Lewatlah sudah hari -hari ketika organisasi hanya mampu membayar pendekatan eksperimental untuk kecerdasan buatan dan analisis yang dipahami secara luas. Sekarang saatnya untuk mempercepat penerapan AI.
Bisnis tidak dapat lagi berasumsi bahwa manajer akan bereksperimen dan melihat apa yang akan keluar darinya. Waktu untuk bereksperimen dengan AI sudah berakhir, terutama karena kecerdasan buatan sudah menjadi fondasi keunggulan kompetitif yang substansial bagi perusahaan – mereka yang masih perlu bereksperimen untuk mengejar ketinggalan dengan cepat.
Eksperimen telah melahirkan implementasi dengan pengembalian investasi yang nyata. Situasi ini memiliki konsekuensi lain. Tidak lagi layak untuk menghubungkan sistem yang ada dalam organisasi, merekatkannya bersama dan membangun lingkungan yang cerdas melalui integrasi. Terutama karena bukan perangkat lunak asli kecerdasan buatan sudah ketinggalan zaman dan tidak mendukung aliran data bebas antar departemen.
Awal yang tidak dapat dikenakan aplikasi AI
Pada hari -hari awal AI dalam bisnis, manfaat bisnis dari teknologi ini tidak jelas, sehingga organisasi mempekerjakan analis data untuk menyelidiki apa yang mungkin. Pada saat yang sama, tanpa berfokus pada menciptakan lingkungan yang stabil untuk mengembangkan kecerdasan buatan yang dapat beroperasi dengan andal 24 jam sehari. Itu lebih merupakan permainan, bereksperimen daripada peta jalan yang direncanakan secara memadai.
Dengan asumsi bahwa kami melakukan sesuatu yang eksperimental, perusahaan tidak fokus membangun sistem yang akan terukur. Analis data dan insinyur perangkat lunak sering berinvestasi dalam solusi lokal yang dipasang di server yang diketahui sekelompok kecil rekan kerja. Arsitek teknologi menggunakan berbagai alat untuk latihan ini tanpa mempertimbangkan bagaimana perangkat lunak akan membantu organisasi di masa depan.
Dengan demikian, berada dalam mode eksperimental, insinyur dan analis mengesampingkan banyak tugas yang mendukung penskalaan solusi, seperti membangun infrastruktur kritis di mana semua model AI dapat dikembangkan secara andal dan dijalankan secara efisien dan didistribusikan dalam organisasi. Adopsi kecerdasan buatan lambat, tidak efektif, dan dianggap sebagai hal yang baik. Mempercepat penerapan AI bukanlah hal utama.
Konsumen mengharapkan penerapan kecerdasan buatan
Saat ini, kekuatan pasar, dan harapan konsumen tidak meninggalkan ruang untuk ketidakefektifan seperti itu. Organisasi yang mengenali nilai AI telah dengan cepat menggeser kursus dari meneliti apa yang dapat dilakukan teknologi untuk menggunakannya dalam skala besar dan memaksimalkan nilainya. Raksasa teknologi yang menggunakan teknologi ini terus membuat perubahan dan mendapatkan pangsa pasar di industri tradisional. Adopsi kecerdasan buatan menjadi arus utama, diikuti oleh investasi modal yang substansial. Pada waktu yang tepat, harapan konsumen untuk pengalaman yang dipersonalisasi dan mulus terus meningkat.
Untungnya, ketika adopsi kecerdasan buatan dipercepat, dunia bisnis menciptakan proses dan standar untuk memastikan keberhasilan AI dalam skala besar. Peran khusus seperti insinyur data dan insinyur pembelajaran mesin telah muncul, menawarkan keterampilan yang diperlukan untuk mencapai skala itu.
Serangkaian teknologi dan layanan yang berkembang pesat telah memungkinkan tim untuk beralih dari pendekatan manual dan yang berfokus pada pengembangan ke siklus hidup AI yang lebih otomatis, modular, dan dirancang, dari mengelola data yang masuk hingga pemantauan dan perbaikan aplikasi yang sedang berjalan. Akibatnya, nilai dikirim ke pelanggan akhir lebih cepat.
Contoh yang baik dari penerapan AI adalah mesin GPT-3 yang ditawarkan oleh perusahaan openai yang didirikan oleh Elon Musk. GPT-3 dapat menulis dan merangkum teks dengan kecepatan gila. Copy.ai menggunakan elemen siap pakai ini sebagai bagian dari platformnya untuk pemasar. Lebih dari 300.000 pemasar dari perusahaan seperti eBay, Nestle, dan Ogilvy menggunakan platform untuk mengembangkan bahan teks untuk kegiatan pemasaran dan PR mereka.
Statista menyiapkan studi di mana analis menguji apakah konsumen tahu dan memahami di mana adopsi kecerdasan buatan terjadi. Para peneliti membandingkan hasil yang diekstraksi dari kelompok konsumen dengan hasil dari sekelompok pengusaha. Ternyata konsumen memahami dalam kasus mana kecerdasan buatan digunakan, tetapi juga tidak berbeda dari pebisnis dalam pemahaman ini.
