Lewatlah sudah hari-hari ketika organisasi hanya mampu melakukan pendekatan eksperimental terhadap kecerdasan buatan dan analisis yang dipahami secara luas. Kini saatnya mempercepat penerapan AI.
Dunia usaha tidak bisa lagi berasumsi bahwa para manajer akan bereksperimen dan melihat apa yang akan terjadi. Waktu untuk bereksperimen dengan AI telah berakhir, terutama karena kecerdasan buatan sudah menjadi fondasi keunggulan kompetitif yang besar bagi perusahaan—perusahaan yang masih bereksperimen harus segera mengejar ketertinggalannya.
Eksperimen tersebut telah menghasilkan implementasi dengan pengembalian investasi yang nyata. Situasi ini mempunyai konsekuensi lain. Tidak mungkin lagi menghubungkan sistem yang ada dalam organisasi, merekatkannya, dan membangun lingkungan cerdas melalui integrasi. Terutama karena perangkat lunak asli yang bukan kecerdasan buatan sudah ketinggalan zaman dan tidak mendukung aliran data bebas antar departemen.
Awal penerapan AI yang tidak dapat diukur
Pada masa-masa awal AI dalam dunia bisnis, manfaat bisnis dari teknologi ini belum terlihat jelas, sehingga banyak organisasi menyewa analis data untuk menyelidiki apa yang mungkin terjadi. Pada saat yang sama, tanpa berfokus pada penciptaan lingkungan yang stabil untuk mengembangkan kecerdasan buatan yang dapat beroperasi dengan andal 24 jam sehari. Ini lebih merupakan permainan, eksperimen daripada peta jalan yang direncanakan dengan baik.
Dengan asumsi bahwa kita sedang melakukan sesuatu yang eksperimental, perusahaan tidak fokus pada pembangunan sistem yang dapat diskalakan. Analis data dan insinyur perangkat lunak sering kali berinvestasi pada solusi lokal yang diinstal pada server yang diketahui oleh sekelompok kecil rekan kerja. Arsitek teknologi menggunakan berbagai alat untuk latihan ini tanpa mempertimbangkan bagaimana perangkat lunak tersebut akan membantu organisasi di masa depan.
Oleh karena itu, dalam mode eksperimental, para insinyur dan analis mengesampingkan banyak tugas yang mendukung penskalaan solusi, seperti membangun infrastruktur penting di mana semua model AI dapat dikembangkan dengan andal dan dijalankan serta didistribusikan secara efisien dalam organisasi. Adopsi kecerdasan buatan lambat, tidak efektif, dan dianggap sebagai hal yang bisa dilakukan di Mars. Percepatan penerapan AI belum menjadi hal yang utama.
Konsumen mengharapkan penerapan kecerdasan buatan
Saat ini, kekuatan pasar dan ekspektasi konsumen tidak memberikan ruang bagi ketidakefektifan tersebut. Organisasi yang menyadari pentingnya AI dengan cepat mengubah arah dari meneliti apa yang dapat dilakukan teknologi menjadi menggunakannya dalam skala besar dan memaksimalkan manfaatnya. Raksasa teknologi yang menggunakan teknologi ini terus melakukan perubahan dan mendapatkan pangsa pasar di industri tradisional. Adopsi kecerdasan buatan menjadi arus utama, diikuti oleh investasi modal yang besar. Pada saat yang sama, ekspektasi konsumen terhadap pengalaman yang dipersonalisasi dan lancar terus meningkat.
Untungnya, seiring dengan semakin cepatnya adopsi kecerdasan buatan, 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 tersebut.
Serangkaian teknologi dan layanan yang berkembang pesat telah memungkinkan tim untuk beralih dari pendekatan manual dan berfokus pada pengembangan ke siklus hidup AI yang lebih otomatis, modular, dan disesuaikan, mulai dari mengelola data yang masuk hingga memantau dan memperbaiki aplikasi yang berjalan. Hasilnya, nilai dikirimkan ke pelanggan akhir lebih cepat.
Contoh penerapan AI yang baik adalah mesin GPT-3 yang ditawarkan oleh perusahaan OpenAI yang didirikan oleh Elon Musk. GPT-3 dapat menulis dan meringkas teks dengan kecepatan yang luar biasa. 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 ini untuk mengembangkan materi teks untuk aktivitas pemasaran dan PR mereka.
