Waarom je AI als een teamsport moet zien

Wat betekent het om AI als een teamsport te zien? We zien dat AI-projecten verschuiven van hype naar impact, grotendeels omdat de juiste rollen erbij betrokken worden om de zakelijke context te bieden die voorheen ontbrak. Domeinexpertise staat centraal; machines hebben niet de diepgaande context die mensen hebben, en mensen moeten het bedrijf en de gegevens goed genoeg kennen om te begrijpen welke acties moeten worden ondernomen op basis van alle inzichten of aanbevelingen die naar boven komen.

Als het gaat om het schalen van AI, denken veel leiders dat ze een mensenprobleem hebben, met name niet genoeg datawetenschappers. Maar niet elk bedrijfsprobleem is een datawetenschapsprobleem. Of in ieder geval, niet elke zakelijke uitdaging zou naar uw data science-team moeten worden gegooid. Met de juiste aanpak kunt u profiteren van de voordelen van AI zonder de uitdagingen die gepaard gaan met traditionele datawetenschapscycli.

Om AI-oplossingen te implementeren en te schalen, moeten leiders de mentaliteit van de organisatie veranderen om AI als een teamsport te zien. Sommige AI-projecten hebben een andere set mensen, tools en verwachtingen nodig voor hoe succesvolle resultaten eruitzien. Als u weet hoe u deze kansen kunt herkennen, kunt u succesvollere AI-projecten benaderen en uw groep AI-gebruikers verdiepen, waardoor de besluitvorming over het personeel sneller en krachtiger wordt. Laten we eens kijken waarom en hoe.

Organisaties democratiseren geavanceerde analyse met AI

Het gebruik van AI om zakelijke problemen op te lossen was grotendeels de taak van datawetenschappers. Vaak zijn data science-teams gereserveerd voor de grootste kansen en meest complexe uitdagingen van een organisatie. Veel organisaties zijn erin geslaagd datawetenschap toe te passen op specifieke gebruiksscenario's zoals fraudedetectie, personalisatie en meer, waar diepgaande technische expertise en nauwkeurig afgestemde modellen enorm succesvolle resultaten opleveren.

Het schalen van AI-oplossingen via uw data science-team is echter om vele redenen een uitdaging voor organisaties. Het aantrekken en behouden van talent is erg duur en kan moeilijk zijn in een competitieve markt. Traditionele datawetenschapsprojecten kunnen vaak veel tijd vergen om te ontwikkelen en te implementeren voordat het bedrijf waarde ziet. En zelfs de meest ervaren, robuuste datawetenschapsteams kunnen falen als ze niet over de nodige gegevens of context beschikken om de nuances te begrijpen van het probleem dat ze moeten oplossen.

De Gartner® 2021 De staat van datawetenschap en machinaal leren (DSML) rapport stelt dat "de vraag van klanten verschuift, met een minder technisch publiek dat DSML gemakkelijker wil toepassen, experts die de productiviteit moeten verbeteren en ondernemingen die een kortere time-to-value voor hun investeringen nodig hebben¹.” Hoewel er veel zakelijke problemen kunnen zijn die kunnen profiteren van de snelheid of grondigheid van analyse die AI kan bieden, is een traditionele datawetenschapsaanpak misschien niet altijd het beste aanvalsplan om snel waarde te zien. In feite voorspelt hetzelfde Gartner-rapport dat "tegen 2025 een schaarste aan datawetenschappers de adoptie van datawetenschap en machine learning in organisaties niet langer zal belemmeren."

Domeinexpertise is van cruciaal belang voor het schalen van AI in het hele bedrijf

AI helpt al om geavanceerde analysemogelijkheden te bieden aan gebruikers die geen datawetenschapsachtergrond hebben. Machines kunnen kiezen uit de beste voorspellingsmodellen en algoritmen, en onderliggende modellen kunnen worden blootgelegd, zodat ze kunnen worden afgestemd en ervoor kunnen worden gezorgd dat alles overeenkomt met wat de gebruiker zoekt.

