Teradata: проекты генеративного ИИ рискуют провалиться без понимания со стороны руководителей бизнеса

Крис Хиллман, международный директор по науке о данных в компании по управлению данными Teradata, в последнее время отмечает повышенное внимание к расходам на команды специалистов по науке о данных и искусственному интеллекту, поскольку компании стремятся продемонстрировать ценность своих инвестиций в новые технологии.

Однако он считает, что специалисты по обработке данных способны создавать модели ИИ на техническом уровне, и зачастую именно заинтересованные стороны из числа бизнеса мешают успешным проектам ИИ, когда не понимают, как работают модели ИИ, или не могут претворить рекомендации моделей в жизнь.

«В мире науки о данных все является технической проблемой, и мы решаем ее с помощью технологий», — объяснил Хиллман. «Но я полностью уверен, что большая часть причин, по которым эти вещи не внедряются в бизнес-процессы, по сути, является культурной, политической или кадровой проблемой, а не технической проблемой».

Опыт Teradata в создании моделей для ряда международных клиентов показывает:

Руководители предприятий должны понимать ИИ, чтобы отстаивать и добиваться успеха проектов. Руководители лучше учатся на примерах вариантов использования, а не на курсах «Наука о данных 101». Предприятиям следует проводить оценку воздействия до начала проектов ИИ.

Культура, политика и люди: препятствия на пути к успеху проекта ИИ

Хиллман утверждает, что провал проектов ИИ часто может быть вызван заинтересованными сторонами из бизнеса:

Недоверие результатам модели ИИ, поскольку они не были частью процесса. Неспособность взять результаты модели и преобразовать их в реальные процессы и действия.

Хиллман объяснил, что пока данные предоставляются команде по науке о данных и ИИ, проблема ИИ не является технической. Вместо этого чаще возникают трудности с пониманием этой технологии заинтересованными сторонами в бизнесе и превращением результатов ИИ в бизнес-действия.

Руководители предприятий должны быть вовлечены в процесс разработки ИИ

Пока есть данные, команда Хиллмана может успешно обучать, тестировать и оценивать модели ИИ.

«Мы записываем вывод этой модели куда-то, и работа сделана», — сказал он. «Производство — это когда эта модель запускается каждый месяц и что-то вставляется в таблицу где-то».

Однако именно здесь может возникнуть сбой.

«Он падает, потому что владельцы бизнеса должны участвовать в этом процессе», — добавил Хиллман. «Они должны взять этот балл и решить: «Что является сигналом?» Если я говорю, что вероятность мошенничества составляет 90%, что это на самом деле означает?

SEE: Доказательства австралийских инноваций в стремлении к масштабированию генеративного ИИ

«Если сигнал — заблокировать платеж, и они решают это сделать, кто-то должен это сделать. Во многих компаниях это означает, что нужно задействовать как минимум три, если не четыре команды: инженеров по данным и специалистов по данным, владельцев бизнеса и разработчиков приложений».

Это может превратиться в неэффективный процесс, когда команды не могут эффективно взаимодействовать, ИИ не может влиять на бизнес-процессы и ИИ не может создавать желаемую ценность.

Владельцы бизнеса должны понимать, как работают модели ИИ

Хиллман отметил, что развитие искусственного интеллекта означает, что все руководители предприятий должны знать, как создаются и функционируют эти модели.

«Они должны понимать результат, потому что им нужно руководить процессом», — пояснил он. «Им нужно спросить: «Что это значит для моего клиента или моих бизнес-процессов?»

Хотя техническое понимание алгоритмов может не быть необходимым, руководители бизнеса должны понимать базовую математику, задействованную в ИИ, например, вероятностную природу моделей ИИ. Заинтересованным сторонам бизнеса необходимо понимать, почему точность моделей ИИ будет отличаться от того, что ожидается от традиционных инструментов отчетности бизнес-аналитики.

«Если бы я пришел к финансовому директору с отчетом, и они спросили бы: «Насколько он точен?», а я бы ответил: «Точность около 78%, меня бы, наверное, выгнали», — сказал Хиллман. «Но для модели ИИ точность 78% — это хорошо. Когда она более 50%, вы уже выигрываете.

«Некоторые клиенты выдвигали требования, говоря: «Нам нужна эта модель, и мы хотим 100% точности без ложных срабатываний». И нам приходилось говорить им: «Ну, мы не можем этого сделать, потому что это невозможно». И если вы получаете такую ​​модель, вы что-то сделали неправильно».

Варианты использования: эффективные инструменты при обучении руководителей предприятий моделям ИИ

Хиллман не считает, что владельцам бизнеса следует проходить курсы «Data Science 101», которые могут оказаться «бесполезными» для них на практике. Вместо этого он сказал, что сценарии использования ИИ можно использовать для демонстрации того, как модели ИИ работают для деловых людей гораздо эффективнее.

«Я думаю, что подход, основанный на вариантах использования, определенно лучше для людей из бизнеса, потому что они могут понять его, и тогда вы можете включиться в обсуждение», — сказал он.

Советы по обеспечению того, чтобы ваш проект ИИ действительно заработал

Хиллман дал несколько рекомендаций владельцам бизнеса, которые помогут их проектам в области ИИ пройти путь от идеи и проверки концепции до производства:

Провести оценку воздействия

Оценка воздействия должна проводиться заранее. Эта оценка должна включать ключевые соображения, такие как, например, почему бизнес реализует проект ИИ и конкретные выгоды для бизнеса.

«Я очень редко вижу это в оригинальных характеристиках», — отметил Хиллман.

Напротив, оценки воздействия часто начинаются на этапе реализации проекта или после завершения технических работ, что может привести к тому, что проекты будут отложены и не будут запущены в производство.

Выбирайте правильные варианты использования

Хотя модели-трансформеры набирали популярность до ChatGPT, шумиха, вызванная запуском чат-бота OpenAI, привела к тому, что компании начали запускать проекты генеративного ИИ, чтобы оставаться актуальными. Это привело к выбору некоторых вариантов использования, которые могут быть ошибочными.

СМОТРИТЕ: 9 инновационных вариантов использования ИИ в австралийском бизнесе в 2024 году

Хиллман часто спрашивает компании, могут ли они «создать отчет вместо этого», поскольку обычно существуют более простые способы достижения бизнес-целей, чем создание модели ИИ. Он сказал, что модели ИИ обычно не запускаются из-за отсутствия оценки воздействия или из-за неправильного варианта использования.

Иметь сильного делового спонсора

Проекты ИИ успешнее, когда у них есть сильный бизнес-спонсор, который их продвигает. Бизнес-чемпион может гарантировать, что потенциальное влияние проекта ИИ будет понято другими командами в бизнесе, и гарантировать, что они будут работать вместе, чтобы внедрять данные ИИ в процессы.

«ИТ-отдел может владеть бюджетом на технологии, а кто-то другой может владеть данными, а также аспектами безопасности и конфиденциальности, но на самом деле движущая сила всегда должна исходить от бизнеса», — сказал Хиллман.