Sztuczna inteligencja w przedsiębiorstwie: od „Buduj lub kupuj” do „Partner i rozwijaj”

Niedawno jeden z partnerów zwrócił się do mnie z niezobowiązującą propozycją zastosowania sztucznej inteligencji (AI) w swojej organizacji. Chcieli usprawnić proces wdrażania, wykorzystując AI do odpowiadania na często zadawane pytania nowych pracowników. Zasugerowałem praktyczne rozwiązanie z wykorzystaniem chatbota, które zintegrowałoby ich wewnętrzną dokumentację, a oni z przekonaniem przyjęli propozycję, planując „rozmowę ze swoim zespołem IT” w przyszłości.

Z doświadczenia wiedziałem, że ten rodzaj optymizmu jest kruchy. Przeciętny zespół IT nie był przygotowany do samodzielnego wdrożenia pełnoprawnej aplikacji AI. I tak się stało: miesiące później utknęli w martwym punkcie. Ich system był frustrująco powolny, a dodatkowo stało się jasne, że źle zrozumieli rzeczywiste potrzeby użytkowników podczas rozwoju. Nowi pracownicy zadawali inne pytania niż te, na które system był przygotowany. Większość użytkowników wracała po kilku próbach i już nigdy nie wracała. Naprawa tych problemów wymagała ponownego przemyślenia całej architektury i strategii danych, ale szkody już zostały wyrządzone. Pracownicy byli sfrustrowani, kierownictwo to zauważyło, a początkowy entuzjazm wobec AI osłabł, ustępując miejsca sceptycyzmowi. Argumentowanie za kolejną, rozbudowaną fazą rozwoju byłoby trudne, więc problem po cichu odłożono na półkę.

Ta historia nie jest bynajmniej wyjątkowa. Sprytny marketing firm z branży AI tworzy iluzję dostępności AI, a firmy pochopnie podejmują się inicjatyw, nie do końca rozumiejąc stojące przed nimi wyzwania. W rzeczywistości, aby stworzyć solidną strategię AI i wdrożyć mniej lub bardziej spersonalizowane przypadki użycia w firmie, potrzebna jest specjalistyczna wiedza. Jeśli takiej wiedzy nie ma w firmie, należy ją pozyskać od partnerów lub zewnętrznych dostawców.

Nie oznacza to, że musisz kupić wszystko – to tak, jakbyś miał 100 dolarów i wydał je w restauracji zamiast iść do supermarketu. Pierwsza opcja natychmiast zaspokoi Twój głód, ale druga zagwarantuje Ci jedzenie na cały tydzień.

Jak więc zacząć i kto powinien realizować Twoje pierwsze projekty AI? Oto moje podejście: zapomnij o zasadzie „buduj albo kupuj” i skup się na partnerstwach i nauce. Jestem głęboko przekonany, że większość firm powinna budować wewnętrzną wiedzę specjalistyczną w zakresie AI – zapewni im to większą swobodę w realizacji strategii i działań w tym zakresie w przyszłości. Jednocześnie AI to złożona dziedzina, której opanowanie wymaga czasu, a porażki są wszechobecne (według… W niniejszym raporcie wydanym przez RAND Corporation(Ponad 80% inicjatyw w zakresie AI kończy się porażką). Uczenie się na błędach jest korzystne w teorii, ale w praktyce prowadzi do marnowania czasu, zasobów i utraty wiarygodności. Aby skutecznie osiągnąć dojrzałość AI, firmy powinny rozważyć współpracę z zaufanymi partnerami, którzy chętnie podzielą się swoją wiedzą. Pragmatyczne i staranne przygotowanie nie tylko zapewni sprawniejsze wdrożenie techniczne, ale także uwzględni aspekty ludzkie i biznesowe strategii AI.

Poniżej najpierw przedstawię podstawowe założenia (dane wejściowe, wyjściowe i kompromisy) decyzji „zbuduj lub kup” w obszarze AI. Następnie poznasz bardziej charakterystyczne podejście do partnerstwa, które łączy budowanie i kupowanie, jednocześnie usprawniając proces uczenia się. Na koniec przedstawię kilka praktycznych wskazówek i porad dotyczących partnerstw w obszarze AI.