Deze mogelijkheden geven analisten en bekwame bedrijfsdomeinexperts de mogelijkheid om hun eigen AI-applicaties te ontwerpen en te benutten. Omdat ze dichter bij de gegevens staan, hebben deze gebruikers een voordeel ten opzichte van veel van hun tegenhangers op het gebied van gegevenswetenschappers. Door deze macht in handen te geven van mensen met domeinexpertise, kunnen de lange ontwikkelingstijden, de belasting van bronnen en verborgen kosten die gepaard gaan met traditionele datawetenschapscycli, worden vermeden. Bovendien zouden mensen met domeinexpertise degenen moeten zijn om te beslissen of een AI-voorspelling of suggestie zelfs maar nuttig is.

Met meer iteratieve, herziene en opnieuw geïmplementeerde modelbouwprocessen kunnen mensen met een zakelijke context sneller waarde uit AI halen - zelfs door nieuwe modellen binnen enkele dagen tot weken te implementeren voor duizenden gebruikers, in plaats van weken tot maanden. Dit is vooral krachtig voor die teams wiens unieke uitdagingen misschien geen hoge prioriteit hebben voor datawetenschapsteams, maar kunnen profiteren van de snelheid en grondigheid van AI-analyse.

Het is echter belangrijk op te merken dat hoewel deze oplossingen kunnen helpen de vaardigheidskloof tussen analisten en datawetenschappers te dichten, het geen vervanging is voor de laatste. Datawetenschappers blijven een cruciale partner van bedrijfsexperts om de gegevens te valideren die worden gebruikt in AI-enabled oplossingen. En naast deze samenwerking zijn opleiding en datavaardigheden van cruciaal belang om dit soort tools met succes op grote schaal te gebruiken.

Datageletterdheid stelt meer mensen in staat om AI te benutten

Uw fundamentele datastrategie speelt een grote rol bij het opzetten van uw organisatie voor succes met AI, maar om AI-oplossingen voor meer mensen in het hele bedrijf te brengen, is een basislijn van datageletterdheid vereist. Als u begrijpt welke gegevens geschikt zijn om op een zakelijk probleem toe te passen, en hoe u de gegevens en resultaten van een AI-aanbeveling moet interpreteren, kunnen mensen AI met succes vertrouwen en toepassen als onderdeel van hun besluitvorming. Een gedeelde taal van data binnen de organisatie opent ook meer deuren voor succesvolle samenwerking met experts.

Uit het laatste wereldwijde onderzoek van McKinsey naar AI blijkt dat binnen 34% van de goed presterende organisaties "een speciaal trainingscentrum de AI-vaardigheden van niet-technisch personeel ontwikkelt door middel van hands-on leren", vergeleken met slechts 14% van alle andere ondervraagden. Bovendien zijn er in 39% van de goed presterende organisaties "aangewezen communicatiekanalen en contactpunten tussen AI-gebruikers en het datawetenschapsteam van de organisatie", vergeleken met slechts 20% van de andere.

Leiders kunnen verschillende benaderingen gebruiken om datageletterdheid op te bouwen, van onderwijs en training, mentorschapsprogramma's, datawedstrijden voor gemeenschapsopbouw en meer. Denk na over het normaliseren van de toegang tot en het delen van gegevens, en hoe u successen, lessen en besluitvorming met gegevens viert en bevordert.

"Datageletterdheid en onderwijs over visualisatie en datawetenschap moeten meer voorkomen en eerder worden onderwezen", zegt Vidya Setlur, hoofd van Tableau Research. “Er is een soort sociale en organisatorische verantwoordelijkheid die gepaard gaat met het vertrouwen op het gebruik van data. Mensen moeten beter toegerust zijn om data te begrijpen, interpreteren en optimaal te benutten, want AI zal alleen maar geavanceerder worden en we zouden de concurrentie een paar stappen voor moeten zijn.”

Door te blijven bouwen aan de datacultuur van uw organisatie, ontstaan ​​krachtige kansen om vaardigheden te ontwikkelen en nieuwe oplossingen in het hele bedrijf te stimuleren. Veel organisaties hebben hun investeringen in data en analytics de afgelopen jaren al verhoogd, omdat de digitale transformatie is versneld. Het valt niet mee om data als een teamsport te zien - en nu hebben we de middelen om die mentaliteit uit te breiden naar AI.