Ի՞նչ է նշանակում AI-ի մասին մտածել որպես թիմային սպորտ: Մենք տեսնում ենք, որ արհեստական ինտելեկտի նախագծերը հիպից դեպի ազդեցություն են անցնում, հիմնականում այն պատճառով, որ ճիշտ դերերը ներգրավվում են՝ ապահովելու բիզնեսի համատեքստը, որը նախկինում բացակայում էր: Դոմենի փորձաքննությունը կարևոր է. մեքենաները չունեն համատեքստի այն խորությունը, ինչ մարդիկ ունեն, և մարդիկ պետք է բավական լավ իմանան բիզնեսն ու տվյալները, որպեսզի հասկանան, թե ինչ գործողություններ պետք է ձեռնարկեն՝ հիմնվելով հայտնված պատկերացումների կամ առաջարկությունների վրա:
ստացվեց
Երբ խոսքը գնում է AI-ի մասշտաբավորման մասին, շատ առաջնորդներ կարծում են, որ իրենք ունեն մարդկանց խնդիր, մասնավորապես՝ ոչ բավարար տվյալների գիտնականներ: Բայց ամեն բիզնես խնդիր չէ, որ տվյալների գիտության խնդիր է: Կամ գոնե, ոչ բոլոր բիզնես մարտահրավերները պետք է նետվեն ձեր տվյալների գիտության թիմին: Ճիշտ մոտեցմամբ դուք կարող եք քաղել AI-ի օգուտները՝ առանց այն մարտահրավերների, որոնք գալիս են տվյալների գիտության ավանդական ցիկլերին:
Արհեստական ինտելեկտի լուծումները տեղակայելու և մասշտաբավորելու համար առաջնորդները պետք է փոխեն կազմակերպության մտածելակերպը՝ AI-ի մասին որպես թիմային մարզաձև մտածելու: Արհեստական ինտելեկտի որոշ նախագծեր կարիք ունեն մարդկանց, գործիքների և ակնկալիքների տարբեր խմբերի՝ հաջող արդյունքների տեսք ունենալու համար: Իմանալը, թե ինչպես ճանաչել այս հնարավորությունները, կօգնի ձեզ մոտենալ AI-ի ավելի հաջող նախագծերին և խորացնել AI-ի օգտատերերի ձեր խումբը՝ ավելացնելով արագություն և ուժ որոշումներ կայացնելու համար աշխատուժում: Եկեք ուսումնասիրենք, թե ինչու և ինչպես:
Կազմակերպությունները ժողովրդավարացնում են առաջադեմ վերլուծությունները AI-ի միջոցով
Բիզնեսի խնդիրները լուծելու համար արհեստական ինտելեկտի օգտագործումը հիմնականում եղել է տվյալների գիտնականների իրավասությունը: Հաճախ տվյալների գիտության թիմերը վերապահված են կազմակերպության ամենամեծ հնարավորություններին և ամենաբարդ մարտահրավերներին: Բազմաթիվ կազմակերպություններ հաջողակ են կիրառել տվյալների գիտությունը հատուկ օգտագործման դեպքերի համար, ինչպիսիք են խարդախության հայտնաբերումը, անհատականացումը և այլն, որտեղ խորը տեխնիկական փորձաքննությունը և մանրակրկիտ ճշգրտված մոդելները բերում են չափազանց հաջող արդյունքների:
Այնուամենայնիվ, ձեր տվյալների գիտության թիմի միջոցով AI լուծումների մասշտաբը դժվար է կազմակերպությունների համար՝ բազմաթիվ պատճառներով: Տաղանդներ ներգրավելը և պահպանելը շատ թանկ է և կարող է դժվար լինել մրցակցային շուկայում: Տվյալների գիտության ավանդական նախագծերը հաճախ կարող են շատ ժամանակ պահանջել մշակման և տեղակայման համար, նախքան բիզնեսը արժեք տեսնի: Եվ նույնիսկ ամենափորձառու, տվյալների գիտության ուժեղ թիմերը կարող են ձախողվել, եթե չունեն անհրաժեշտ տվյալներ կամ ենթատեքստ՝ հասկանալու խնդրի նրբությունները, որին նրանք խնդրում են լուծել:
