რას ნიშნავს ვიფიქროთ AI-ზე, როგორც გუნდურ სპორტზე? ჩვენ ვხედავთ, რომ ხელოვნური ინტელექტის პროექტები გადაინაცვლებს აჟიოტაჟიდან ზემოქმედებაზე, ძირითადად იმიტომ, რომ სწორი როლები ერთვება იმ ბიზნეს კონტექსტის უზრუნველსაყოფად, რომელიც ადრე არ იყო. მთავარია დომენის ექსპერტიზა; მანქანებს არ აქვთ კონტექსტის სიღრმე, როგორც ადამიანებს აქვთ და ადამიანებმა უნდა იცოდნენ ბიზნესი და მონაცემები საკმარისად კარგად, რათა გაიგონ, რა ქმედებები უნდა მიიღონ ნებისმიერი შეხედულების ან რეკომენდაციის საფუძველზე, რომელიც გამოჩნდება.
გთხოვ
როდესაც საქმე ეხება ხელოვნური ინტელექტის სკალირებას, ბევრი ლიდერი ფიქრობს, რომ მათ აქვთ ხალხის პრობლემა - კონკრეტულად, არ არის საკმარისი მონაცემების მეცნიერები. მაგრამ ყველა ბიზნეს პრობლემა არ არის მონაცემთა მეცნიერების პრობლემა. ან ყოველ შემთხვევაში, ყველა ბიზნეს გამოწვევა არ უნდა იყოს გადაყრილი თქვენი მონაცემთა მეცნიერების გუნდში. სწორი მიდგომით, თქვენ შეგიძლიათ მიიღოთ ხელოვნური ინტელექტის უპირატესობები იმ გამოწვევების გარეშე, რაც მოდის მონაცემთა მეცნიერების ტრადიციულ ციკლებთან.
ხელოვნური ინტელექტის გადაწყვეტილებების გამოსაყენებლად და მასშტაბურობისთვის, ლიდერებმა უნდა გადაიტანონ ორგანიზაციის აზროვნება, რომ AI-ს გუნდურ სპორტად იფიქრონ. ხელოვნური ინტელექტის ზოგიერთ პროექტს სჭირდება ადამიანების, ხელსაწყოების და მოლოდინების განსხვავებული ნაკრები, რათა გამოიყურებოდეს წარმატებული შედეგები. იმის ცოდნა, თუ როგორ ამოიცნოთ ეს შესაძლებლობები, დაგეხმარებათ მიუახლოვდეთ უფრო წარმატებულ AI პროექტებს და გააღრმავოთ თქვენი AI მომხმარებლების ჯგუფი, დაამატებთ სიჩქარეს და ძალას გადაწყვეტილების მიღებისას მთელს სამუშაო ძალაში. მოდით გამოვიკვლიოთ რატომ და როგორ.
ორგანიზაციები ახდენენ მოწინავე ანალიზის დემოკრატიზაციას ხელოვნური ინტელექტის გამოყენებით
ხელოვნური ინტელექტის გამოყენება ბიზნესის პრობლემების გადასაჭრელად, ძირითადად, მონაცემთა მეცნიერთა დანიშნულებაა. ხშირად, მონაცემთა მეცნიერების გუნდები დაცულია ორგანიზაციის უდიდესი შესაძლებლობებისა და ყველაზე რთული გამოწვევებისთვის. ბევრმა ორგანიზაციამ წარმატებით გამოიყენა მონაცემთა მეცნიერება კონკრეტული გამოყენების შემთხვევებზე, როგორიცაა თაღლითობის გამოვლენა, პერსონალიზაცია და სხვა, სადაც ღრმა ტექნიკური ექსპერტიზა და დახვეწილი მოდელები იწვევს უაღრესად წარმატებულ შედეგებს.
თუმცა, AI გადაწყვეტილებების სკალირება თქვენი მონაცემთა მეცნიერების გუნდის მეშვეობით არის გამოწვევა ორგანიზაციებისთვის, მრავალი მიზეზის გამო. ნიჭის მოზიდვა და შენარჩუნება ძალიან ძვირია და შეიძლება რთული იყოს კონკურენტულ ბაზარზე. მონაცემთა მეცნიერების ტრადიციულ პროექტებს ხშირად შეიძლება დიდი დრო დასჭირდეს განვითარებასა და გავრცელებამდე, სანამ ბიზნესი ფასს დაინახავს. და მონაცემთა მეცნიერების ყველაზე გამოცდილ, მძლავრ გუნდებსაც კი შეუძლიათ წარუმატებლობა, თუ არ ექნებათ საჭირო მონაცემები ან კონტექსტი იმ პრობლემის ნიუანსების გასაგებად, რომელთა გადაჭრასაც სთხოვენ.