Podstawy podejmowania decyzji „zrobić czy kupić” w sztucznej inteligencji

Zacznijmy od podzielenia klasycznej decyzji „zrobić czy kupić” na dwie części: nakłady – elementy, które należy ocenić z wyprzedzeniem – oraz wyniki – konsekwencje każdej opcji dla firmy w przyszłości. Decyzja o tym, czy produkować sztuczną inteligencję wewnętrznie, czy kupić ją od zewnętrznego dostawcy, jest kluczową decyzją strategiczną, wymagającą dogłębnego zrozumienia dostępnych zasobów i przewidywanych kosztów.

Wejścia

Aby podjąć decyzję, należy ocenić wewnętrzne możliwości i wymagania dotyczące przypadków użycia. Czynniki te określą realizm, ryzyko lub korzyści każdej opcji:

• Dojrzałość sztucznej inteligencji w Twojej organizacji: Weź pod uwagę swoje wewnętrzne możliwości techniczne, takie jak wykwalifikowany personel w dziedzinie sztucznej inteligencji, zasoby AI wielokrotnego użytku (takie jak zbiory danych, gotowe modele i grafy wiedzy) oraz powiązane umiejętności techniczne, które można przenieść do AI (takie jak inżynieria danych i analityka). Weź również pod uwagę, jak biegli są użytkownicy w interakcji ze sztuczną inteligencją i radzeniu sobie z jej niepewnością. Inwestuj w podnoszenie kwalifikacji i budowanie zwinności w miarę rozwoju Twojej wiedzy w zakresie sztucznej inteligencji.
• Wymagania dotyczące doświadczenia terenowego: W jakim stopniu rozwiązanie odzwierciedla Twoją wiedzę dziedzinową? W przypadkach użycia wymagających eksperckiej intuicji lub wiedzy organizacyjnej, kluczową rolę odegrają Twoi wewnętrzni eksperci dziedzinowi. Powinni oni uczestniczyć w procesie rozwoju, zarówno poprzez wewnętrzne kompilacje, jak i bliską współpracę z zewnętrznym dostawcą.
• Złożoność techniczna przypadku użycia: Nie wszystkie aplikacje AI są sobie równe. Projekt oparty na istniejących interfejsach API lub podstawowych modelach jest znacznie prostszy niż taki, który wymaga wytrenowania niestandardowej architektury modelu od podstaw. Większa złożoność zwiększa ryzyko, zapotrzebowanie na zasoby i potencjalne opóźnienia w podejściu „najpierw buduj”.
• Wartość i różnicowanie strategiczne: Czy dany przypadek użycia jest kluczowy dla Twojej przewagi strategicznej, czy jedynie funkcją pomocniczą? Jeśli jest on unikalny dla Twojej branży (lub nawet Twojej firmy) i zwiększy Twoją przewagę konkurencyjną, współtworzenie lub współtworzenie może przynieść większą wartość. Z drugiej strony, w przypadku standardowego przypadku użycia (takiego jak klasyfikacja i prognozowanie dokumentów), zakup prawdopodobnie przyniesie szybsze i bardziej opłacalne rezultaty.

Konsekwencje decyzji o produkcji własnej lub zakupie gotowych produktów

Po przeanalizowaniu danych wejściowych, musisz określić późniejszy wpływ decyzji o produkcji własnej lub zakupie gotowych produktów i ocenić ewentualne kompromisy. Oto siedem czynników, które będą miały wpływ na harmonogramy, koszty, ryzyko i rezultaty:

