Her ölçekten kuruluş, dijital dönüşüm yolculuklarını güçlendirmek için yapay zekayı dönüştürücü bir teknoloji olarak benimsiyor. Yine de, yapay zekayı geniş ölçekte operasyonel hale getirme konusundaki zorluklar hala aşılamaz görünebilir. çok sayıda başarısız olan projeler.

Birçok kuruluşla büyük veri ve yapay zeka alanında çalıştım ve hevesli bir başlangıçtan sonra yapay zeka çabalarının neden bocaladığına dair bazı net eğilimler gördüm. Bunlar, yapay zeka destekli dönüşüm yolculuklarına çıkmak için yönetim kurullarından, C-suite'ten, iş paydaşlarından ve hatta müşterilerden destek alma konusunda harika bir iş çıkaran köklü kuruluşlardır. Büyük olasılıkla, hem liderlik hem de teknik rollerde önemli işe alımlarla yapay zeka için bir tür Mükemmeliyet Merkezi (CoE) kurmuşlardır ve sınırlı ölçekte birkaç makine öğrenimi projesi kullanarak yapay zekanın vaadini göstermişlerdir. Sonra bir projeyi üretime ölçeklendirmek için harekete geçerler ve takılıp kalırlar.

Yapay zekayı ölçeklendirmenin bu kadar zorlu olmasının nedenleri dört tema altında toplanıyor gibi görünüyor: özelleştirme, veri, yetenek ve güven.

Özelleştirme. İş sonuçlarını yönlendirmek için makine öğrenimi (ML) ile sorunları çözmek için özelleştirme gerekir. Yapay zeka sorunlarını çözmeye yönelik modellerin çoğu - örneğin makine öğrenimi, derin öğrenme (DL) ve doğal dil işleme (NLP) - açık kaynaklıdır veya ücretsiz olarak kullanılabilir. Ve bu modellerin kendileri, üretim düzeyindeki sorunları çözmede kritik faktör değildir. Ekibinizin her modeli sizin özel probleminize, verilerinize ve etki alanınıza uyacak şekilde özelleştirmesi ve eğitmesi gerekecektir. Ardından, model parametrelerini işletmenizin hedef sonuçları/temel performans göstergeleri (KPI'ler) ile uyumlu olacak şekilde optimize etmeniz gerekir. Ardından, modellerinizi devreye almak için onları mevcut BT mimarinize entegre etmeniz gerekir. Bu nedenle, her sorun ve etki alanı için sıfırdan AI sistemleri oluşturmak, bir ton özelleştirme çalışması gerektirir. Veya özel ihtiyaçlarınız için optimize edilmemiş hazır çözümler satın almayı tercih ederseniz, performanstan ve sonuçlardan ödün vermiş olursunuz. Her iki yolun da avantajları ve dezavantajları vardır, ancak yapay zekanın her proje ve her iş sorunu için özelleştirme gerektirdiğini ve yapay zekayı çalıştırmanın önemli bir parçasının özelleştirme sürecini olabildiğince verimli hale getirmek olduğunu kabul etmek önemlidir.

Veri. Bu projeleri bir üretim ölçeğinde yürütmek için verileri kullanmak, hazırlamak ve verilere erişmek için gereken çabayı hafife aldıkları için yapay zekada başarısız olan birkaç kuruluş gördüm ve bu bir tavşan deliğine dönüştü. Çoğu durumda, standart veri tanımlarına veya uygun veri yönetimine sahip olmadıklarını fark ederler veya dağıtılmış veri kaynaklarıyla mücadele ederler. Bu, çok yıllı bir dönüşüm yolculuğunu başlatır. Bu farklı veri kümelerine erişme, bunları düzenleme ve iyileştirme işlemlerini gerçekleştiren tonlarca büyük veri projesi mevcut olsa da, bunlar bu sorun için ölçeklenebilir bir çözüm sağlamada yeterli değildir. Yapay zeka pilotlarının üretime alınmasındaki bu tıkanıklığı ortadan kaldırmak için üretimde daha küçük veri kümeleri ve daha gürültülü verilerle çalışmaya yönelik gelişmiş makine öğrenimi tekniklerine de ihtiyaç vardır. 

