Mengapa Anda Perlu Anggap AI Sebagai Sukan Berpasukan

Apakah yang dimaksudkan dengan menganggap AI sebagai sukan berpasukan? Kami melihat projek AI beralih daripada gembar-gembur kepada kesan, sebahagian besarnya kerana peranan yang betul terlibat untuk menyediakan konteks perniagaan yang telah hilang sebelum ini. Kepakaran domain adalah kunci; mesin tidak mempunyai kedalaman konteks yang dimiliki oleh orang ramai dan orang ramai perlu mengetahui perniagaan serta data dengan cukup baik untuk memahami tindakan yang perlu diambil berdasarkan sebarang cerapan atau pengesyoran yang muncul.

Apabila bercakap tentang skala AI, ramai pemimpin berpendapat bahawa mereka mempunyai masalah rakyat—khususnya, saintis data tidak mencukupi. Tetapi tidak setiap masalah perniagaan adalah masalah sains data. Atau sekurang-kurangnya, bukan setiap cabaran perniagaan harus dilemparkan kepada pasukan sains data anda. Dengan pendekatan yang betul, anda boleh meraih faedah AI tanpa cabaran yang datang dengan kitaran sains data tradisional.

Untuk menggunakan dan menskalakan penyelesaian AI, pemimpin perlu mengubah minda organisasi untuk memikirkan AI sebagai sukan berpasukan. Sesetengah projek AI memerlukan set orang, alatan dan jangkaan yang berbeza untuk rupa hasil yang berjaya. Mengetahui cara mengenali peluang ini akan membantu anda mendekati projek AI yang lebih berjaya dan memperdalam barisan pengguna AI anda, menambahkan kelajuan dan kuasa untuk membuat keputusan merentas tenaga kerja. Mari kita terokai mengapa dan bagaimana.

Organisasi sedang mendemokrasikan analisis lanjutan dengan AI

Menggunakan AI untuk menyelesaikan masalah perniagaan sebahagian besarnya menjadi bidang kuasa saintis data. Selalunya, pasukan sains data dikhaskan untuk peluang terbesar organisasi dan cabaran paling kompleks. Banyak organisasi telah berjaya menggunakan sains data untuk kes penggunaan khusus seperti pengesanan penipuan, pemperibadian dan banyak lagi, di mana kepakaran teknikal yang mendalam dan model yang ditala halus memacu hasil yang sangat berjaya.

Walau bagaimanapun, menskalakan penyelesaian AI melalui pasukan sains data anda adalah mencabar bagi organisasi, atas banyak sebab. Menarik dan mengekalkan bakat adalah sangat mahal dan boleh menjadi sukar dalam pasaran yang kompetitif. Projek sains data tradisional selalunya boleh mengambil banyak masa untuk dibangunkan dan digunakan sebelum perniagaan melihat nilai. Malah pasukan sains data yang paling berpengalaman dan teguh boleh gagal jika mereka kekurangan data atau konteks yang diperlukan untuk memahami nuansa masalah yang mereka diminta untuk menyelesaikannya.

Gartner® 2021 Keadaan Sains Data dan Pembelajaran Mesin (DSML) melaporkan bahawa "permintaan pelanggan berubah, dengan khalayak yang kurang teknikal mahu menggunakan DSML dengan lebih mudah, pakar perlu meningkatkan produktiviti dan perusahaan memerlukan masa yang lebih singkat untuk menilai pelaburan mereka¹.” Walaupun mungkin terdapat banyak masalah perniagaan yang boleh mendapat manfaat daripada kepantasan atau ketelitian analisis yang boleh disediakan oleh AI, pendekatan sains data tradisional mungkin tidak selalu menjadi rancangan serangan terbaik untuk melihat nilai dengan cepat. Malah, laporan Gartner yang sama meramalkan bahawa "menjelang 2025, kekurangan saintis data tidak lagi akan menghalang penggunaan sains data dan pembelajaran mesin dalam organisasi."

Kepakaran domain adalah penting untuk menskalakan AI merentas perniagaan

AI sudah membantu membawa keupayaan analisis lanjutan kepada pengguna yang tidak mempunyai latar belakang sains data. Mesin boleh memilih daripada model dan algoritma ramalan terbaik, dan model asas boleh didedahkan, menawarkan keupayaan untuk menalanya dan memastikan semuanya sepadan dengan perkara yang dicari pengguna.