Statista menyiapkan penelitian di mana para analis menguji apakah konsumen mengetahui dan memahami di mana adopsi kecerdasan buatan terjadi. Peneliti membandingkan hasil yang diperoleh dari kelompok konsumen dengan hasil dari sekelompok pelaku bisnis. Ternyata konsumen memahami dalam hal apa kecerdasan buatan digunakan, namun juga tidak berbeda dengan pelaku bisnis dalam pemahaman tersebut.
Gambar 1: Apakah masyarakat memahami penerapan AI, sumber: Statista
Apa yang perlu dilakukan untuk beralih dari eksperimen ke implementasi pasar dan mempercepat penerapan AI?
Organisasi harus berinvestasi pada berbagai jenis aset dan komponen yang dapat digunakan kembali. Salah satu contohnya adalah menciptakan “produk” siap pakai yang menstandardisasi sekumpulan data tertentu (misalnya, menggabungkan semua data pelanggan untuk menciptakan citra pelanggan 360 derajat), menggunakan standar umum, keamanan dan pengawasan bawaan, serta kemampuan layanan mandiri.
Bobot dan Bias adalah contoh perusahaan yang memungkinkan percepatan proses transisi secara signifikan dari tahap eksperimen ke implementasi pasar. Solusi perusahaan memungkinkan pengujian cepat model kecerdasan buatan, pembuatan versinya, dan pelacakan versi.
Jika organisasi Anda memiliki data pelanggan, Bobot dan Bias akan memungkinkan Anda membuat model AI dengan cepat dan meningkatkan kecepatan penerapan AI secara signifikan. Hal ini, pada gilirannya, akan memungkinkan Anda memprediksi perilaku dan memeriksa perpindahan pelanggan dan pada tingkat harga berapa pelanggan akan mempertimbangkan untuk menukar Anda dengan penawaran pesaing.
Berkat pendekatan ini, tim dapat menggunakan data lebih cepat dan mudah dalam banyak kasus penggunaan saat ini dan masa depan, yang sangat penting selama penskalaan penerapan AI di domain tertentu.
Contoh yang baik adalah Alteryx—perusahaan lain yang membantu mempercepat adopsi kecerdasan buatan. Alteryx memungkinkan analis menyiapkan, mengumpulkan, 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 selangkah demi selangkah atau sepenuhnya otomatis memungkinkan Anda membuat algoritme terlatih yang siap diterapkan dan dapat diskalakan sepenuhnya.
Organisasi sering kali menginvestasikan banyak waktu dan uang dalam mengembangkan solusi AI hanya untuk mengetahui bahwa perusahaan berhenti menggunakan hampir 80 persen solusi tersebut karena solusi tersebut tidak lagi memberikan nilai. Menggunakan solusi siap pakai yang menyediakan alat yang dapat diskalakan dalam model layanan berarti hanya 30% model AI yang terbuang sia-sia. Bagaimana ini mungkin? Platform khusus memberikan kesimpulan yang lebih cepat dan efektif dari data yang diproses. Berkat hal tersebut, proses perancangan produk digital bertenaga AI menjadi lebih cepat dan hemat biaya.
Peran manajer bisnis dalam melakukan penerapan AI
Menerapkan pendekatan tangkas memerlukan perubahan budaya yang signifikan untuk melonggarkan keyakinan bahwa insinyur hanya boleh mengembangkan perangkat lunak secara internal. Hanya dengan cara itulah lingkungan aman dan pengendaliannya ketat.
Perubahan ini terjadi ketika kita beralih dari bereksperimen secara internal ke menciptakan produk yang memanfaatkan solusi siap pakai dan teknologi sumber terbuka.
Menciptakan kemampuan baru akan secara signifikan mengubah cara kerja para analis, insinyur perangkat lunak, dan ahli teknologi data saat mereka beralih dari pengembangan berdasarkan permintaan ke proses pengiriman dan fungsionalitas yang lebih terkomoditisasi dan terstandarisasi. Ketika para insinyur bertaruh pada komoditisasi, penerapan kecerdasan buatan semakin cepat.
Namun apa yang harus dilakukan oleh direktur dan manajer perusahaan untuk mempercepat penerapannya? Berikut adalah tiga elemen yang saya sarankan untuk dipertimbangkan:
- Membangun budaya efisiensi
- Membangun kerjasama yang lancar antara bisnis dan TI
- Berinvestasi dalam bakat
Membangun budaya efisiensi
Setiap transformasi digital didasarkan pada landasan tertentu yang ditetapkan oleh manajemen perusahaan. Misalkan para manajer ingin mempercepat penerapan dan adopsi kecerdasan buatan. Dalam hal ini, penting untuk dikomunikasikan bahwa pengembangan produk tidak harus didasarkan hanya pada sumber daya dan sistem internal. Penggunaan komponen pihak ketiga yang siap pakai dan dapat diskalakan serta memadukannya dengan sistem internal harus diperbolehkan. Para eksekutif harus menyederhanakan prosedur pembelian dan pemantauan serta memastikan akses terhadap pembayaran layanan mudah dan bebas dari formalitas yang tidak perlu.