1. Personalizacja: Zakres, w jakim rozwiązanie AI można dostosować do specyficznego przepływu pracy, celów i potrzeb danej organizacji. Personalizacja często decyduje o tym, jak dobrze rozwiązanie spełnia unikalne wymagania biznesowe. Staranne dostosowanie ma kluczowe znaczenie dla zapewnienia zgodności rozwiązania ze specjalistycznymi procesami biznesowymi.
2. Własność: Prawa własności intelektualnej i kontrola nad podstawowymi modelami sztucznej inteligencji, kodem i kierunkiem strategicznym. Produkcja wewnętrzna zapewnia pełną własność, podczas gdy zakup zazwyczaj wiąże się z licencjonowaniem technologii stron trzecich. Pełna własność stanowi przewagę strategiczną, szczególnie w branżach, które opierają się na innowacjach i ochronie własności intelektualnej.
3. Najważniejsze informacje: Obejmuje ona sposób przetwarzania danych, ich lokalizację i osoby mające do nich dostęp. W środowiskach regulowanych lub wrażliwych prywatność danych i zgodność z przepisami są kluczowe, zwłaszcza gdy dane mogą być udostępniane lub przetwarzane przez zewnętrznych dostawców. Zgodność z globalnymi standardami bezpieczeństwa danych, takimi jak RODO i ISO 27001, jest niezbędna.
4. koszt: Obejmuje ona zarówno początkową inwestycję, jak i bieżące koszty operacyjne. Produkcja wewnętrzna wymaga badań i rozwoju, zaangażowania kadry, infrastruktury oraz długoterminowego utrzymania, natomiast zakup może wiązać się z koniecznością zakupu licencji, subskrypcji lub opłat za korzystanie z chmury. Należy przeprowadzić szczegółową analizę całkowitego kosztu posiadania (TCO), aby ocenić opłacalność finansową każdej opcji.
5. Czas potrzebny na wprowadzenie produktu na rynek: Mierzy szybkość wdrożenia rozwiązania i rozpoczęcia dostarczania wartości. Szybkie wdrożenie jest często kluczowe na konkurencyjnych lub dynamicznych rynkach; opóźnienia mogą prowadzić do utraty szans. Wybór gotowego rozwiązania może znacznie przyspieszyć proces wprowadzania produktu na rynek, dając organizacji przewagę konkurencyjną.
6. Wsparcie i konserwacja: Obejmuje to osoby odpowiedzialne za aktualizacje, skalowanie, poprawki błędów i bieżącą wydajność modelu. Projekty wewnętrzne wymagają dedykowanych zasobów konserwacyjnych, podczas gdy rozwiązania zewnętrzne często obejmują usługi wsparcia. Umowy o poziomie usług (SLA) powinny zawierać jasne informacje dotyczące czasu reakcji i rozwiązywania problemów.
7. Krzywa uczenia się sztucznej inteligencji: Odzwierciedla to złożoność procesu zdobywania i wdrażania wiedzy specjalistycznej z zakresu AI w organizacji. Rozwój wewnętrzny często wiąże się z metodą prób i błędów, co prowadzi do niejednoznacznych rezultatów, ponieważ zespołowi brakuje podstawowej wiedzy z zakresu AI. Z drugiej strony, zakup lub partnerstwo może przyspieszyć proces uczenia się dzięki specjalistycznej wiedzy i sprawdzonym narzędziom, tworząc solidne podstawy dla przyszłych działań w zakresie AI. Partnerstwa mogą zapewnić dostęp do specjalistycznej wiedzy i zmniejszyć ryzyko związane z rozwojem AI w obrębie organizacji.

W praktyce binarne myślenie o produkcji własnej lub zakupie gotowych produktów często prowadzi do nierozwiązywalnych kompromisów. Weźmy na przykład wspomniany wcześniej przypadek konfiguracji. Jednym z powodów, dla których zespół skłaniał się ku… Produkcja własna Konieczność zachowania poufności danych firmy. Jednocześnie firma nie dysponowała wewnętrznym doświadczeniem w dziedzinie sztucznej inteligencji (AI), aby opracować system czatu gotowy do produkcji. Mogła osiągnąć większy sukces, zlecając na zewnątrz inżynierię czatu i bieżące wsparcie, jednocześnie budując własną bazę danych. Dlatego nie należy decydować się na produkcję ani zakup całego systemu AI od podstaw. Zamiast tego należy rozbić go na komponenty i ocenić każdy z nich w oparciu o możliwości, ograniczenia i priorytety strategiczne.

