למה אתה צריך לחשוב על בינה מלאכותית כעל ספורט קבוצתי

מה זה אומר לחשוב על בינה מלאכותית כעל ספורט קבוצתי? אנו רואים פרויקטים של AI עוברים מהייפ להשפעה, בעיקר בגלל שהתפקידים הנכונים מעורבים כדי לספק את ההקשר העסקי שהיה חסר בעבר. מומחיות בתחום היא המפתח; למכונות אין את עומק ההקשר שיש לאנשים, ואנשים צריכים להכיר את העסק והנתונים מספיק טוב כדי להבין אילו פעולות לנקוט בהתבסס על כל תובנות או המלצות שעולות.

כשמדובר בהגדלת AI, מנהיגים רבים חושבים שיש להם בעיה של אנשים - ספציפית, אין מספיק מדעני נתונים. אבל לא כל בעיה עסקית היא בעיה במדעי הנתונים. או לפחות, לא כל אתגר עסקי צריך להיזרק על צוות מדעי הנתונים שלך. עם הגישה הנכונה, אתה יכול לקצור את היתרונות של AI ללא האתגרים שמגיעים עם מחזורי מדעי הנתונים המסורתיים.

כדי לפרוס ולהגדיל את פתרונות הבינה המלאכותית, מנהיגים צריכים לשנות את הלך הרוח של הארגון לחשוב על בינה מלאכותית כעל ספורט קבוצתי. פרויקטים מסוימים של בינה מלאכותית זקוקים לקבוצה אחרת של אנשים, כלים וציפיות כיצד נראות תוצאות מוצלחות. הידיעה כיצד לזהות הזדמנויות אלו תעזור לך לגשת לפרויקטים מוצלחים יותר של בינה מלאכותית ולהעמיק את ספסל משתמשי הבינה המלאכותית שלך, תוך הוספת מהירות וכוח לקבלת החלטות בכל כוח העבודה. בואו נחקור למה ואיך.

ארגונים עושים דמוקרטיזציה של ניתוח מתקדם עם AI

שימוש בבינה מלאכותית לפתרון בעיות עסקיות היה במידה רבה תחום העיסוק של מדעני נתונים. לעתים קרובות, צוותי מדעי הנתונים שמורים להזדמנויות הגדולות ביותר של הארגון ולאתגרים המורכבים ביותר. ארגונים רבים הצליחו ליישם את מדע הנתונים למקרי שימוש ספציפיים כמו זיהוי הונאה, התאמה אישית ועוד, שבהם מומחיות טכנית עמוקה ומודלים מכוונים עדין מניבים תוצאות מוצלחות ביותר.

עם זאת, קנה המידה של פתרונות AI דרך צוות מדעי הנתונים שלך מאתגר עבור ארגונים, מסיבות רבות. גיוס ושימור כישרונות הוא יקר מאוד ויכול להיות קשה בשוק תחרותי. פרויקטים מסורתיים של מדעי הנתונים יכולים לקחת הרבה זמן לפיתוח ופריסה לפני שהעסק רואה ערך. ואפילו צוותי מדעי הנתונים המנוסים והחזקים ביותר עלולים להיכשל אם חסר להם הנתונים או ההקשר הדרושים כדי להבין את הניואנסים של הבעיה שהם מתבקשים לפתור.

Gartner® 2021 המצב של מדעי הנתונים ולמידת מכונה דו"ח (DSML) קובע כי "ביקוש הלקוחות משתנה, כאשר קהלים פחות טכניים רוצים ליישם את DSML ביתר קלות, מומחים צריכים לשפר את הפרודוקטיביות וארגונים שדורשים זמן קצר יותר לערך עבור ההשקעות שלהם¹." למרות שעשויות להיות בעיות עסקיות רבות שיכולות להפיק תועלת מהמהירות או יסודיות הניתוח שבינה מלאכותית יכולה לספק, גישה מסורתית של מדעי הנתונים לא תמיד יכולה להיות תוכנית ההתקפה הטובה ביותר כדי לראות ערך במהירות. למעשה, אותו דו"ח של גרטנר חוזה ש"עד שנת 2025, מחסור של מדעני נתונים לא יעכב עוד את אימוץ מדעי הנתונים ולמידת מכונה בארגונים".

מומחיות בתחום היא קריטית להרחבת AI ברחבי העסק

AI כבר עוזר להביא יכולות ניתוח מתקדמות למשתמשים שאין להם רקע במדעי הנתונים. מכונות יכולות לבחור מבין המודלים והאלגוריתמים הטובים ביותר לחיזוי, וניתן לחשוף את המודלים הבסיסיים, המציעים את היכולת לכוון אותם ולוודא שהכל תואם למה שהמשתמש מחפש.

