Miksi sinun pitäisi ajatella tekoälyä joukkuelajina

Mitä tarkoittaa ajatella tekoälyä joukkuelajina? Näemme tekoälyprojektien siirtyvän hypetystä vaikutukseen, suurelta osin siksi, että oikeat roolit ovat mukana tarjoamassa aiemmin puuttunutta liiketoimintakontekstia. Verkkoalueen asiantuntemus on avainasemassa; koneilla ei ole niin syvällistä kontekstia kuin ihmisillä, ja ihmisten on tunnettava liiketoiminta ja tiedot riittävän hyvin ymmärtääkseen, mihin toimiin tulee ryhtyä esiin tulleiden oivallusten tai suositusten perusteella.

Mitä tulee tekoälyn skaalaukseen, monet johtajat ajattelevat, että heillä on ihmisongelmia – erityisesti datatieteilijöiden puute. Mutta kaikki liiketoimintaongelmat eivät ole datatieteen ongelma. Tai ainakaan jokaista liiketoimintahaastetta ei pitäisi heittää datatieteen tiimillesi. Oikealla lähestymistavalla voit hyötyä tekoälyn eduista ilman perinteisten datatieteen syklien tuomia haasteita.

Tekoälyratkaisujen käyttöönottamiseksi ja skaalaamiseksi johtajien on muutettava organisaation ajattelutapaa ajattelemaan tekoälyä joukkuelajina. Jotkut tekoälyprojektit tarvitsevat erilaisia ​​ihmisiä, työkaluja ja odotuksia onnistuneiden tulosten näyttämiseen. Kun osaat tunnistaa nämä mahdollisuudet, voit lähestyä onnistuneempia tekoälyprojekteja ja syventää tekoälyn käyttäjäryhmääsi, mikä lisää nopeutta ja tehoa päätöksentekoon koko työvoimassa. Tutkitaan miksi ja miten.

Organisaatiot demokratisoivat edistyneen analyysin tekoälyllä

Tekoälyn käyttö yritysongelmien ratkaisemiseen on suurelta osin kuulunut datatieteilijöille. Usein datatieteen tiimit on varattu organisaation suurimpiin mahdollisuuksiin ja monimutkaisimpiin haasteisiin. Monet organisaatiot ovat onnistuneet soveltamaan datatieteitä tiettyihin käyttötapauksiin, kuten petosten havaitsemiseen, personointiin ja muihin tapauksiin, joissa syvä tekninen asiantuntemus ja hienosäädetyt mallit johtavat erittäin onnistuneisiin tuloksiin.

Tekoälyratkaisujen skaalaaminen datatieteen tiimisi kautta on kuitenkin haastavaa organisaatioille monista syistä. Osaajien houkutteleminen ja pitäminen on erittäin kallista ja voi olla vaikeaa kilpailluilla markkinoilla. Perinteisten datatieteen projektien kehittäminen ja käyttöönotto voi usein viedä paljon aikaa, ennen kuin yritys näkee arvon. Ja jopa kokeneimmat ja vankimmat datatieteen tiimit voivat epäonnistua, jos heiltä puuttuu tarvittava data tai konteksti ymmärtääkseen ongelman vivahteita, jotka niitä pyydetään ratkaisemaan.

Vuoden 2021 Gartner® Tietotekniikan ja koneoppimisen tila (DSML) raportissa todetaan, että "asiakkaiden kysyntä on muuttumassa, ja vähemmän tekniset yleisöt haluavat soveltaa DSML:ää helpommin, asiantuntijat tarvitsevat parantaa tuottavuuttaan ja yritykset tarvitsevat lyhyempää aikaa sijoituksensa arvostamiseen.¹.” Vaikka voi olla monia liiketoimintaongelmia, jotka voivat hyötyä tekoälyn tarjoaman analyysin nopeudesta tai perusteellisuudesta, perinteinen datatieteellinen lähestymistapa ei välttämättä aina ole paras hyökkäyssuunnitelma arvon nopeaan näkemiseen. Itse asiassa sama Gartner-raportti ennustaa, että "vuoteen 2025 mennessä datatieteilijöiden niukkuus ei enää estä datatieteen ja koneoppimisen käyttöönottoa organisaatioissa".

Toimialueen asiantuntemus on kriittinen tekijä tekoälyn skaalauksessa koko liiketoiminnassa

Tekoäly auttaa jo tuomaan edistyneitä analyysiominaisuuksia käyttäjille, joilla ei ole datatieteen taustaa. Koneet voivat valita parhaista ennustemalleista ja -algoritmeista, ja taustalla olevat mallit voidaan paljastaa, mikä tarjoaa mahdollisuuden virittää niitä ja varmistaa, että kaikki vastaa käyttäjän etsimää.