2021 წლის Gartner® მონაცემთა მეცნიერებისა და მანქანათმცოდნეობის მდგომარეობა (DSML) მოხსენებაში ნათქვამია, რომ „კლიენტის მოთხოვნა იცვლება, ნაკლებად ტექნიკურ აუდიტორიას სურს უფრო ადვილად გამოიყენოს DSML, ექსპერტებს უნდა გააუმჯობესონ პროდუქტიულობა და საწარმოებს სჭირდებათ ნაკლები დრო თავიანთი ინვესტიციების დასაფასებლად.1.” მიუხედავად იმისა, რომ შეიძლება არსებობდეს მრავალი ბიზნეს პრობლემა, რომელსაც შეუძლია ისარგებლოს ანალიზის სიჩქარით ან საფუძვლიანობით, რომელსაც AI შეუძლია, მონაცემთა მეცნიერების ტრადიციული მიდგომა შეიძლება ყოველთვის არ იყოს თავდასხმის საუკეთესო გეგმა ღირებულების სწრაფად დასანახად. ფაქტობრივად, იგივე Gartner-ის ანგარიში პროგნოზირებს, რომ „2025 წლისთვის მონაცემთა მეცნიერთა სიმცირე აღარ შეაფერხებს ორგანიზაციებში მონაცემთა მეცნიერების და მანქანათმცოდნეობის მიღებას“.
დომენის ექსპერტიზა გადამწყვეტია AI-ის მასშტაბურობისთვის ბიზნესში
AI უკვე ეხმარება მოწინავე ანალიზის შესაძლებლობების მიწოდებას მომხმარებლებს, რომლებსაც არ აქვთ მონაცემთა მეცნიერების გამოცდილება. მანქანებს შეუძლიათ აირჩიონ საუკეთესო პროგნოზირების მოდელებიდან და ალგორითმებიდან და შეიძლება გამოჩნდეს ძირითადი მოდელები, რაც შესთავაზებს მათ დარეგულირებას და დარწმუნდეს, რომ ყველაფერი ემთხვევა იმას, რასაც მომხმარებელი ეძებს.
ეს შესაძლებლობები აძლევს ანალიტიკოსებს და კვალიფიციურ ბიზნეს დომენის ექსპერტებს შესაძლებლობას შექმნან და გამოიყენონ საკუთარი AI აპლიკაციები. მონაცემებთან უფრო ახლოს ყოფნისას, ამ მომხმარებლებს აქვთ უპირატესობა მონაცემთა მეცნიერთა ბევრ კოლეგასთან შედარებით. ამ ძალაუფლების ხელში ჩაგდება დომენის გამოცდილების მქონე ადამიანებისთვის შეიძლება თავიდან აიცილოთ განვითარების ხანგრძლივი დრო, რესურსების ტვირთი და ფარული ხარჯები, რომლებიც დაკავშირებულია მონაცემთა მეცნიერების ტრადიციულ ციკლებთან. გარდა ამისა, დომენის გამოცდილების მქონე ადამიანები უნდა გადაწყვიტონ, სასარგებლოა თუ არა AI პროგნოზი ან წინადადება.
მოდელის შექმნის უფრო განმეორებითი, გადასინჯვა-გადანერგვის პროცესებით, ბიზნეს კონტექსტის მქონე ადამიანებს შეუძლიათ უფრო სწრაფად მიიღონ ღირებულება ხელოვნური ინტელექტისგან - თუნდაც განათავსონ ახალი მოდელები ათასობით მომხმარებელზე დღიდან კვირებში, ნაცვლად კვირებიდან თვეების განმავლობაში. ეს განსაკუთრებით ძლიერია იმ გუნდებისთვის, რომელთა უნიკალური გამოწვევები შეიძლება არ იყოს მაღალი პრიორიტეტი მონაცემთა მეცნიერების გუნდებისთვის, მაგრამ შეუძლიათ ისარგებლონ ხელოვნური ინტელექტის ანალიზის სისწრაფითა და საფუძვლიანობით.
თუმცა, მნიშვნელოვანია აღინიშნოს, რომ მიუხედავად იმისა, რომ ამ გადაწყვეტილებებს შეუძლია დაეხმაროს ანალიტიკოსებსა და მონაცემთა მეცნიერებს შორის უნარების ხარვეზის აღმოფხვრას, ეს არ არის ამ უკანასკნელის ჩანაცვლება. მონაცემთა მეცნიერები რჩებიან კრიტიკულ პარტნიორად ბიზნეს ექსპერტებთან, რათა დაადასტურონ მონაცემები, რომლებიც გამოიყენება ხელოვნური ინტელექტის მქონე გადაწყვეტილებებში. და ამ თანამშრომლობის გარდა, განათლება და მონაცემთა უნარები გადამწყვეტი იქნება ამ ტიპის ხელსაწყოების წარმატებით გამოყენებისას.
