Что говорит иерархия потребностей науки о данных о вашем уровне зрелости ИИ
18 февраля 2023 г.Поскольку ажиотаж вокруг искусственного интеллекта (ИИ) растет, большинство компаний, вероятно, чувствуют себя отстающими. Необходимость немедленно внедрить ИИ в свои бизнес-процессы и догнать других растет. Однако понимание текущего уровня внедрения и готовности ИИ в вашей организации (ваш уровень зрелости ИИ) имеет решающее значение для составления плана постепенного продвижения к вашим целям в области искусственного интеллекта.
В этой части рассматривается иерархия потребностей науки о данных и то, как понимание вашего текущего места в иерархии имеет отношение к успешной реализации концепции и стратегии вашей компании в области искусственного интеллекта.
Ценность внедрения ИИ в бизнес
Поскольку бизнес-процессы с каждым днем становятся все сложнее, организации продолжают изучать роль ИИ в улучшении существующих процессов и приложений. От автоматизации принятия решений и классификации сложных данных до предоставления действенных идей и создания привлекательного контента — можно доверять искусственному интеллекту в ускорении этих процессов, даже когда инвестиции и вмешательство человека по-прежнему необходимы. В процессах интеграции ИИ используются передовые методы, а оценка и проверка являются ключевыми частями этого процесса.
Важнейшей частью этого обзора в рамках успешной стратегии внедрения ИИ является понимание того, как ваша компания позиционируется в рамках концепции зрелости ИИ — модели, которая помогает пользователям определить положение своей компании на кривой потенциального роста и эволюции. Результаты дадут вам данные, необходимые для принятия решения о том, какие конкретные действия вы должны предпринять.
Модель зрелости ИИ и зачем она вам нужна
Модель зрелости ИИ — это структура данных и аналитики, которую организации могут использовать для оценки своей текущей готовности и возможностей ИИ. Понимание места вашей компании в модели дает ценную информацию о технологиях, процессах и навыках ИИ, необходимых для разработки, управления и обслуживания системы на основе ИИ, помимо снижения любых потенциальных рисков, связанных с их разработкой и использованием. Существует опасность, когда организация четко не понимает свою готовность к ИИ, поскольку она может исследовать свои инициативы в области ИИ, используя неправильные пилотные проекты, или делать неверные предположения относительно доступности данных, своей готовности развернуть систему на основе ИИ или ожидаемых результатов. технологии для доставки.
Используя модель зрелости ИИ, организации могут предотвратить сбои, которые в противном случае могли бы привести к потере доверия к искусственному интеллекту и лишить их устремлений холодной воды. Размышляя об использовании ИИ в своей компании, следует помнить, что зрелость ИИ включает в себя зрелость данных (наличие надлежащей инфраструктуры) и зрелость аналитики (способность применять аналитику к новым и существующим данным).
При рассмотрении вопроса об использовании ИИ в организации важно помнить две вещи: не каждую задачу нужно автоматизировать, и автоматизация становится более ценной в долгосрочной перспективе. Без автоматизации единственный вариант роста — нанять больше членов команды. Алгоритмы машинного обучения помогают обрабатывать данные способами, недоступными ранее. Конечно, математика существует уже много лет, но отсутствие соответствующих данных и вычислительной мощности сделало ее нежизнеспособной. Понимание того, где вы находитесь сегодня, поможет вам найти лучшую отправную точку и на чем вам нужно сосредоточить свои усилия.
Иерархия потребностей науки о данных
Первоначально представленный консультантом по науке о данных Моникой Рогати в 2017 году и созданный по образцу иерархии потребностей Маслоу — модели визуальной пирамиды, демонстрирующей основные требования, необходимые для того, чтобы человек мог реализовать себя, — в иерархии потребностей по науке о данных искусственный интеллект находится наверху. . Грамотность данных, сбор данных, инфраструктура и т. д. составляют фундаментальные уровни пирамиды науки о данных.
Осознание того, что зрелость ИИ не достигается в одночасье, является причиной того, что организации, работающие с данными, такие как Apple, Amazon, Google и Facebook, преуспели там, где другие потерпели неудачу. Рост и развитие по мере того, как они проходят различные этапы иерархии потребностей в науке о данных, позволили им извлечь выгоду и внедрить методологию ИИ в основу своих стратегий работы с данными и целостных бизнес-процессов.