W kierunku owocnej współpracy ekspertów terenowych i sztucznej inteligencji

Na poziomie komponentów zachęcam do rozróżniania decyzji wewnętrznych i zewnętrznych przez pryzmat wymagań dotyczących wiedzy specjalistycznej. Większość systemów AI typu business-to-business (B2B) łączy dwa rodzaje wiedzy specjalistycznej: wiedzę specjalistyczną z danej dziedziny, dostępną w obrębie firmy, oraz wiedzę techniczną z zakresu AI, którą można pozyskać za pośrednictwem partnera zewnętrznego, jeśli (jeszcze) nie posiadasz specjalistycznych umiejętności w zakresie AI. Poniżej omówię wymagania dotyczące wiedzy specjalistycznej dla każdego z głównych komponentów systemu AI (patrz: Ten artykuł (Wyjaśnienie składników można znaleźć w części „Ten kierunek strategiczny zapewnia maksymalne wykorzystanie dostępnych zasobów oraz osiągnięcie celów biznesowych w sposób wydajny i efektywny.

Możliwość pracy: Identyfikacja właściwych problemów związanych ze sztuczną inteligencją

Czy wiesz, że główną przyczyną niepowodzeń projektów AI nie jest kwestia techniczna, lecz wybór niewłaściwego problemu do rozwiązania (zobacz Główne przyczyny niepowodzeń projektów sztucznej inteligencji i jak mogą one odnieść sukcesMożesz być zaskoczony – Twoje zespoły ekspertów doskonale rozumieją swoje problemy. Problem w tym, że brakuje im jednak narzędzi, aby powiązać swoje problemy z technologią sztucznej inteligencji. Oto kilka najczęstszych schematów awarii:

• niejasne lub niewłaściwe ujęcie problemuCzy sztuczna inteligencja jest w tym dobra? Dokładne zdefiniowanie problemu to często pierwszy krok do skutecznego rozwiązania z wykorzystaniem sztucznej inteligencji.
• Oszacowanie utraconego wysiłku/ROICzy rezultat jest wart czasu i zasobów potrzebnych do opracowania i wdrożenia sztucznej inteligencji? Oczekiwany zwrot z wykorzystania sztucznej inteligencji musi być jasny i uzasadniony.
• nierealistyczne oczekiwaniaCo oznacza „wystarczająco dobry” w przypadku niedoskonałej sztucznej inteligencji? Kryteria sukcesu muszą zostać jasno określone przed rozpoczęciem projektu.

Z drugiej strony, wiele organizacji wykorzystuje sztuczną inteligencję dla samej sztucznej inteligencji, tworząc rozwiązania w poszukiwaniu problemu. To pochłania zasoby i podważa wewnętrzne zaufanie.

Dobry partner w dziedzinie AI pomaga ocenić procesy biznesowe gotowe na interwencję AI, szacuje potencjalny wpływ i modeluje, w jaki sposób AI może generować wartość. Wspólnie obie strony mogą kształtować ukierunkowany, efektywny przypadek użycia poprzez wspólne warsztaty odkrywcze, sprinty projektowe i prototypowanie eksploracyjne.

Dane: paliwo dla Twojego systemu AI

Czyste, dobrze zorganizowane dane domenowe to kluczowy atut. Kodują wiedzę operacyjną, zachowania klientów, wydajność systemu i wiele więcej. Jednak same surowe dane nie wystarczą – muszą zostać przekształcone w sensowne sygnały uczenia się. W tym miejscu z pomocą przychodzi wiedza specjalistyczna z zakresu sztucznej inteligencji (AI), która pomaga w projektowaniu potoków, doborze odpowiednich reprezentacji danych i dopasowaniu wszystkiego do celów uczenia się AI.

Często wiąże się to z etykietowaniem danych – dodawaniem adnotacji do przykładów z sygnałami, z których model musi się uczyć. Może to brzmieć żmudnie, ale powstrzymaj się od pokusy zlecania tego zadania na zewnątrz. Etykietowanie jest jednym z najbardziej zależnych od kontekstu elementów procesu i wymaga specjalistycznej wiedzy, aby działać prawidłowo. W rzeczywistości wiele zadań związanych z dostrajaniem działa obecnie najlepiej w przypadku małych, ale wysokiej jakości zbiorów danych – dlatego ściśle współpracuj z partnerem ds. sztucznej inteligencji, aby utrzymać skupienie i łatwość zarządzania.