მონაცემთა წიგნიერება უფრო მეტ ადამიანს აძლევს შესაძლებლობას გამოიყენონ AI
თქვენი ფუნდამენტური მონაცემთა სტრატეგია უზარმაზარ როლს თამაშობს თქვენი ორგანიზაციის AI-ით წარმატების მისაღწევად, მაგრამ AI გადაწყვეტილებების მიტანა ბიზნესში უფრო მეტ ადამიანს დასჭირდება მონაცემთა წიგნიერების საბაზისო ხაზს. იმის გაგება, თუ რა მონაცემებია მიზანშეწონილი ბიზნეს პრობლემისთვის გამოსაყენებლად, ასევე, თუ როგორ უნდა მოხდეს AI რეკომენდაციის მონაცემებისა და შედეგების ინტერპრეტაცია, დაეხმარება ადამიანებს წარმატებით ენდონ და მიიღონ AI, როგორც გადაწყვეტილების მიღების ნაწილი. ორგანიზაციის შიგნით მონაცემთა გაზიარებული ენა ასევე ხსნის მეტ კარს ექსპერტებთან წარმატებული თანამშრომლობისთვის.
McKinsey-ის უახლესმა გლობალურმა გამოკითხვამ AI-ზე აჩვენა, რომ მაღალი ეფექტურობის მქონე ორგანიზაციების 34%-ში „ერთგულ სასწავლო ცენტრი ავითარებს არატექნიკურ პერსონალს ხელოვნური ინტელექტის უნარ-ჩვევებს პრაქტიკული სწავლის გზით“, ვიდრე ყველა სხვა გამოკითხულის მხოლოდ 14%-ს. გარდა ამისა, მაღალი ეფექტურობის მქონე ორგანიზაციების 39%-ში „არსებობს კომუნიკაციის არხები და შეხების წერტილები ხელოვნური ინტელექტის მომხმარებლებსა და ორგანიზაციის მონაცემთა მეცნიერების გუნდს შორის“, ვიდრე სხვათა მხოლოდ 20%.
ლიდერებს შეუძლიათ გამოიყენონ სხვადასხვა მიდგომები მონაცემთა წიგნიერების ასაშენებლად, დაწყებული განათლებისა და ტრენინგის, მენტორობის პროგრამების, თემის შექმნის მონაცემთა კონკურსებიდან და სხვა. იფიქრეთ მონაცემთა წვდომისა და გაზიარების ნორმალიზებაზე, ასევე იმაზე, თუ როგორ აღნიშნავთ და ხელს უწყობთ წარმატებებს, სწავლებას და გადაწყვეტილების მიღებას მონაცემებით.
„მონაცემთა წიგნიერება და განათლება ვიზუალიზაციისა და მონაცემთა მეცნიერების შესახებ უნდა იყოს უფრო გავრცელებული და უფრო ადრე ისწავლება“, - თქვა ვიდია სეტლურმა, Tableau Research-ის ხელმძღვანელმა. „არსებობს ერთგვარი სოციალური და ორგანიზაციული პასუხისმგებლობა, რომელიც დაკავშირებულია მონაცემთა გამოყენებაზე. ადამიანები უკეთესად უნდა იყვნენ აღჭურვილი მონაცემების გასაგებად, ინტერპრეტაციისთვის და მაქსიმალურად გამოსაყენებლად, რადგან ხელოვნური ინტელექტი მხოლოდ უფრო დახვეწილი გახდება და ჩვენ თამაშზე რამდენიმე ნაბიჯით წინ უნდა ვიყოთ.”
თქვენი ორგანიზაციის მონაცემთა კულტურის ჩამოყალიბების გაგრძელება ქმნის ძლიერ შესაძლებლობებს უნარების გასავითარებლად და ბიზნესში ახალი გადაწყვეტილებების გასაუმჯობესებლად. ბევრმა ორგანიზაციამ უკვე გაზარდა ინვესტიციები მონაცემებსა და ანალიტიკაში ბოლო წლებში, რადგან ციფრული ტრანსფორმაცია დაჩქარდა. მონაცემების გუნდურ სპორტად ფიქრი არ არის მიზანშეწონილი — ახლა კი გვაქვს საშუალება გავავრცელოთ ეს აზროვნება AI-ზე.
წყარო: https://www.forbes.com/sites/tableau/2022/03/10/why-you-should-think-of-ai-as-a-team-sport/