Gambar 1: Apakah orang memahami aplikasi AI, Sumber: Statista
Apa yang layak dilakukan untuk beralih dari eksperimen ke implementasi pasar dan mempercepat penerapan AI?
Organisasi harus berinvestasi dalam banyak jenis aset dan komponen yang dapat digunakan kembali. Salah satu contohnya adalah membuat “produk” yang siap digunakan yang menstandarkan serangkaian data tertentu (misalnya, menggabungkan semua data pelanggan untuk membuat gambar pelanggan 360 derajat), menggunakan standar umum, keamanan bawaan dan pengawasan, dan kemampuan swalayan.
Bobot dan bias adalah contoh perusahaan yang memungkinkan percepatan yang signifikan dari proses transisi dari fase eksperimental ke implementasi pasar. Solusi perusahaan memungkinkan pengujian cepat model kecerdasan buatan, versi mereka, dan pelacakan versi.
Jika organisasi Anda memiliki data pelanggan, bobot dan bias akan memungkinkan Anda untuk dengan cepat membangun model AI dan secara signifikan meningkatkan kecepatan penerapan AI. Ini, pada gilirannya, akan memungkinkan Anda memprediksi perilaku dan memeriksa churn pelanggan dan pada tingkat harga apa yang akan dipertimbangkan pelanggan untuk menukar Anda untuk penawaran persaingan.
Berkat pendekatan ini, tim dapat menggunakan data lebih cepat dan lebih mudah dalam banyak kasus penggunaan saat ini dan di masa depan, yang sangat penting selama aplikasi penskalaan AI dalam domain tertentu.
Contoh yang baik adalah Alteryx – perusahaan lain yang membantu mempercepat adopsi kecerdasan buatan. Alteryx memungkinkan analis untuk mempersiapkan, menggabungkan, dan menganalisis data lebih cepat tanpa menggunakan pemrograman klasik. Dengan apa yang disebut kode rendah (tidak perlu menulis baris kode klasik), insinyur data dan perangkat lunak dapat dengan cepat membangun model prediktif. Proses langkah demi langkah atau otomatis sepenuhnya memungkinkan Anda untuk membuat algoritma yang terlatih dengan tepat yang siap untuk diimplementasikan dan sepenuhnya dapat diukur.
Organisasi sering menginvestasikan banyak waktu dan uang dalam mengembangkan solusi AI hanya untuk mengetahui bahwa perusahaan berhenti menggunakan hampir 80 persen dari mereka karena mereka tidak lagi memberikan nilai. Menggunakan solusi siap pakai yang menyediakan alat yang dapat diskalakan dalam model layanan berarti bahwa hanya 30% dari model AI yang terbuang sia-sia. Bagaimana ini mungkin? Platform khusus memberikan kesimpulan yang lebih cepat dan lebih efektif dari data yang diproses. Berkat itu, proses merancang produk digital bertenaga AI adalah proppter dan lebih hemat biaya.
Peran manajer bisnis dalam melakukan aplikasi AI
Menerapkan pendekatan gesit membutuhkan perubahan budaya yang signifikan untuk melonggarkan keyakinan yang dipegang teguh bahwa para insinyur hanya boleh mengembangkan perangkat lunak secara internal. Hanya dengan demikian lingkungan aman, dan kontrolnya kencang.
Perubahan itu terjadi dalam bereksperimen dari bereksperimen secara internal ke menciptakan produk yang memanfaatkan solusi siap untuk pergi dan teknologi open source.
Membuat kemampuan baru akan secara signifikan mengubah cara analis, insinyur perangkat lunak, dan teknologi data bekerja saat mereka beralih dari pengembangan sesuai permintaan ke proses pengiriman dan fungsionalitas yang lebih dimodifikasi dan standar. Ketika insinyur bertaruh pada komoditisasi, aplikasi intelijen buatan berakselerasi.
Tetapi apa yang harus dilakukan direktur dan manajer perusahaan untuk mempercepat adopsi? Berikut adalah tiga elemen yang saya sarankan mempertimbangkan:
- Membangun Budaya Efisiensi
- Membangun kerja sama yang lancar antara bisnis dan TI
- Berinvestasi dalam bakat
Membangun Budaya Efisiensi
Setiap transformasi digital didasarkan pada yayasan spesifik yang ditetapkan oleh manajemen perusahaan. Misalkan manajer ingin mempercepat aplikasi dan adopsi kecerdasan buatan. Dalam hal ini, penting untuk mengomunikasikan bahwa pengembangan produk tidak harus hanya didasarkan pada sumber daya dan sistem internal. Menggunakan komponen siap-pergi, pihak ketiga, skalable dan bergaul dengan sistem internal harus diizinkan. Eksekutif harus menyederhanakan prosedur pembelian dan pemantauan dan memastikan akses ke pembayaran untuk layanan mudah dan bebas dari formalitas yang tidak perlu.
