Innehåll
- Nyckeln till bättre affärsresultat från datavetenskap
- Utöka AI till de med domänkompetens
- Förstå vad som går in i besluten
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Lektioner från internetets uppgång
- Att göra teknik tillgänglig nu
- Minska risken genom att minska tiden och kostnaden
Källa: Denisismagilov / Dreamstime.com
Hämtmat:
Framtiden för AI är inte de imponerande månskotten utan den vardagliga dagliga användningen som vi förknippar med kalkylblad. Det är det som vissa har om AI: s uppkomst från sällsynta fält till vanligt affärsbruk.
Nyckeln till bättre affärsresultat från datavetenskap
I en affärsrecension från Harvard artikel, Alessandro Di Fiore, grundare och VD för Europeiska centrumet för strategisk innovation (ECSI) motverkade antagandet ”att företag med mer datavetare har en bättre chans att skapa affärseffekter. ”Baserat på både i sitt konsultarbete och forskning, har han kommit fram till att anställa ett större antal dataforskare inte nödvändigtvis ger bättre resultat för ett företag.
Samma observation gjordes för mig i en ny intervju med Henry James, grundare och vice VD för Fincross International, som sa att det han såg på företag med stora resurser att investera i datavetenskap är att de faktiskt kan göra det bättre med ett team på fem än 50.
Utöka AI till de med domänkompetens
Det som verkligen gör skillnaden för ett företag, påpekade Di Fiore, ”är demokratiseringen av tillgången till AI verktyg och beslutsfattande bland chefer och anställda vilket skapar mer konkret värde. ”Han fortsatte att observera,” Bästa praxis visar hur demokratisering kan leda till snabbare och bättre fördelade beslut, vilket gör företagen mer smidiga och lyhörda för marknadsförändringar och möjligheter. ”(För att lära dig hur vissa företag redan använder AI, kolla in AI idag: Vem använder det just nu, och hur.)
Även om han inte bryr sig om termen "demokratisering" och föredrar den för "lagsport", samtycker Todd Hay, Oples COO, till den uppfattningen. Som han förklarade i en intervju med Techopedia, föreställer han övergången från sällsynt och centraliserad AI till massorna som analog till antagandet av kalkylark, ett användbart verktyg som bör användas av alla företagare.
"Ämne- och domänexperter är i bästa läge att bedöma en förutsägelse som kan påverka verksamheten," sade Hay. Men med en installation som sätter datavetare som ansvarar för dessa prediktiva modeller, "De är uteslutna från processen." Det är inte till förmån för företaget.
Även om han medger att datavetarna har expertis inom matematik och statistik för att bedöma om en modell klarar sig bra eller inte, har de inte förmågan att avgöra vilka frågor de bör ställa till AI för att lösa. Och den klyftan mellan modellkompetens och intressenters expertis är vad som står för det faktum att "70-80% av fallmodellerna aldrig används."
Förstå vad som går in i besluten
Det finns ytterligare förgreningar att inte förstå hur modellen fungerar. I reglerade branscher som hälso- och sjukvård, försäkring eller finans, sade Hay, är problemet att vara i en position där de måste förklara beslutsprocessen för revisorer och inte kunna göra det.
Rick Saletta, Oples ledande försäljningschef för AI, maskininlärning & data science, noterade sitt samtycke i intervjun och sa att det är därför företag nu letar efter att utveckla "transparent AI", även känd som förklarbar AI. Som vi såg in AI's Got Some Explaining to Do, i avsaknad av en tydlig förklaring av hur AI når sina slutsatser, kan du inte vara säker på att det är "partiskt." Han tillade, det är inte längre acceptabelt att skaka av företagets ansvar att driva rättvist genom att säga "AI gjorde Det."
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Lektioner från internetets uppgång
Den rädsla som återstår inför AI som fungerar som en svart låda håller tillbaka företag från att skörda de fulla fördelarna det gör. Det är ett tankesätt som måste förändras, enligt Hay. Han föreslog AI idag är som internet i slutet av 90-talet. Det betyder att det kommer att bli några spektakulära misslyckanden som Pets.com och andra sådana felbränder på grund av att människor inte är helt säkra på hur man använder den nya tekniken. Och rädsla för ny teknik håller människor tillbaka, sa han: "Det är nytt och skrämmande och mycket komplicerat."
Men det finns också en stor möjlighet för dem som räknar ut det. "Alla saker som vi ser nu öppnades av internet eftersom människor var villiga att prova nya saker," sade Hay. Det är samma situation nu med AI möjliggör människor att hitta vad "de inte ens visste att de borde leta efter." De borde inte heller tvivla på sin egen förmåga, eftersom många "har fler färdigheter i företaget än de trodde att de gör, särskilt"ämnesexperter och människor som känner till uppgifterna. "
Att göra teknik tillgänglig nu
"Vi vill se hur varje företag kan dra nytta av AI nu - idag", förklarade Hay. För att det ska hända är det nödvändigt att AI görs tillgängligt utanför datavetenskapsexperten. "Antalet kompetenta datavetare i världen är långt under antalet företag som skulle dra nytta av det," förklarade han. Följaktligen är nyckeln till att få fler affärsproblem löst "att inte utbilda fler till att vara Andrew Ng utan genom att göra tekniken tillgänglig för människor."
Det är verkligen framtidens våg, enligt Gartner, som förutspådde i år kommer att öka i "Självbetjäning" -analys. Betydande framsteg inom AI, liksom kompletterande tekniker som "SaaS (moln) analys och BI plattformar gör det enklare och mer kostnadseffektivt än någonsin för nonspecialister att utföra effektiv analys och bättre informera sina beslut, ”observerade Carlie J. Idoine, forskningsdirektör på Gartner.
När det sätts på plats i ett företag, och fler anställda övervinner sin motvilja mot att hjälpa sig till fördelarna med AI, kan det verkligen bli en deltagande snarare än åskådarsport inom organisationen. Denna förskjutning kan ha enorm inverkan. (Om du inte tänkte så mycket på AI för ditt företag, här är några implementationer du kanske vill överväga: 5 sätt som företag kan överväga att använda AI.)
Minska risken genom att minska tiden och kostnaden
"Människor är så rädda för att spendera sex månader för att utföra en hypotes," förklarade Hay, eftersom det är en så stor investering av tid och pengar som i slutändan kan misslyckas. Men om AI är inte reserverat för dessa stora moonshot-projekt med en längre tidshorisont, men för mer vanliga uppgifter som avslutas snabbare, eventuellt även dagligen, blir de "mer som ett kalkylblad", vilket betyder ett tillgängligt, billigt verktyg som människor inte är rädd för att prova, även arbeta igenom flera olika för att hitta den som bäst passar deras behov.
Idoine varnar emellertid att det inte betyder att företagen bara bör förvänta sig att deras anställda tar upp hur de använder och anpassar det till sina behov på egen hand. Hon insisterar på att ”utbildning, support och ombordprocesser behövs för att hjälpa de flesta självbetjäningsanvändare att producera meningsfull produktion.” Följaktligen är det nödvändigt att ge ”rätt vägledning för hur man kan komma igång snabbt och hur man kan tillämpa deras nya verktyg för sina specifika affärsproblem. ”Och det - snarare än att öka datavetenskapens teamantal - är nyckeln till bättre lösningar på affärsproblem.