Czyszczenie i wstępne przetwarzanie danych to kolejny obszar, w którym doświadczenie ma ogromne znaczenie. Prawdopodobnie słyszałeś to powiedzenie: „Większość naukowców zajmujących się danymi spędza swój czas na oczyszczaniu danych”. Nie oznacza to, że musi to być powolne. Dzięki inżynierom, którzy doskonale znają sposób prezentacji danych (tekst, liczby, obrazy itp.), proces ten można znacznie przyspieszyć. Instynktownie wiedzą, jakie techniki wstępnego przetwarzania zastosować i kiedy, zamieniając tygodnie prób i błędów w godziny produktywnej konfiguracji.

Sztuczna inteligencja: modele i architektury AI

Większość ludzi myśli, że właśnie tutaj zaczynają się projekty AI – ale to dopiero połowa historii. Budowanie efektywnych systemów AI wymaga dogłębnej wiedzy z zakresu AI, aby wybrać lub zoptymalizować modele, ocenić wydajność i zaprojektować architekturę systemów. Na przykład, czy w danym przypadku użycia należy użyć wstępnie wytrenowanego modelu? Czy potrzebna jest konfiguracja wielomodelowa? Jakie metryki oceny mają sens? W bardziej złożonych systemach różne komponenty AI, takie jak modele i bazy wiedzy, można połączyć w wieloetapowy przepływ pracy.

Ekspertyza dziedzinowa jest niezbędna podczas walidacji i oceny systemu. Eksperci i przyszli użytkownicy muszą zweryfikować, czy wyniki AI są sensowne i zgodne z ich rzeczywistymi oczekiwaniami. Model może być statystycznie stabilny, ale operacyjnie bezużyteczny, jeśli jego wyniki nie są zgodne z logiką biznesową. Projektując złożone systemy, eksperci dziedzinowi muszą również upewnić się, że konfiguracja systemu odzwierciedla ich rzeczywiste działania i potrzeby.

Projektowanie modeli AI i budowanie własnej architektury AI to faza „asystenta pilota”: zespoły AI projektują i optymalizują system, podczas gdy zespoły domenowe kierują nim i ulepszają go w oparciu o cele biznesowe. Z czasem celem jest budowanie współodpowiedzialności za zachowanie systemu.

„„

Studium przypadku: Budowanie wiedzy eksperckiej w zakresie sztucznej inteligencji na rzecz wsparcia firm ubezpieczeniowych

„„

W wiodącej firmie ubezpieczeniowej zespół ds. analizy danych otrzymał zadanie zbudowania systemu prognozowania ryzyka roszczeń – projekt, który chcieli zachować wewnętrznie, aby zachować pełną kontrolę nad danymi i przepływem pracy oraz zapewnić ich ścisłą zgodność z nimi. Jednak początkowe prototypy borykały się z problemami z wydajnością i skalowalnością. Właśnie tutaj wkroczyła moja firma. Anakod Jako partner architektoniczny i strategiczny, pomogliśmy zespołowi wewnętrznemu ocenić modele kandydatów, zaprojektować architekturę modułową i skonfigurować powtarzalne procesy uczenia maszynowego (ML). Co najważniejsze, przeprowadziliśmy szkolenia z przewodnikiem, koncentrujące się na ocenie modeli, operacjach uczenia maszynowego (MLOps) i odpowiedzialnych praktykach AI. Z czasem zespół wewnętrzny nabrał pewności siebie, przekształcił poprzednie prototypy w solidne rozwiązanie i przejął pełną odpowiedzialność za operacje. Rezultatem jest system, który w pełni kontroluje, a eksperckie wsparcie, którego udzielaliśmy w trakcie projektu, dodatkowo zwiększyło ich wewnętrzne możliwości w zakresie AI. Takie podejście gwarantuje zarówno lepsze prognozowanie ryzyka, jak i rozwój wewnętrznych możliwości AI.

