Hvorfor du bør tenke på AI som en lagsport

Hva vil det si å tenke på AI som en lagsport? Vi ser AI-prosjekter skifte fra hype til effekt, hovedsakelig fordi de riktige rollene blir involvert for å gi forretningskonteksten som har manglet tidligere. Domeneekspertise er nøkkelen; maskiner har ikke den dybden av kontekst som folk har, og folk trenger å kjenne virksomheten og dataene godt nok til å forstå hvilke handlinger de skal ta basert på innsikt eller anbefalinger som dukker opp.

Når det kommer til å skalere AI, tror mange ledere at de har et menneskeproblem – spesifikt ikke nok dataforskere. Men ikke alle forretningsproblemer er et datavitenskapelige problem. Eller i det minste, ikke alle forretningsutfordringer bør kastes på datavitenskapsteamet ditt. Med den riktige tilnærmingen kan du høste fordelene av AI uten utfordringene som følger med tradisjonelle datavitenskapelige sykluser.

For å distribuere og skalere AI-løsninger, må ledere endre organisasjonens tankesett til å tenke på AI som en lagsport. Noen AI-prosjekter trenger et annet sett med mennesker, verktøy og forventninger for hvordan vellykkede resultater ser ut. Å vite hvordan du gjenkjenner disse mulighetene vil hjelpe deg å nærme deg mer vellykkede AI-prosjekter og utdype benken din med AI-brukere, noe som gir hastighet og kraft til beslutningstaking på tvers av arbeidsstyrken. La oss utforske hvorfor og hvordan.

Organisasjoner demokratiserer avansert analyse med kunstig intelligens

Å bruke AI til å løse forretningsproblemer har i stor grad vært dataforskernes ansvarsområde. Ofte er datavitenskapsteam reservert for en organisasjons største muligheter og mest komplekse utfordringer. Mange organisasjoner har lykkes med å bruke datavitenskap til spesifikke brukstilfeller som svindeloppdagelse, personalisering og mer, der dyp teknisk ekspertise og finjusterte modeller gir svært vellykkede resultater.

Å skalere AI-løsninger gjennom datavitenskapsteamet ditt er imidlertid utfordrende for organisasjoner, av mange grunner. Å tiltrekke og beholde talent er svært kostbart og kan være vanskelig i et konkurranseutsatt marked. Tradisjonelle datavitenskapelige prosjekter kan ofte ta mye tid å utvikle og implementere før virksomheten ser verdi. Og selv de mest erfarne, robuste datavitenskapsteamene kan mislykkes hvis de mangler nødvendige data eller kontekst for å forstå nyansene i problemet de blir bedt om å løse.

Gartner® 2021 Status for datavitenskap og maskinlæring (DSML)-rapporten sier at "kundeetterspørselen endrer seg, med mindre tekniske målgrupper som ønsker å bruke DSML lettere, eksperter som trenger å forbedre produktiviteten og bedrifter som krever kortere tid til verdi for investeringene sine¹." Selv om det kan være mange forretningsproblemer som kan dra nytte av hastigheten eller grundigheten til analysen som AI kan gi, kan det hende at en tradisjonell datavitenskapelig tilnærming ikke alltid er den beste angrepsplanen for å se verdi raskt. Faktisk forutsier den samme Gartner-rapporten at «innen 2025 vil en knapphet på dataforskere ikke lenger hindre innføringen av datavitenskap og maskinlæring i organisasjoner».

Domeneekspertise er avgjørende for å skalere AI på tvers av virksomheten

AI hjelper allerede til med å bringe avanserte analysefunksjoner til brukere som ikke har datavitenskapelig bakgrunn. Maskiner kan velge blant de beste prognosemodellene og algoritmene, og underliggende modeller kan eksponeres, og gir muligheten til å justere dem og sørge for at alt samsvarer med det brukeren ser etter.

Disse egenskapene gir analytikere og dyktige forretningsdomeneeksperter muligheten til å designe og utnytte sine egne AI-applikasjoner. Ved å være nærmere dataene har disse brukerne en fordel i forhold til mange av sine dataforskere. Å legge denne makten i hendene på de med domeneekspertise kan bidra til å unngå lange utviklingstider, ressursbelastninger og skjulte kostnader forbundet med tradisjonelle datavitenskapelige sykluser. I tillegg bør folk med domeneekspertise være de som bestemmer om en AI-prediksjon eller -forslag til og med er nyttig eller ikke.

Med en mer iterativ, revider og omdistribuer modellbyggingsprosesser, kan personer med forretningskontekst få verdi fra AI raskere – til og med distribuere nye modeller til tusenvis av brukere i løpet av dager til uker, i stedet for uker til måneder. Dette er spesielt kraftig for de teamene hvis unike utfordringer kanskje ikke er en høy prioritet for datavitenskapsteam, men som kan dra nytte av hastigheten og grundigheten til AI-analyse.

Det er imidlertid viktig å merke seg at selv om disse løsningene kan bidra til å løse kompetansegapet mellom analytikere og dataforskere, er det ikke en erstatning for sistnevnte. Dataforskere er fortsatt en kritisk partner med forretningseksperter for å validere dataene som brukes i AI-aktiverte løsninger. Og i tillegg til dette samarbeidet, vil utdanning og dataferdigheter være avgjørende for å bruke denne typen verktøy med suksess i stor skala.

Datakompetanse gir flere mennesker mulighet til å utnytte AI

Din grunnleggende datastrategi spiller en stor rolle i å sette opp organisasjonen din for å lykkes med AI, men å bringe AI-løsninger til flere mennesker på tvers av virksomheten vil kreve en grunnleggende datakompetanse. Å forstå hvilke data som er passende å bruke på et forretningsproblem, samt hvordan man tolker dataene og resultatene av en AI-anbefaling, vil hjelpe folk til å stole på og ta i bruk AI som en del av beslutningsprosessen. Et delt dataspråk i organisasjonen åpner også flere dører for vellykket samarbeid med eksperter.

McKinseys siste globale undersøkelse om AI avslørte at innenfor 34 % av organisasjoner med høy ytelse "utvikler et dedikert opplæringssenter ikke-teknisk personells AI-ferdigheter gjennom praktisk læring," sammenlignet med bare 14 % av alle andre spurte. I tillegg, i 39 % av organisasjoner med høy ytelse "er det utpekte kommunikasjonskanaler og kontaktpunkter mellom AI-brukere og organisasjonens datavitenskapsteam," sammenlignet med bare 20 % av andre.

Ledere kan bruke en rekke tilnærminger for å bygge datakompetanse, fra utdanning og opplæring, mentorprogrammer, datakonkurranser for fellesskapsbygging og mer. Tenk på å normalisere tilgang og deling av data, samt hvordan du feirer og fremmer suksesser, læring og beslutningstaking med data.

"Datakompetanse og utdanning om visualisering og datavitenskap må være mer utbredt, og undervises tidligere," sa Vidya Setlur, leder for Tableau Research. «Det er et slags sosialt og organisatorisk ansvar som følger med avhengigheten av å bruke data. Folk bør være bedre rustet til å forstå, tolke og få mest mulig ut av data fordi AI bare vil bli mer sofistikert, og vi bør være noen få skritt foran spillet."

Å fortsette å bygge organisasjonens datakultur skaper kraftige muligheter for å pleie ferdigheter og fremme nye løsninger på tvers av virksomheten. Mange organisasjoner har allerede økt sine investeringer i data og analyser de siste årene, ettersom digital transformasjon har akselerert. Det er ikke en rekkevidde å tenke på data som en lagsport – og nå har vi midler til å utvide den tankegangen til AI.