יכולות אלו מעניקות לאנליסטים ולמומחים מיומנים בתחום העסקי את היכולת לתכנן ולמנף את יישומי הבינה המלאכותית שלהם. בהיותם קרובים יותר לנתונים, למשתמשים אלה יש יתרון על פני רבים מעמיתיהם של מדעני הנתונים. העמדת הכוח הזה בידיהם של בעלי מומחיות בתחום יכולה לעזור להימנע מזמני הפיתוח הארוכים, עומסי המשאבים והעלויות הנסתרות הקשורות למחזורי מדעי הנתונים המסורתיים. בנוסף, אנשים עם מומחיות בתחום צריכים להיות אלה שיחליטו אם חיזוי או הצעה של AI מועילים או לא.

עם תהליכי בניית מודל איטרטיביים יותר, עדכון ופריסה מחדש, אנשים עם הקשר עסקי יכולים לקבל ערך מ-AI מהר יותר - אפילו לפרוס מודלים חדשים לאלפי משתמשים תוך ימים עד שבועות, במקום שבועות עד חודשים. זה חזק במיוחד עבור אותם צוותים שהאתגרים הייחודיים שלהם אולי אינם בעדיפות גבוהה עבור צוותי מדעי הנתונים, אך יכולים להפיק תועלת מהמהירות ומהיסודיות של ניתוח AI.

עם זאת, חשוב לציין שלמרות שפתרונות אלו יכולים לעזור להתמודד עם פער המיומנויות בין אנליסטים ומדעני נתונים, הם אינם מחליפים את האחרונים. מדעני נתונים נשארים שותף קריטי עם מומחים עסקיים כדי לאמת את הנתונים המשמשים בפתרונות התומכים בינה מלאכותית. ובנוסף לשיתוף הפעולה הזה, מיומנויות חינוך ונתונים יהיו קריטיות בשימוש בכלים מסוג זה בהצלחה בקנה מידה.

אוריינות נתונים מעצימה יותר אנשים למנף בינה מלאכותית

אסטרטגיית הנתונים הבסיסית שלך ממלאת תפקיד עצום בהקמת הארגון שלך להצלחה עם בינה מלאכותית, אך הבאת פתרונות בינה מלאכותית ליותר אנשים ברחבי העסק תדרוש קו בסיס של אוריינות נתונים. הבנה של אילו נתונים מתאימים ליישם בבעיה עסקית, כמו גם כיצד לפרש את הנתונים והתוצאות של המלצת בינה מלאכותית תעזור לאנשים להצליח לבטוח ב-AI ולאמץ אותם כחלק מקבלת ההחלטות שלהם. שפה משותפת של נתונים בתוך הארגון גם פותחת דלתות נוספות לשיתוף פעולה מוצלח עם מומחים.

הסקר העולמי האחרון של מקינזי על בינה מלאכותית חשף כי בתוך 34% מארגונים בעלי ביצועים גבוהים "מרכז הדרכה ייעודי מפתח את כישורי הבינה המלאכותית של עובדים לא טכניים באמצעות למידה ידנית", בהשוואה ל-14% בלבד מכל שאר הנסקרים. בנוסף, ב-39% מהארגונים בעלי הביצועים הגבוהים "קיימים ערוצי תקשורת ונקודות מגע ייעודיות בין משתמשי AI וצוות מדעי הנתונים של הארגון", בהשוואה ל-20% בלבד מאחרים.

מנהיגים יכולים לנקוט במגוון גישות לבניית אוריינות נתונים, החל מחינוך והכשרה, תוכניות חונכות, תחרויות נתונים לבניית קהילה ועוד. חשבו על נורמליזציה של הגישה והשיתוף של נתונים, כמו גם על האופן שבו אתם חוגגים ומקדמים הצלחות, למידה וקבלת החלטות עם נתונים.

"אוריינות נתונים וחינוך לגבי הדמיה ומדעי נתונים צריכים להיות נפוצים יותר, וללמד מוקדם יותר", אמרה Vidya Setlur, ראש מחקר Tableau. "יש סוג של אחריות חברתית וארגונית שמגיעה עם ההסתמכות על שימוש בנתונים. אנשים צריכים להיות מצוידים יותר להבין, לפרש ולהפיק את המרב מהנתונים מכיוון שבינה מלאכותית רק תשתכלל, ואנחנו צריכים להקדים כמה צעדים מהמשחק".

המשך בניית תרבות הנתונים של הארגון שלך יוצר הזדמנויות רבות עוצמה לטפח מיומנויות ולטפח פתרונות חדשים ברחבי העסק. ארגונים רבים כבר הגדילו את השקעותיהם בנתונים ואנליטיקה בשנים האחרונות, כאשר הטרנספורמציה הדיגיטלית הואצה. זה לא מקום לחשוב על נתונים כעל ספורט קבוצתי - ועכשיו יש לנו את האמצעים להרחיב את הלך הרוח הזה לבינה מלאכותית.