Doświadczenie użytkownika: dostarczanie wartości AI za pośrednictwem interfejsu użytkownika

Ten aspekt jest złożony. Z nielicznymi wyjątkami, eksperci dziedzinowi lub inżynierowie AI z głębokim doświadczeniem raczej nie zaprojektują intuicyjnego, efektywnego i przyjemnego doświadczenia dla prawdziwych użytkowników. Najlepiej zatrudnić dedykowanych projektantów UX. Jeśli nie są oni dostępni, poszukaj osób z pokrewnych dziedzin, które mają naturalne wyczucie UX. Obecnie dostępnych jest wiele narzędzi AI wspierających projektowanie i prototypowanie UX, dlatego gust liczy się bardziej niż umiejętności techniczne. Po znalezieniu odpowiednich osób, musisz zapewnić im wkład z obu stron:

• tłoEksperci ds. sztucznej inteligencji zapewniają wgląd w sposób działania systemu od wewnątrz – jego mocne i słabe strony oraz poziomy pewności – i wspierają projektowanie elementów, takich jak wyjaśnienia, wskaźniki niepewności i wyniki ufności (patrz Ten artykuł O budowaniu zaufania do sztucznej inteligencji poprzez doświadczenie użytkownika).
• przód twarzyEksperci dziedzinowi rozumieją użytkowników, ich przepływy pracy i ich problemy. Pomagają weryfikować przepływy użytkowników, identyfikować tarcia i proponować ulepszenia w oparciu o to, jak ludzie faktycznie wchodzą w interakcję z systemem.

Skoncentruj się na szybkiej iteracji i bądź przygotowany na ewentualne błędy. Doświadczenie użytkownika w sztucznej inteligencji (AI) to rozwijająca się dziedzina i nie ma jednej, uniwersalnej formuły na to, jak wygląda „doskonałość”. Najlepsze doświadczenia powstają w wyniku ścisłych, iteracyjnych pętli sprzężenia zwrotnego, w których projektowanie, testowanie i ulepszanie zachodzą w sposób ciągły, z uwzględnieniem wkładu zarówno ekspertów w danej dziedzinie, jak i specjalistów od AI. Celem powinno być projektowanie interfejsów użytkownika (UI), które są efektywne i łatwe w obsłudze, zapewniając użytkownikom bezproblemowe korzystanie z zalet sztucznej inteligencji.

 

Wsparcie i konserwacja: utrzymanie działania sztucznej inteligencji

Po wdrożeniu systemy AI wymagają starannego monitorowania i ciągłego doskonalenia. Zachowania użytkowników w świecie rzeczywistym często różnią się od tych w środowiskach testowych i zmieniają się z czasem. Ta nieodłączna niepewność oznacza, że ​​system wymaga skutecznego monitorowania, aby móc wcześnie identyfikować i rozwiązywać problemy.

Infrastruktura techniczna do monitorowania – obejmująca śledzenie wydajności, wykrywanie dryftu, automatyczne ponowne szkolenie i potoki MLOps – jest zazwyczaj konfigurowana przez partnera AI. Po wdrożeniu wiele codziennych zadań monitorowania nie wymaga zaawansowanych umiejętności technicznych. Wymagają one jedynie wiedzy specjalistycznej: zrozumienia, czy wyniki modelu nadal mają sens, zauważania subtelnych zmian we wzorcach użytkowania i rozpoznawania, kiedy coś jest „nietypowe”.

Dobrze zaprojektowana faza wsparcia to coś więcej niż tylko faza operacyjna – może być kluczowym etapem nauki dla wewnętrznych zespołów. Tworzy przestrzeń do stopniowego budowania umiejętności, głębszego zrozumienia systemu i ostatecznie, płynniejszej ścieżki do większego poczucia odpowiedzialności za system AI w dłuższej perspektywie. Pozwala to na ciągłe doskonalenie wydajności i efektywności systemu.

Dlatego zamiast postrzegać wdrożenie AI jako decyzję binarną „zbudować czy kupić”, należy postrzegać je jako mozaikę działań. Niektóre z nich są wysoce techniczne, inne zaś ściśle związane z kontekstem biznesowym. Definiując obowiązki w całym cyklu życia AI, można:

• Wyjaśnienie ról i umiejętności niezbędnych do osiągnięcia sukcesu
• Określ kompetencje, którymi już dysponujesz w firmie.
• Odkryj luki, w których zewnętrzna wiedza jest najbardziej cenna.
• Planowanie transferu wiedzy i długoterminowego posiadania