Keupayaan ini memberi penganalisis dan pakar domain perniagaan mahir keupayaan untuk mereka bentuk dan memanfaatkan aplikasi AI mereka sendiri. Menjadi lebih dekat dengan data, pengguna ini mempunyai kelebihan berbanding kebanyakan rakan saintis data mereka. Meletakkan kuasa ini di tangan mereka yang mempunyai kepakaran domain boleh membantu mengelakkan masa pembangunan yang panjang, beban sumber dan kos tersembunyi yang dikaitkan dengan kitaran sains data tradisional. Selain itu, orang yang mempunyai kepakaran domain harus menjadi orang yang memutuskan sama ada ramalan atau cadangan AI berguna atau tidak.

Dengan proses pembinaan model yang lebih berulang, menyemak dan mengatur semula, orang yang mempunyai konteks perniagaan boleh mendapatkan nilai daripada AI dengan lebih pantas—malah menggunakan model baharu kepada beribu-ribu pengguna dalam masa beberapa hari ke minggu, bukannya minggu ke bulan. Ini amat berkuasa untuk pasukan yang cabaran uniknya mungkin bukan keutamaan tinggi untuk pasukan sains data, tetapi boleh mendapat manfaat daripada kepantasan dan ketelitian analisis AI.

Walau bagaimanapun, adalah penting untuk ambil perhatian bahawa walaupun penyelesaian ini boleh membantu menangani jurang kemahiran antara penganalisis dan saintis data, ia bukan pengganti untuk yang kedua. Saintis data kekal sebagai rakan kongsi kritikal dengan pakar perniagaan untuk mengesahkan data yang digunakan dalam penyelesaian yang didayakan AI. Dan sebagai tambahan kepada kerjasama ini, pendidikan dan kemahiran data akan menjadi kritikal dalam menggunakan alat jenis ini dengan jayanya pada skala.

Celik data memperkasakan lebih ramai orang untuk memanfaatkan AI

Strategi data asas anda memainkan peranan yang besar dalam menyediakan organisasi anda untuk berjaya dengan AI, tetapi membawa penyelesaian AI kepada lebih ramai orang di seluruh perniagaan akan memerlukan garis dasar celik data. Memahami data yang sesuai untuk digunakan pada masalah perniagaan, serta cara mentafsir data dan hasil pengesyoran AI akan membantu orang ramai berjaya mempercayai dan menerima pakai AI sebagai sebahagian daripada membuat keputusan mereka. Bahasa data yang dikongsi dalam organisasi juga membuka lebih banyak pintu untuk kerjasama yang berjaya dengan pakar.

Tinjauan global terkini McKinsey tentang AI mendedahkan bahawa dalam 34% organisasi berprestasi tinggi "pusat latihan khusus membangunkan kemahiran AI kakitangan bukan teknikal melalui pembelajaran langsung," berbanding hanya 14% daripada semua yang lain yang ditinjau. Selain itu, dalam 39% organisasi berprestasi tinggi "terdapat saluran komunikasi dan titik sentuh yang ditetapkan antara pengguna AI dan pasukan sains data organisasi," berbanding hanya 20% yang lain.

Pemimpin boleh mengambil pelbagai pendekatan untuk membina literasi data, daripada pendidikan dan latihan, program bimbingan, pertandingan data membina komuniti dan banyak lagi. Fikirkan tentang menormalkan akses dan perkongsian data, serta cara anda meraikan dan mempromosikan kejayaan, pembelajaran dan membuat keputusan dengan data.

"Literasi data dan pendidikan tentang visualisasi dan sains data perlu lebih meluas, dan diajar lebih awal," kata Vidya Setlur, ketua Penyelidikan Tableau. “Terdapat semacam tanggungjawab sosial dan organisasi yang datang dengan pergantungan pada penggunaan data. Orang ramai harus lebih bersedia untuk memahami, mentafsir dan memanfaatkan data sepenuhnya kerana AI hanya akan menjadi lebih canggih, dan kita harus berada beberapa langkah di hadapan permainan."

Meneruskan membina budaya data organisasi anda mewujudkan peluang yang hebat untuk memupuk kemahiran dan memupuk penyelesaian baharu merentas perniagaan. Banyak organisasi telah meningkatkan pelaburan mereka dalam data dan analitik dalam beberapa tahun kebelakangan ini, kerana transformasi digital telah dipercepatkan. Ia bukan capaian untuk menganggap data sebagai sukan berpasukan—dan kini kami mempunyai cara untuk meluaskan pemikiran itu kepada AI.