Yetenek. Yapay zeka projelerini gördüğüm çoğu kuruluş, işe alınan makine öğrenimi mühendislerini ve veri bilimcilerini ölçeklendirmede başarısız oldu ve istatistiksel (ML) beceriler ile alan uzmanlığı (hem iş alanında hem de süreç alanında) kombinasyonuna sahip birini bulmanın imkansız olduğunu fark etti. ) ve yazılım geliştirme deneyimi. Bu nedenle, klasik organizasyonel tasarımı kullanarak bunun etrafından dolaşmaya çalışıyorlar. Bu son derece gıpta ile bakılan yeteneği elinizde tutabilir ve geliştirebilirseniz, sonunda müthiş bir şirket içi yetenek oluşturacak olsanız da, bir ekibi güçlendirme ihtiyacı, yapay zeka ile değer gerçekleştirmenizi geciktirir. Bu, yeterince hızlı yenilik yapma yeteneğinizi etkiler. Ben buna "Yapay zeka verimi" diyorum, yani üretime alınabilecek yapay zeka projelerinin sayısı. Bu ekiplerin gerçek sonuçlar üretmeye başlaması yıllar alıyor. Daha başarılı kuruluşlar, pilottan üretime daha hızlı bir yol tasarlamak ve yapay zeka verimini artırmak için dahili yapay zeka ekiplerini harici iş ortaklarıyla güçlendirerek yeteneği ölçeklendirmeye bütünsel bir ekosistem yaklaşımı getirdi.

Güven. Dünyanın dört bir yanındaki insanlar yapay zekaya karşı karışık duygular besliyor ve bunun işlerini eskimiş veya alakasız hale getirebileceğinden korkuyor. Bu nedenle, insan-makine işbirliğini vurgulayan yapay zeka sistemleri tasarlamak, bu kuruluşlarda yapay zekayı ölçeklendirmek için temel oluşturur. Yapay zeka yoluyla tam otomasyon, birçok iş sorunu için çözüm olsa da, en etkili ve yüksek alfa süreçleri hala insanların yürüttüğü süreçlerdir. Yapay zekanın bir kuruluş genelinde büyük ölçekte benimsenmesi için, birden çok iş süreci, BT sistemi ve paydaş iş akışları genelinde katılım, destek ve entegrasyona ihtiyacınız var. Yapay zekanın iş süreçlerine uygulanması da çeşitli riskler getirir. Risklerden biri, yapay zeka sisteminin iş etkisinin belirsiz olduğu ve kuruluşların zamanına, kaynaklarına ve fırsat maliyetine mal olduğu durumlarda iş performansına yöneliktir. Diğer bir risk de, büyük ölçüde hızla gelişen bir alan olan iç denetim ve düzenleyici gerekliliklere uyumu sürdürmektir. Üçüncü bir risk türü, önyargılı kararların veya kara kutu algoritmaları tarafından alınan kararların paydaş deneyimlerini olumsuz etkileyebileceği endişeleriyle itibarla ilgilidir. Bu, yapay zekayı kuruluşlarında ölçeklendirmeye çalışırken en gelişmiş ekiplerin bile karşılaşacağı kritik bir engeldir.

Burada özetlediğim zorlukların üstesinden gelmek, yalnızca teknoloji ve araç setlerinden daha fazlasını gerektirir. Organizasyon süreçlerinin bir kombinasyonunu, farklı ekipleri bir araya getirebilmeyi ve dahili ve harici ortaklardan oluşan bir ekosistemle aktif olarak işbirliği yapmayı içerir. bu $ 15.7 trilyon AI ile fırsat önümüzde, ancak bu temel zorlukları çözmek için bir endüstri olarak bir araya gelmemizi gerektiriyor. Gelecekteki gönderilerde bazı en iyi uygulamaları paylaşmaya odaklanarak bu alanları keşfedeceğim.

Ganesh Padmanabhan, Küresel İş Geliştirme ve Stratejik Ortaklıklar Başkan Yardımcısıdır. BeyondMinds. O da üyesidir bilişsel dünya Kurumsal yapay zeka üzerinde Think Tank.