Jeśli chcesz zgłębić temat integracji wiedzy specjalistycznej z systemami AI, zapoznaj się z moim artykułem „Wdrażanie wiedzy specjalistycznej z danej dziedziny do systemów AI”. Co ważne, granica między wiedzą specjalistyczną z danej dziedziny a wiedzą specjalistyczną z zakresu AI nie jest sztywna. Być może masz już w zespole członków eksperymentujących z uczeniem maszynowym lub osoby chętne do awansu na stanowiska bardziej techniczne. Dzięki odpowiedniemu modelowi partnerstwa i strategii podnoszenia kwalifikacji możesz ewoluować w kierunku autonomii AI, stopniowo przejmując większą odpowiedzialność i kontrolę w miarę rozwoju swojej wewnętrznej dojrzałości.

Współpracując w obszarze sztucznej inteligencji, zacznij wcześnie i skup się na komunikacji.

Wiesz już, że decyzje dotyczące produkcji lub zakupów muszą być podejmowane na poziomie poszczególnych komponentów systemu AI. Ale jeśli w Twoim zespole nie ma jeszcze eksperta w dziedzinie AI, jak możesz wyobrazić sobie, jak ostatecznie będzie wyglądał Twój system i jego komponenty? Odpowiedź: Zacznij nawiązywać partnerstwa już na wczesnym etapie. Rozpoczynając kształtowanie i projektowanie strategii AI, zwerbuj zaufanego partnera, który pokieruje tym procesem. Wybierz kogoś, z kim możesz łatwo i otwarcie się komunikować. Dzięki właściwej współpracy od samego początku będziesz mieć większe szanse na skuteczne pokonanie wyzwań związanych z AI. Budowanie silnych partnerstw AI, zwłaszcza z ekspertami w danej dziedzinie, ma kluczowe znaczenie dla zapewnienia sukcesu projektów AI i minimalizacji potencjalnego ryzyka.

Wybierz partnera w dziedzinie sztucznej inteligencji posiadającego specjalistyczną wiedzę w tej dziedzinie.

Twój partner w dziedzinie sztucznej inteligencji powinien nie tylko dostarczać kod i zasoby techniczne, ale także pomagać Twojej organizacji w uczeniu się i rozwoju w ramach współpracy. Oto kilka typowych rodzajów partnerstw zewnętrznych i czego można się po nich spodziewać:

• OutsourcingTen model eliminuje złożoność – szybko osiągasz rezultaty, niczym po szybkiej dawce węglowodanów. Choć jest wydajny, rzadko przynosi długoterminową wartość strategiczną. W efekcie otrzymujesz narzędzie, a nie potężniejsze możliwości.
• Partnerstwa akademickie:Świetnie nadaje się do nowatorskich rozwiązań i długoterminowych badań, ale często jest mniej przydatny do faktycznego wdrażania i przyjmowania rzeczywistych systemów sztucznej inteligencji.
• Partnerstwa doradczeMoim zdaniem jest to najbardziej obiecująca ścieżka, szczególnie dla firm, które mają już zespół techniczny i chcą rozwijać swoją wiedzę z zakresu sztucznej inteligencji. Dobry konsultant wspiera inżynierów w firmie, pomaga im unikać kosztownych błędów i wnosi praktyczne, oparte na doświadczeniu spostrzeżenia na takie tematy, jak: Jaki zestaw narzędzi technicznych jest odpowiedni dla naszego przypadku użycia? Jak selekcjonować dane, aby poprawić ich jakość i zapewnić stabilny obieg danych? Jak skalować bez narażania zaufania i zarządzania?

Szczegółowy plan wyboru partnera wykracza poza zakres tego artykułu, ale oto rada, na którą warto zapracować: uważaj na firmy outsourcingowe i konsultingowe IT, które nagle dodają słowo „AI” do swojej oferty po boomie GenAI w 2022 roku. Mogą Cię oczarować modnymi hasłami, ale jeśli AI nie jest częścią ich DNA, możesz skończyć płacąc za ich krzywą uczenia się, zamiast korzystać z uzupełniającej wiedzy specjalistycznej. Wybierz partnera, który wykonał już ciężką pracę i jest gotów przekazać Ci tę wiedzę.

 

Podwój swoje wysiłki w zakresie komunikacji i koordynacji.

