5 ключевых выводов AI для современного C-Suite

Сегодня искусственный интеллект превратился из модного слова в реальность. Компании, обладающие опытом в области систем машинного обучения, стремятся перейти на технологии на основе искусственного интеллекта. Предприятия, у которых еще нет культуры машинного обучения, пытаются разработать стратегию, чтобы внедрить ее. На фоне этой шумихи и страха остаться позади, как бы вы применили стратегию искусственного интеллекта в своей компании? Это, кажется, повторяющийся и распространенный вопрос сегодня. Эта статья представляет собой попытку немного глубже погрузиться в некоторые проблемы, возможности и возможности, с которыми сталкиваются предприятия при реализации стратегий искусственного интеллекта.

Критические вызовы искусственного интеллекта сегодня: три фактора

Когда дело доходит до создания экосистемы искусственного интеллекта в компании, возникает множество проблем. Все эти проблемы можно суммировать под тремя основными заголовками:

  • Талант. Сегодня создание команды талантливых людей - одна из важнейших задач для многих компаний.
  • Время: еще один ключевой элемент - время. Очень важно видеть, насколько быстро вы можете получить бизнес-результаты, реализуя стратегию искусственного интеллекта.
  • Доверие. Под доверием понимается доверие к вашим моделям машинного обучения и ваша способность объяснять результаты своих моделей регулирующим органам и заинтересованным сторонам.

Вот некоторые из рекомендаций по решению этих проблем, которые были сформулированы в ходе бесед с большим количеством клиентов и пользователей H2O.ai за эти годы.

1. Создайте культуру данных

Чтобы использовать большие объемы генерируемых данных и разобраться в них, компаниям необходимо сначала создать культуру данных. Вот три ключевых момента, которые следует учитывать при построении культуры, основанной на данных, в компании:

  • Сбор данных

Чтобы создать культуру данных, нужно сначала начать заблаговременно. Сегодня данные могут быть получены из различных источников, таких как отдел маркетинга, отделы продаж, мониторинг продуктов, аналитика клиентов и т. Д. По сути, это составляет основу.

  • Сделайте данные доступными

Собранные данные должны быть доступны для людей. Это означает, что данные должны быть в таком формате, чтобы людям было легче работать с ними и получать из них значимые выводы.

  • Найдите подходящий талант

Данные - это, по сути, командный вид спорта. Это означает, что даже если компаниям нужны эксперты для создания моделей и алгоритмов, им также нужны люди с различными техническими способностями, которые могут извлечь полезную информацию из данных, прежде чем передавать их экспертам. Для этого можно обучить существующую рабочую силу, поскольку у них есть необходимый для работы опыт в предметной области. Машинное обучение - это не только преобразование культуры, но и преобразование бизнеса. Таким образом, вместо того, чтобы создавать новую команду с нуля, компании могут нанять несколько специалистов по данным и использовать существующий пул опытных сотрудников для оказания им помощи.

2. Задавайте правильные вопросы

Правильный вопрос крайне важен для создания культуры данных в компании. Как мне найти следующего покупателя, который будет этим следующим покупателем, как мне оптимизировать свою цепочку поставок - вот некоторые из вопросов, на которые сегодня необходимо ответить большинству предприятий. Иногда формулировка бизнес-задачи может стать отправной точкой для внедрения ИИ. Чтобы иметь возможность задавать актуальные вопросы, компаниям нужны люди, которые обладают творческими способностями с аналитическим складом ума. и у вас есть решения, основанные на данных, а не на интуиции.

  • Какую проблему вы решаете?

Сегодня искусственный интеллект и машинное обучение используются практически во всех отраслях. Вот некоторые из хорошо известных примеров.

Идея использования ИИ в этих отраслях состоит в том, чтобы сэкономить время и деньги и получить конкурентное преимущество перед другими. Если ваша компания имеет дело с одним из вышеупомянутых вариантов использования или с некоторыми аналогичными бизнес-проблемами, и вы полагаетесь только на традиционные методы, вы обязательно останетесь позади.

