Varför du bör tänka på AI som en lagsport

Vad innebär det att tänka på AI som en lagsport? Vi ser AI-projekt skifta från hype till effekt, till stor del för att de rätta rollerna engageras för att tillhandahålla affärskontexten som har saknats tidigare. Domänexpertis är nyckeln; maskiner har inte det djup av sammanhang som människor har, och människor behöver känna till verksamheten och data tillräckligt väl för att förstå vilka åtgärder som ska vidta baserat på insikter eller rekommendationer som dyker upp.

När det kommer till att skala AI tror många ledare att de har ett problem med människor – specifikt inte tillräckligt med datavetare. Men inte alla affärsproblem är ett datavetenskapligt problem. Eller åtminstone, inte alla affärsutmaningar bör kastas mot ditt datavetenskapsteam. Med rätt tillvägagångssätt kan du skörda fördelarna med AI utan de utmaningar som kommer med traditionella datavetenskapscykler.

För att distribuera och skala AI-lösningar måste ledare ändra organisationens tankesätt till att tänka på AI som en lagsport. Vissa AI-projekt behöver en annan uppsättning människor, verktyg och förväntningar för hur framgångsrika resultat ser ut. Att veta hur man känner igen dessa möjligheter kommer att hjälpa dig att närma dig mer framgångsrika AI-projekt och fördjupa din bänk av AI-användare, vilket ger snabbhet och kraft till beslutsfattande över hela arbetsstyrkan. Låt oss utforska varför och hur.

Organisationer demokratiserar avancerad analys med AI

Att använda AI för att lösa affärsproblem har till stor del varit uppgiften för datavetare. Ofta är datavetenskapsteam reserverade för en organisations största möjligheter och mest komplexa utmaningar. Många organisationer har varit framgångsrika med att tillämpa datavetenskap på specifika användningsfall som bedrägeriupptäckt, personalisering och mer, där djup teknisk expertis och finjusterade modeller leder till enormt framgångsrika resultat.

Men att skala AI-lösningar genom ditt datavetenskapsteam är en utmaning för organisationer av många anledningar. Att attrahera och behålla talanger är mycket dyrt och kan vara svårt på en konkurrensutsatt marknad. Traditionella datavetenskapliga projekt kan ofta ta mycket tid att utveckla och implementera innan företaget ser värde. Och även de mest erfarna, robusta datavetenskapsteamen kan misslyckas om de saknar nödvändig data eller sammanhang för att förstå nyanserna i problemet de ombeds lösa.

Gartner® 2021 Tillståndet för datavetenskap och maskininlärning (DSML) rapport säger att "klientens efterfrågan förändras, med mindre tekniska målgrupper som vill använda DSML lättare, experter som behöver förbättra produktiviteten och företag som kräver kortare tid för värde för sina investeringar¹.” Även om det kan finnas många affärsproblem som kan dra nytta av hastigheten eller grundligheten i analysen som AI kan tillhandahålla, är ett traditionellt datavetenskapligt tillvägagångssätt inte alltid den bästa attackplanen för att snabbt se värdet. Faktum är att samma Gartner-rapport förutspår att "år 2025 kommer en brist på dataforskare inte längre att hindra antagandet av datavetenskap och maskininlärning i organisationer."

Domänexpertis är avgörande för att skala AI över hela verksamheten

AI hjälper redan till att ge avancerade analysfunktioner till användare som inte har datavetenskaplig bakgrund. Maskiner kan välja bland de bästa prognosmodellerna och algoritmerna, och underliggande modeller kan exponeras, vilket ger möjlighet att ställa in dem och se till att allt matchar det användaren letar efter.

Dessa funktioner ger analytiker och skickliga affärsdomänexperter möjligheten att designa och utnyttja sina egna AI-applikationer. Eftersom de är närmare data har dessa användare en fördel jämfört med många av sina dataforskare. Att lägga denna makt i händerna på de med domänexpertis kan hjälpa till att undvika långa utvecklingstider, resursbördor och dolda kostnader som är förknippade med traditionella datavetenskapscykler. Dessutom borde personer med domänexpertis vara de som avgör om en AI-förutsägelse eller -förslag till och med är till hjälp.

Med en mer iterativ, revidera och omdistribuera modellbyggnadsprocesser kan personer med affärssammanhang få värde från AI snabbare – till och med distribuera nya modeller till tusentals användare inom dagar till veckor, istället för veckor till månader. Detta är särskilt kraftfullt för de team vars unika utmaningar kanske inte har hög prioritet för datavetenskapsteam, men som kan dra nytta av hastigheten och grundligheten i AI-analys.

Det är dock viktigt att notera att även om dessa lösningar kan hjälpa till att ta itu med kompetensgapet mellan analytiker och datavetare, är det inte en ersättning för de senare. Dataforskare förblir en viktig partner med affärsexperter för att validera data som används i AI-aktiverade lösningar. Och utöver detta samarbete kommer utbildning och datakunskaper att vara avgörande för att framgångsrikt använda den här typen av verktyg i stor skala.

Datakompetens ger fler människor möjlighet att utnyttja AI

Din grundläggande datastrategi spelar en stor roll för att skapa din organisation för framgång med AI, men att föra AI-lösningar till fler människor i hela verksamheten kommer att kräva en baslinje för datakompetens. Att förstå vilken data som är lämplig att tillämpa på ett affärsproblem, samt hur man tolkar data och resultat av en AI-rekommendation, hjälper människor att framgångsrikt lita på och anta AI som en del av deras beslutsfattande. Ett delat dataspråk inom organisationen öppnar också fler dörrar för framgångsrikt samarbete med experter.

McKinseys senaste globala undersökning om AI avslöjade att inom 34 % av högpresterande organisationer "utvecklar ett dedikerat utbildningscenter icke-teknisk personals AI-färdigheter genom praktisk inlärning", jämfört med endast 14 % av alla andra tillfrågade. Dessutom, i 39 % av högpresterande organisationer "finns det utsedda kommunikationskanaler och kontaktpunkter mellan AI-användare och organisationens datavetenskapsteam", jämfört med endast 20 % av andra.

Ledare kan ta en mängd olika tillvägagångssätt för att bygga upp datakompetens, från utbildning och träning, mentorskapsprogram, datatävlingar för samhällsbyggande och mer. Tänk på att normalisera åtkomst och delning av data, samt hur du firar och främjar framgångar, lärdomar och beslutsfattande med data.

"Datakompetens och utbildning om visualisering och datavetenskap måste bli mer utbredd och undervisas tidigare", säger Vidya Setlur, chef för Tableau Research. "Det finns ett slags socialt och organisatoriskt ansvar som kommer med beroendet av att använda data. Människor borde vara bättre rustade att förstå, tolka och få ut det mesta av data eftersom AI bara kommer att bli mer sofistikerad, och vi borde ligga några steg före spelet.”

Att fortsätta bygga din organisations datakultur skapar kraftfulla möjligheter att utveckla kompetens och främja nya lösningar i hela verksamheten. Många organisationer har redan ökat sina investeringar i data och analys de senaste åren, eftersom den digitala transformationen har accelererat. Det är inte en räckvidd att tänka på data som en lagsport – och nu har vi möjlighet att utvidga det tänkesättet till AI.