Skuteczna komunikacja i koordynacja między interesariuszami ma kluczowe znaczenie w modelach partnerskich. Oto kilka ważnych ról komunikacyjnych, które warto opanować w swojej firmie:

• Kadra kierownicza i eksperci dziedzinowi muszą jasno identyfikować i komunikować problemy biznesowe warte rozwiązania (oraz najlepsze praktyki dotyczące dzielenia się pomysłami na temat sztucznej inteligencji) Tutaj).
• Użytkownicy końcowi muszą już na wczesnym etapie dzielić się swoimi potrzebami, przekazywać opinie w trakcie użytkowania, a co lepsze, stać się partnerami w kształtowaniu doświadczeń związanych ze sztuczną inteligencją.
• Zespoły IT i zarządzania muszą zapewnić zgodność, bezpieczeństwo i ochronę, umożliwiając jednocześnie rozwój innowacji w dziedzinie sztucznej inteligencji, a nie go utrudniając. Należy pamiętać: te możliwości nie wydają się w pełni rozwinięte.

W projektach AI ryzyko słabej koordynacji i nieproduktywnych silosów stale rośnie. AI to wciąż stosunkowo nowa dziedzina, a sama terminologia może powodować zamieszanie. Jeśli kiedykolwiek brałeś udział w dyskusji na temat różnicy między „AI” a „uczeniem maszynowym”, wiesz, o co mi chodzi. Jeśli nie, zachęcam Cię do wypróbowania tego na kolejnym spotkaniu z kolegami. Może być to równie trudne, jak rozmowa z partnerem, która zaczyna się od… „Musimy porozmawiać.”

Dąż do osiągnięcia konwergencji po obu stronach, aby rozwiać niejasności i rozproszyć konflikty. Twoje wewnętrzne zespoły powinny inwestować w podnoszenie kwalifikacji i budowanie fundamentalnej wiedzy na temat sztucznej inteligencji. Z drugiej strony, Twoi partnerzy w dziedzinie sztucznej inteligencji powinni wyjść Ci naprzeciw. Powinni unikać żargonu i używać jasnego, zorientowanego na biznes języka, z którym Twój zespół będzie mógł faktycznie pracować. Efektywna współpraca zaczyna się od wspólnego zrozumienia.

Wniosek

Prawdziwe pytanie nie brzmi: „Czy powinniśmy budować sztuczną inteligencję, czy ją kupić?”, lecz: „Jak rozwijać nasze możliwości w zakresie sztucznej inteligencji, aby zachować równowagę między szybkością, kontrolą i długoterminową wartością?”. Odpowiedź leży w zrozumieniu, że sztuczna inteligencja to połączenie technologii i wiedzy specjalistycznej, a sukces zależy od dopasowania odpowiednich zasobów do odpowiednich zadań.

Dla większości organizacji mądrzejszą drogą jest Współpraca – Połącz mocne strony swojej branży z zewnętrznym doświadczeniem w dziedzinie sztucznej inteligencji, aby tworzyć szybciej, uczyć się szybciej i ostatecznie w pełni wykorzystać potencjał swojej przygody ze sztuczną inteligencją.

Co możesz zrobić dalej:

• Określ przypadki użycia sztucznej inteligencji w kontekście Twoich wewnętrznych możliwości. Bądź szczery w kwestii luk.
• Wybieraj partnerów, którzy przekazują wiedzę, a nie tylko produkty.
• Określ, które komponenty należy zbudować, zakupić lub współtworzyć. Nie musisz dokonywać wyboru binarnego.
• W miarę postępów rozwijaj umiejętności swojego zespołu. Każdy projekt powinien zwiększać Twoje kompetencje i niezależność, a nie uzależniać Cię od potencjału i umiejętności Twojego partnera.
• Zacznij od ukierunkowanych projektów pilotażowych. Tworzy wartość i dynamikę dla wewnętrznego uczenia się.

Podejmując dziś strategiczne podejście do budowania potencjału, kładziesz podwaliny pod to, by w dłuższej perspektywie stać się organizacją wykorzystującą sztuczną inteligencję, a ostatecznie organizacją napędzaną przez sztuczną inteligencję.