  • Определите результаты

Правильные вопросы определяют, какие результаты могут быть получены из этого. Ключевая идея - превратить высокоуровневую цель вашей компании в бизнес-задачу, а затем определить ее результат.

  • Измерение успеха

Компаниям также необходимо разработать метрики для измерения своего успеха. Определение успеха может быть разным для разных компаний, но конечная цель одна, то есть получение прибыли и предоставление ценности.

3. Подключитесь к сообществу

Сообщество играет жизненно важную роль в изменении любой компании. Есть способы связаться с сообществом как онлайн (вебинары), так и офлайн (встречи). Организация встреч, вебинаров и тренингов позволяет обмениваться знаниями и учиться у других. Учиться у других, участвовать в сессиях и делиться соответствующими знаниями - отличный способ присоединиться к сообществу. Неважно, где ты. Сообщества машинного обучения существуют по всему миру, и рядом с вами может быть местное отделение.

Еще одна важная причина для подключения к сообществу заключается в том, что сегодня большинство ученых и исследователей данных хотят сотрудничать с другими. Технологии в области искусственного интеллекта развиваются быстрыми темпами, и, общаясь, люди хотят задавать все правильные вопросы, делиться с другими, участвовать с ними и учиться у всех. Излишне говорить, что за последние десять лет большая часть передовых исследований была проведена академическим сообществом и сообществом разработчиков ПО с открытым исходным кодом.

4. Технологические соображения

Решение, какие технологии использовать, - важный фактор, который может серьезно повлиять на ваш бизнес.

  • Открытый или закрытый исходный код?

Если компании начинают путь ИИ, им может потребоваться решить, хотят ли они использовать программное обеспечение с открытым исходным кодом или с закрытым исходным кодом, или, может быть, и то, и другое. Многие пионеры машинного обучения и искусственного интеллекта регулярно открывают исходные коды своих технологий, что может стать хорошей отправной точкой для других. Когда эти новые ИИ-игроки повзрослеют, им может потребоваться поставщик для их поддержки. Также можно выбрать поставщика, который сам является сопровождающим пакета, например, для H2O-3 с открытым исходным кодом H2O.ai является одновременно и разработчиком, и поставщиком.

  • Облако или локально?

Ответ на этот вопрос зависит от того, насколько быстро вы хотите начать. Если вы начинаете с нуля и у вас нет существующей системы разработки, будет проще начать работу в облаке. Это устранит необходимость приобретения оборудования, настройки программного обеспечения, безопасности, инфраструктуры и обслуживания. Однако, если у вас уже есть достойная инфраструктура DevOps, локальный вариант может помочь оптимизировать расходы. Многие компании также предпочитают гибридную модель, независимо от того, переключаются ли они с облака на локальную в соответствии со своими требованиями, что является отличной практикой.

  • Данные

Опять же, как уже упоминалось, критическим моментом являются данные. Понимание того, как вы генерируете, сохраняете и открываете доступ к данным, имеет первостепенное значение. Такие вещи, как конфиденциальность данных, управление данными и происхождение данных, - вот некоторые из вопросов, которые компании должны надлежащим образом решить.

5. Доверие к ИИ

Модели машинного обучения не следует рассматривать как «черные ящики». Это означает, что мы должны уметь четко объяснять или идентифицировать логику их прогнозов. Возможность адекватно описать решение модели, наличие надежной документации, устранение предвзятости в результатах - вот некоторые из важных соображений, на которые компаниям необходимо ответить, чтобы внедрить элемент доверие к ИИ.

Куда вы идете отсюда?

Итак, куда вы идете отсюда? Обсудив вышеупомянутые пять ключевых моментов и поговорив об этом с вашей командой, компании могут получить представление или направление, с чего начать свой путь. Подумайте и определите проблемы, которые вы пытаетесь решить в настоящее время, и посмотрите, как вы можете использовать машинное обучение и искусственный интеллект, чтобы получить преимущества. Необходимо развивать культуру искусственного интеллекта, и, как и любая важная задача, требуется время, терпение и ресурсы.