2021 Gartner® Տվյալների գիտության և մեքենայական ուսուցման վիճակը (DSML) զեկույցում ասվում է, որ «հաճախորդի պահանջարկը փոխվում է, քանի որ քիչ տեխնիկական լսարանները ցանկանում են ավելի հեշտությամբ կիրառել DSML, փորձագետները պետք է բարելավեն արտադրողականությունը, և ձեռնարկությունները պահանջում են ավելի կարճ ժամանակ իրենց ներդրումները գնահատելու համար:1»: Թեև կարող են լինել բազմաթիվ բիզնես խնդիրներ, որոնք կարող են օգուտ քաղել AI-ի տրամադրած վերլուծության արագությունից կամ մանրակրկիտությունից, տվյալների գիտության ավանդական մոտեցումը միշտ չէ, որ կարող է լինել հարձակման լավագույն ծրագիրը՝ արժեքն արագ տեսնելու համար: Փաստորեն, նույն Gartner զեկույցը կանխատեսում է, որ «մինչև 2025 թվականը տվյալների գիտնականների սակավությունն այլևս չի խանգարի կազմակերպություններում տվյալների գիտության և մեքենայական ուսուցման ընդունմանը»:
Դոմենի փորձաքննությունը կարևոր է AI-ի մասշտաբավորման համար ամբողջ բիզնեսում
AI-ն արդեն օգնում է առաջադեմ վերլուծության հնարավորություններ բերել այն օգտվողներին, ովքեր չունեն տվյալների գիտության նախապատմություն: Մեքենաները կարող են ընտրել լավագույն կանխատեսման մոդելներից և ալգորիթմներից, և հիմքում ընկած մոդելները կարող են բացահայտվել՝ առաջարկելով դրանք կարգավորելու և համոզվելու, որ ամեն ինչ համապատասխանում է օգտագործողի փնտրածին:
Այս հնարավորությունները վերլուծաբաններին և բիզնեսի ոլորտի հմուտ փորձագետներին հնարավորություն են տալիս նախագծել և օգտագործել իրենց սեփական AI հավելվածները: Լինելով տվյալներին ավելի մոտ՝ այս օգտվողներն առավելություն ունեն իրենց տվյալների գիտնական գործընկերներից շատերի նկատմամբ: Այս ուժը տիրույթի փորձ ունեցողների ձեռքում դնելը կարող է օգնել խուսափել զարգացման երկար ժամանակներից, ռեսուրսների ծանրաբեռնվածությունից և թաքնված ծախսերից, որոնք կապված են տվյալների գիտության ավանդական ցիկլերի հետ: Բացի այդ, տիրույթի փորձ ունեցող մարդիկ պետք է որոշեն, թե արդյոք AI կանխատեսումը կամ առաջարկը նույնիսկ օգտակար է, թե ոչ:
Մոդելների կառուցման ավելի կրկնվող, վերանայելու և վերաբաշխելու գործընթացների դեպքում բիզնեսի համատեքստ ունեցող մարդիկ կարող են ավելի արագ արժեք ստանալ AI-ից՝ անգամ նոր մոդելներ տեղակայելով հազարավոր օգտատերերի մոտ օրերից մինչև շաբաթներ, շաբաթների փոխարեն: Սա հատկապես հզոր է այն թիմերի համար, որոնց եզակի մարտահրավերները կարող են առաջնահերթ լինել տվյալների գիտության թիմերի համար, բայց կարող են օգուտ քաղել AI վերլուծության արագությունից և մանրակրկիտությունից:
Այնուամենայնիվ, կարևոր է նշել, որ թեև այս լուծումները կարող են օգնել լուծել վերլուծաբանների և տվյալների գիտնականների միջև հմտությունների բացը, այն չի փոխարինում վերջինիս: Տվյալների գիտնականները մնում են կարևոր գործընկեր բիզնեսի փորձագետների հետ՝ վավերացնելու այն տվյալները, որոնք օգտագործվում են AI-ի միացված լուծումներում: Եվ բացի այս համագործակցությունից, կրթությունը և տվյալների հմտությունները կարևոր նշանակություն կունենան այս տեսակի գործիքները մեծ մասշտաբով հաջողությամբ օգտագործելու համար:
