.
Масштабирование ИИ на предприятиях требует объединения бизнеса, технологий и данных », - заявил Сумант Вакада, основатель и генеральный директор качество Data Machines, базирующаяся в Скиллмане, штат Нью-Джерси, в блоге. Необходимо разблокировать данные организации, чтобы обеспечить их свободный поток по организации. Этого не может произойти в условиях изолированной рабочей культуры, и организации должны создать междисциплинарную команду, которая будет управлять ИИ в организациях », - предлагает он.
Необходимо объединить несколько потоков данных от рабочих групп, приложений, клиентов, продуктов и услуг. «Каждая из этих областей способна генерировать данные, которые влияют на другие области в боковом направлении», - заявил Вакада, добавив, что необходимо преодолеть препятствие, чтобы использовать кросс-функциональные данные.
Если ее нет, то организации, пытающейся масштабировать ИИ, нужна «Модель управления ИИ» с участием высшего руководства, согласованием с бизнес-стратегией и структурированием ролей и обязанностей по исполнению. По его мнению, одним из эффективных подходов является модель «хаб и спица», в которой хаб берет на себя ответственность за стратегию и планирование, а небольшие группы в различных отделах занимаются исполнением.
«Сегодняшнее масштабирование ИИ дает организациям огромную фору не только в выборе низкорасположенных плодов автоматизации и интеллекта, но и в создании потенциала для будущего», - заявил Вакада.
Прочтите исходные статьи и информацию in Технический провод, в отчетах от McKinsey и Accenture, in VentureBeat и в блоге от качество Машины данных.
Касса PrimeXBT
Торгуйте с официальными CFD-партнерами AC Milan
Самый простой способ торговать криптовалютой.
Источник: https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/