Искусственный интеллект, как и все другие быстро развивающиеся технологии, может привести к значительным изменениям в том, как компании управляют бизнес-процессами, но только в том случае, если организации готовы к операциям, управляемым ИИ. Предположим, вы собираетесь найти способ стать управляемым данными и не застрять в своем путешествии по науке о данных. В этом случае вам необходимо понять, на каком этапе роста находится ваша компания, исходя из иерархии потребностей, основанных на данных. В большинстве случаев вы должны в достаточной степени удовлетворить низшие (первичные) потребности, прежде чем перейти к следующему этапу преобразования ИИ.
Первый уровень, часть 1 — Коллекция
Сбор данных, который включает в себя сбор информации, необходимой вашей желаемой программе, формирует фундаментальный уровень иерархии потребностей науки о данных. Некоторые важные компоненты на этом уровне включают оцифровку ваших данных, получение данных от внешних сторон или проведение экспериментов для создания новых данных. Если вы работаете с продуктами, ориентированными на пользователя, вы можете создать систему, которая регистрирует соответствующие взаимодействия с пользователем.
Продвижение к цифровому преобразованию может быть замедлено из-за нехватки талантов или инвестиций в большие данные и аналитику, что замедляет усилия по переходу на данные. На этом этапе важно определить, каковы конечные цели или болевые точки, и поработать над улучшением сбора данных на основе того, какие данные потребуются, как только будет достигнут дальнейший прогресс в иерархии.
Первый уровень, часть 2 — хранилище
На этом этапе собранные ранее данные компилируются и сохраняются для доступа к ним других пользователей. Данные должны храниться в инфраструктуре, которая позволяет безопасно передавать их между конвейерами и защищать от цифровых угроз. Большинство организаций зависят от своей способности перемещать данные между физическими серверами и другими формами хранения в облачное хранилище для доступа всей компании.
Я верю в создание ИИ с нуля. Помимо наличия правильных данных, эти данные должны храниться на правильной платформе, чтобы соответствовать будущим облачным миграциям и этапам архитектуры.
Первый уровень иерархии ориентирован на наличие нужных данных. Уровень 2 — это подготовка и понимание ваших данных.
Второй уровень, часть 1 — трансформация
На этом этапе выполняется очистка данных, поэтому в наборе данных выполняется последовательное форматирование и удаление любых неверных записей. Организации также проводят тесты для обнаружения аномалий и выявления точек данных, несовместимых с ожидаемыми закономерностями. Преобразование данных также включает в себя начальные этапы анализа во время исследования данных, когда организации визуально анализируют любые компоненты, которые не может обнаружить обычная система управления.
Второй уровень, часть 2 — агрегирование
Расширенные процессы маркировки информации и реализации базовой аналитики происходят на этапе агрегирования данных, поэтому информация лучше упорядочивается. На этом этапе организация использует отчеты и метрики панели мониторинга для оценки основных KPI. Внедрение практичной системы маркировки позволяет пользователям получать доступ к необходимой им информации и анализировать необходимые компоненты набора данных.
Второй уровень, часть 3 – анализ
Этот этап включает в себя более сложные процедуры анализа данных, такие как интеллектуальный анализ данных, поскольку он включает использование систем баз данных и статистики для выявления скрытых аномалий в больших наборах данных, чтобы организация могла точно прогнозировать свою производительность. Результирующая описательная и диагностическая аналитика позволяет разработчикам программного обеспечения не только понять, почему происходят события, но и оценить, что произошло. Результаты позволяют им вносить необходимые коррективы, чтобы программы приносили желаемые результаты.
Третий уровень — Оптимизация
Оптимизация данных находится на вершине пирамиды и включает передовые технологии, такие как машинное обучение и искусственный интеллект, для прогнозирования будущих событий и реагирования на них. Анализируя все сохраненные данные, организация может пересматривать алгоритмы и предоставлять точные ответы, помимо изучения обстоятельств, необходимых для конкретного результата. Применяя эти принципы, организации автоматизируют процессы и сохраняют конкурентное преимущество в своих отраслях.
Некоторые компании уже достигли более высоких уровней иерархии и готовы перейти к более стратегическим инициативам по преобразованию компании с помощью ИИ и машинного обучения.
Непрерывный процесс улучшения
Применение иерархии обработки данных требует определенного процесса, но организации могут вносить необходимые коррективы в зависимости от индивидуальных потребностей и бюджета. В то время как некоторые организации могут двигаться шаг за шагом, другие могут комбинировать разные этапы в зависимости от обстоятельств. Использование модели следует рассматривать как часть непрерывного процесса улучшения, когда вы можете вернуться к предыдущим шагам по мере необходимости, поскольку наука о данных — это скорее непрерывный процесс, чем линейный.
Эта статья изначально была опубликована в блоге автора и перепечатано с разрешения. n
Оригинал