Manajer harus menjelaskan bahwa sistem AI sama pentingnya bagi perusahaan seperti sistem ERP dan sistem tersebut harus berjalan 24/7 dan menghasilkan nilai bisnis setiap hari. Meskipun menetapkan visi sangatlah penting, penting untuk mengkomunikasikan dengan tepat bagaimana melakukan proses pelaksanaannya. Adopsi kecerdasan buatan tidak terjadi begitu saja. Hal ini memerlukan pedoman dan efisiensi organisasi.
Hal-hal yang perlu dikomunikasikan dalam organisasi yang menginginkan dan mempercepat adopsi kecerdasan buatan:
- % model kecerdasan buatan yang dibangun telah diterapkan. Penting untuk membicarakan berapa banyak model yang telah dilatih tetapi belum disetujui untuk diterapkan di lingkungan produksi.
- Dampak Otomatisasi Total dan ROI Investasi AI.
- Jumlah departemen yang terlibat dalam implementasi bersama.
Mungkin diperlukan waktu 12 hingga 24 bulan agar tujuan-tujuan ini dapat tercapai sepenuhnya, namun menggunakan pendekatan agile mempunyai peluang nyata untuk mengurangi totalnya hingga dua perempatnya.
Membangun kerjasama 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 kecerdasan buatan dan tim TI. Idealnya, sebagian besar tujuan AI dan tim data harus memenuhi tujuan para pemimpin bisnis. Sebaliknya, para pemimpin bisnis harus menentukan nilai apa yang mereka harapkan dari AI dan bagaimana nilai tersebut akan menghasilkan uang di pasar.
Di salah satu klien saya, saya menemukan situasi di mana tujuan departemen TI dan unit bisnis tidak terlalu berbeda tetapi juga tidak terintegrasi. Departemen TI menjalankan 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. Hasilnya, hal ini menghasilkan terciptanya 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 sangat berguna.
Gambar 2: Model penyelarasan bisnis dan TI, Henderson, dan Venkatraman (ResearchGate).
Penyelarasan Bisnis dengan TI merupakan strategi yang mengutamakan integrasi operasional TI dan tujuan bisnis untuk menurunkan biaya, meningkatkan fleksibilitas, dan meningkatkan ROI. Dalam kasus kami, hal ini membantu meningkatkan tingkat adopsi kecerdasan buatan dan mempercepat penerapan kecerdasan buatan.
Salah satu ukuran pentingnya adalah tingkat kolaborasi seputar investasi teknologi strategis untuk menghadirkan alat, teknologi, dan platform yang mengoptimalkan alur kerja dalam proyek teknologi.
Karena pesatnya laju perubahan teknologi, TI sering kali mengalami kesulitan dalam menyeimbangkan permintaan akan alat dan teknologi baru dengan kekhawatiran bahwa perbaikan jangka pendek akan meningkatkan biaya teknologi dalam jangka panjang.
Contoh yang bagus adalah pertanyaan lama. Haruskah saya meningkatkan sistem CRM “lama” atau membeli yang baru, tersedia dalam model Software As A Service.
Merupakan praktik yang sangat baik untuk mengembangkan kriteria yang memungkinkan para manajer membuat peta pengembangan teknologi untuk mengurangi kompleksitas ketika keputusan ini sudah diambil. Jadi keputusannya bukan apakah akan mengembangkan yang lama atau membeli yang baru, namun menjawab pertanyaan dengan siapa kita harus membangun kemitraan sehingga pembangunan bisa berjalan secepat dan sekompleks mungkin.
Merupakan praktik yang baik untuk mendorong para pemimpin AI membangun hubungan yang kuat dengan rekan TI mereka, vendor, dan pemimpin proyek lapangan.
Investasi dalam bakat
Peran analis data dan insinyur teknis sedang 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 diproduksi dan dikembangkan. Penerapan kecerdasan buatan memerlukan 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 dalam skala besar. Pemimpin bisnis harus mengomunikasikan perubahan tersebut dalam organisasi dan mengoordinasikan peta pengembangan bakat dengan manajer SDM.
Artikel Percepat Penerapan AI berasal dari website Arek Skuza.