Nämä ominaisuudet antavat analyytikoille ja ammattitaitoisille liiketoiminta-alueen asiantuntijoille mahdollisuuden suunnitella ja hyödyntää omia tekoälysovelluksiaan. Lähempänä dataa näillä käyttäjillä on etu verrattuna moniin datatutkijoihinsa. Tämän vallan antaminen niille, joilla on toimialueen asiantuntemusta, voi auttaa välttämään pitkiä kehitysaikoja, resursseja ja piilokustannuksia, jotka liittyvät perinteisiin datatieteen sykleihin. Lisäksi alan asiantuntemusta omaavien ihmisten tulisi päättää, onko tekoälyn ennuste tai ehdotus edes hyödyllistä.

Iteratiivisempien, tarkistettavien ja uudelleensijoitettavien mallinrakennusprosessien avulla ihmiset, joilla on liiketoimintakonteksti, voivat saada lisäarvoa tekoälystä nopeammin – jopa ottaa uusia malleja käyttöön tuhansille käyttäjille päivien tai viikkojen kuluessa viikkojen tai kuukausien sijaan. Tämä on erityisen tehokasta niille tiimeille, joiden ainutlaatuiset haasteet eivät ehkä ole korkealla prioriteetilla datatieteen ryhmille, mutta voivat hyötyä tekoälyanalyysin nopeudesta ja perusteellisuudesta.

On kuitenkin tärkeää huomata, että vaikka nämä ratkaisut voivat auttaa korjaamaan analyytikoiden ja datatieteilijöiden välistä osaamiskuilua, ne eivät korvaa jälkimmäistä. Tietotieteilijät ovat edelleen kriittinen kumppani liike-elämän asiantuntijoiden kanssa validoimassa tekoälyä tukevissa ratkaisuissa käytettävää dataa. Ja tämän yhteistyön lisäksi koulutus ja datataidot ovat tärkeitä tällaisten työkalujen menestyksekkäässä mittakaavassa.

Tietolukutaito antaa useammalle ihmiselle mahdollisuuden hyödyntää tekoälyä

Perustietostrategiallasi on valtava rooli organisaatiosi luomisessa menestymään tekoälyn avulla, mutta tekoälyratkaisujen tuominen useammille ihmisille eri puolilla liiketoimintaa edellyttää tietolukutaitoa. Ymmärtäminen, mitä dataa on tarkoituksenmukaista soveltaa liiketoimintaongelmaan, sekä kuinka tulkita tekoälysuosituksen tietoja ja tuloksia, auttaa ihmisiä luottamaan tekoälyyn ja ottamaan sen käyttöön osana päätöksentekoaan. Jaettu tiedon kieli organisaatiossa avaa myös enemmän ovia onnistuneelle yhteistyölle asiantuntijoiden kanssa.

McKinseyn viimeisin maailmanlaajuinen tekoälytutkimus paljasti, että 34 prosentissa tehokkaista organisaatioista "omistettu koulutuskeskus kehittää ei-teknisen henkilöstön tekoälytaitoja käytännön oppimisen kautta", verrattuna vain 14 prosenttiin kaikista muista kyselyyn osallistuneista. Lisäksi 39 prosentissa tehokkaista organisaatioista "AI käyttäjien ja organisaation datatieteiden tiimin välillä on nimetyt viestintäkanavat ja kosketuspisteet", kun muissa vain 20 prosentissa.

Johtajat voivat rakentaa tietolukutaitoa useilla eri tavoilla koulutuksesta, mentorointiohjelmista, yhteisöä rakentavista tietokilpailuista ja monesta muusta. Ajattele tietojen käytön ja jakamisen normalisointia sekä sitä, kuinka juhlit ja edistät onnistumisia, oppimista ja päätöksentekoa datan avulla.

"Datalukutaidon ja visualisointiin ja datatieteeseen liittyvän koulutuksen on oltava yleisempää ja opetettava aikaisemmin", sanoi Vidya Setlur, Tableau Researchin johtaja. ”Datan käyttöön liittyy eräänlainen sosiaalinen ja organisatorinen vastuu. Ihmisten pitäisi olla paremmin valmiita ymmärtämään, tulkitsemaan ja hyödyntämään dataa parhaalla mahdollisella tavalla, koska tekoäly tulee vain kehittyneempää, ja meidän pitäisi olla muutaman askeleen edellä."

Organisaatiosi tietokulttuurin rakentamisen jatkaminen luo tehokkaita mahdollisuuksia kehittää taitoja ja edistää uusia ratkaisuja koko liiketoiminnassa. Monet organisaatiot ovat jo lisänneet investointejaan dataan ja analytiikkaan viime vuosina, kun digitaalinen muutos on kiihtynyt. Ei ole mahdollista ajatella dataa joukkuelajina – ja nyt meillä on keinot laajentaa ajattelutapa tekoälyyn.