Տվյալների գրագիտությունը ավելի շատ մարդկանց հնարավորություն է տալիս օգտագործել AI-ն
Ձեր հիմնարար տվյալների ռազմավարությունը հսկայական դեր է խաղում AI-ի հետ հաջողության հասնելու համար ձեր կազմակերպության ստեղծման գործում, սակայն AI լուծումները բիզնեսի ավելի շատ մարդկանց բերելու համար կպահանջվի տվյալների գրագիտության ելակետ: Հասկանալը, թե ինչ տվյալներ են նպատակահարմար կիրառելու բիզնես խնդրին, ինչպես նաև, թե ինչպես մեկնաբանել AI-ի հանձնարարականի տվյալները և արդյունքները, կօգնի մարդկանց հաջողությամբ վստահել և ընդունել AI-ն՝ որպես իրենց որոշումների կայացման մաս: Կազմակերպության ներսում տվյալների ընդհանուր լեզուն նաև ավելի շատ դռներ է բացում փորձագետների հետ հաջող համագործակցության համար:
McKinsey-ի վերջին գլոբալ հետազոտությունը AI-ի վերաբերյալ ցույց է տվել, որ բարձր արդյունավետությամբ կազմակերպությունների 34%-ում «նվիրված ուսումնական կենտրոնը զարգացնում է ոչ տեխնիկական անձնակազմի AI-ի հմտությունները գործնական ուսուցման միջոցով»՝ համեմատած մնացած բոլոր հարցվածների միայն 14%-ի հետ: Բացի այդ, բարձր կատարողականություն ունեցող կազմակերպությունների 39%-ում «կան AI օգտագործողների և կազմակերպության տվյալների գիտության թիմի միջև կապի նշանակված ուղիներ և շփման կետեր», համեմատած մյուսների միայն 20%-ի հետ:
Առաջնորդները կարող են տարբեր մոտեցումներ կիրառել տվյալների գրագիտությունը զարգացնելու համար՝ սկսած կրթությունից և վերապատրաստումից, մենթորության ծրագրերից, համայնքների կառուցման տվյալների մրցույթներից և այլն: Մտածեք տվյալների հասանելիության և փոխանակման նորմալացման մասին, ինչպես նաև այն մասին, թե ինչպես եք նշում և խթանում հաջողությունները, սովորումները և տվյալների հետ կապված որոշումների կայացումը:
«Տվյալների գրագիտությունը և վիզուալիզացիայի և տվյալների գիտության վերաբերյալ կրթությունը պետք է ավելի տարածված լինեն և ավելի շուտ ուսուցանվեն», - ասում է Tableau Research-ի ղեկավար Վիդյա Սեթլուրը: «Կա մի տեսակ սոցիալական և կազմակերպչական պատասխանատվություն, որը կապված է տվյալների օգտագործման վրա: Մարդիկ պետք է ավելի լավ պատրաստված լինեն տվյալների հասկանալու, մեկնաբանելու և առավելագույնս օգտագործելու համար, քանի որ AI-ն միայն ավելի կբարդանա, և մենք պետք է մի քանի քայլ առաջ լինենք խաղից»:
Շարունակելով կառուցել ձեր կազմակերպության տվյալների մշակույթը հզոր հնարավորություններ է ստեղծում՝ զարգացնելու հմտությունները և խթանելու նոր լուծումներ ամբողջ բիզնեսում: Բազմաթիվ կազմակերպություններ արդեն ավելացրել են իրենց ներդրումները տվյալների և վերլուծության ոլորտում վերջին տարիներին, քանի որ թվային փոխակերպումն արագացել է: Տվյալները որպես թիմային մարզաձև մտածելը հասանելի չէ, և այժմ մենք միջոցներ ունենք այդ մտածելակերպը ընդլայնելու AI-ի վրա:
Աղբյուր՝ https://www.forbes.com/sites/tableau/2022/03/10/why-you-should-think-of-ai-as-a-team-sport/