Manajer harus memperjelas bahwa sistem AI sama pentingnya bagi perusahaan seperti sistem ERP dan bahwa mereka harus berjalan 24/7 dan menghasilkan nilai bisnis setiap hari. Meskipun menetapkan visi sangat penting, ia membayar untuk berkomunikasi dengan tepat bagaimana melakukan proses eksekusi. Adopsi kecerdasan buatan tidak terjadi secara tiba -tiba. Ini membutuhkan pedoman dan efisiensi organisasi.
Apa yang layak untuk berkomunikasi dalam organisasi yang menginginkan dan mempercepat adopsi kecerdasan buatan:
- % dari model kecerdasan buatan yang telah diterapkan. Perlu dibicarakan tentang berapa banyak model yang telah dilatih tetapi belum disetujui untuk implementasi di lingkungan produksi.
- Total Dampak Otomasi dan ROI Investasi AI.
- Jumlah departemen yang terlibat dalam implementasi bersama.
Mungkin diperlukan 12 hingga 24 bulan untuk tujuan ini untuk dicapai sepenuhnya, tetapi menggunakan pendekatan gesit memiliki peluang nyata untuk mengurangi total menjadi dua perempat.
Membangun kerja sama yang lancar antara bisnis dan TI untuk mempercepat penerapan AI
Salah satu elemen penting yang mempengaruhi percepatan proyek AI adalah penyelarasan tujuan para pemimpin bisnis dengan tujuan tim intelijen buatan dan tim TI. Idealnya, sebagian besar tujuan AI dan tim data harus melayani para pemimpin bisnis. Sebaliknya, para pemimpin bisnis harus menentukan nilai apa yang mereka harapkan dari AI dan bagaimana nilai itu akan menghasilkan uang di pasar.
Di salah satu klien saya, saya menemukan situasi di mana tujuan departemen TI dan unit bisnis tidak terlalu berbeda karena tidak terintegrasi. Departemen TI mengejar strategi operasinya, dan pada saat yang sama, unit bisnis berfokus pada bintang utara mereka, yang mendorong mereka menuju pencapaian tujuan operasional.
Akibatnya, lebih dari 80% dari 50 unit bisnis tidak mengintegrasikan harapan mereka dengan peta jalan bisnis dan teknologi departemen TI. Akibatnya, ini menyebabkan penciptaan lebih dari 200 proyek. Para pemimpin bisnis tidak memanfaatkan potensi yang ditawarkan oleh teknologi yang sudah digunakan oleh departemen TI. Dalam situasi ini, model Bita berguna.
Gambar 2: Model Penyelarasan Bisnis dan TI, Henderson, dan Venkatraman (ResearchGate).
Penyelarasan bisnis dengan TI adalah strategi yang memprioritaskan mengintegrasikan operasi TI dan tujuan bisnis untuk menurunkan biaya, meningkatkan fleksibilitas dan meningkatkan ROI. Dalam kasus kami, ini membantu meningkatkan tingkat adopsi kecerdasan buatan dan mempercepat penerapan kecerdasan buatan.
Ukuran penting adalah tingkat kolaborasi seputar investasi teknologi strategis untuk memberikan alat, teknologi, dan platform yang mengoptimalkan alur kerja dalam proyek teknologi.
Karena laju perubahan teknologi yang cepat, ia sering merasa menantang untuk menyeimbangkan permintaan untuk alat dan teknologi baru dengan kekhawatiran bahwa perbaikan jangka pendek meningkatkan biaya teknologi dalam jangka panjang.
Contoh yang baik adalah pertanyaan lama. Haruskah saya meningkatkan sistem CRM “lama” atau membeli yang baru, tersedia dalam perangkat lunak sebagai model layanan.
Ini adalah praktik yang sangat baik untuk mengembangkan kriteria yang akan memungkinkan manajer membangun peta pengembangan teknologi untuk mengurangi kompleksitas ketika keputusan ini ada di meja. Jadi keputusannya bukanlah apakah akan mengembangkan yang lama atau membeli yang baru, tetapi untuk menjawab pertanyaan dengan siapa untuk membangun kemitraan sehingga pengembangan adalah yang tercepat dan paling tidak kompleks.
Ini adalah praktik yang baik untuk mendorong para pemimpin AI untuk membangun hubungan yang kuat dengan rekan -rekan TI mereka, vendor, dan pemimpin proyek lapangan.
Investasi dalam bakat
Peran analis data dan insinyur teknis berubah. Sebelumnya, pekerjaan mereka terutama difokuskan pada pengkodean tingkat rendah. Saat ini, mereka perlu merakit model dari komponen modular dan membuat produk yang siap untuk produksi dan penskalaan. Penerapan kecerdasan buatan membutuhkan pendekatan yang berbeda.
Ada juga peran baru yang dibutuhkan dalam tim AI. Salah satunya adalah insinyur pembelajaran mesin yang siap mengubah model AI menjadi sistem produksi kelas perusahaan yang beroperasi dengan andal pada skala. Para pemimpin bisnis harus mengomunikasikan perubahan itu dalam organisasi dan mengoordinasikan peta pengembangan bakat dengan manajer SDM.
Artikel ini mempercepat aplikasi AI berasal dari Arek Skuza.
