През юни Accenture представи докладът The Art of A.I. Според него само 12% от анкетираните за целта на проучването компании използват изкуствен интелект (AI) на ниво зрялост и постигат превъзходен растеж и бизнес трансформация.
Оказва се, че 63% от компаниите, които използват изкуствен интелект, всъщност само надраскват повърхността, пише dice.com.
Изкуственият интелект може да осигури значителни ползи за корпоративните организации във всеки сектор, но потенциалът на технологията все още е далеч от достигане на максимума.
Докладът идентифицира четири ключови предизвикателства, с които бизнесите ще се сблъскат, докато преминават към AI през 2023 г. Разбирането на тези предизвикателства може да помогне на организациите да изградят пътна карта и собствените си AI стратегии.
Създаване на управлявана от бизнеса AI култура
Компании, които се отличават с машинно обучение и решаване на реални бизнес проблеми с изкуствен интелект, ще имат силна иновационна култура на всички нива. В момента стотици хиляди компании експериментират по един или друг начин с технологията. Екипи от учени и инженери отговарят за разработването на модели за машинно обучение, които са от полза за компанията.
Често обаче тези екипи са изолирани, разработват модели по много ad-hoc, почти занаятчийски, начин и са откъснати от вземащите решения и имат малка подкрепа от ръководителите и от други отдели.
Компаниите, които стартират AI проекти като експериментални и по-късно да ги представят на своята организация, имат по-висок процент на неуспех от тези с първоначално одобрение за тези проекти.
Екипите за данни трябва да получат информация от най-добрите лица, вземащи решения относно предизвикателствата, пред които е изправена компанията, и да изградят модели за машинно обучение, които се справят с тези бизнес проблеми в реалния свят.
Учени, работещи в организации, които нямат силна AI култура, често изпадат в конфликт със "старите начини за правене на нещата". Blackbox A.I. проектите може да не получат подкрепа от ръководителите, защото те не успяват да разберат как моделът на машинно обучение постига резултати.
Обучението на всички служители - т изпълнителни директори до ИТ, маркетинг, продажби, разбива езиковата и техническата бариера и създава подкрепа и разбиране. Затова е толкова важно разработчиците на AI проекти да си сътрудничат с другите отдели.
Преминаване от експериментални AI проекти към реалната дейност
Има безброй причини, поради които организациите се затрудняват реално да внедрят експерименталните AI проекти. Повечето бизнес предизвикателства са пряко свързани с липсата на силна AI култура.
Например изпълнителните директори често не разбират ограниченията на изкуствения интелект и какво той може и не може да прави. Моделите за машинно обучение могат да повлияят на крайния резултат на компанията - особено в настоящия икономически климат и задаващата се рецесия, чрез изкуствен интелект. Тези решения могат да оптимизират маркетинговите разходи чрез моделиране на маркетингов микс или модели, които могат да намалят отлива на клиенти.
Изкуственият интелект обаче може да не реши други проблеми с прогнозирането поради различни проблеми - например недостатъчно изходни данни или твърде сложни казуси, които изискват човешко внимание.
Също така е жизненоважно за ръководството да разбере как работят моделите за машинно обучение и колко време отнема изграждането на модел. Изграждането на машинно обучение отнема много време. Докладът "2020 State of Enterprise ML" на Algorithmia разкрива, че 63 процента от 745 анкетирани компании са внедрили модели за машинно обучение в дейността си.
Средно 40 процента от компаниите казват, че им отнема повече от месец, за да внедрят модел за машинно обучение в дейността.
Разработчиците трябва да преминат през огромни количества необработени данни, да изберат какви данни да използват, да говорят с експерти, да обучат своите модели и да сравнят резултатите.
Да предположим, че ръководителите се стремят да разрешат бизнес проблем с чувствителен към времето краен срок, например да предвидят въздействието на евентуална рецесия през следващите три месеца. В този случай те трябва да вземат предвид ограниченията във времето за разработване на AI модели. Тези отнемащи време процеси могат да доведат до разочарование и често да направят проектите с изкуствен интелект експериментални и трудни за изпълнение.
От техническа гледна точка експерименталните проекти често не успяват да влязат в дейността на организацията, защото използват подмножество от много по-големи данни. Един експериментален модел може да работи добре с подмножество от данни. И все пак други променливи влизат в действие, когато той започне да работи и използва живи данни. Така моделът може да се промени, да се провали или пък напълно да се срине.
Отделно преобразуването на код за машинно обучение в нещо, което може да се използва в производствени системи, може да отнеме много време и да бъде трудно.
Втора част на материала прочетете тук!
