Искусственный интеллект бросает вызов ИТ-инфраструктуре, управлению, безопасности и ИТ-операциям. О том, что должны сделать CIO, чтобы подготовить свои организации к переходу на ИИ, на портале InformationWeek рассказывает Мэри Шеклет, президент консалтинговой компании Transworld Data.
Академия управления здравоохранением определила пять уровней зрелости ИИ в здравоохранении:
1. Ознакомление с ИИ.
2. Эксперименты с ИИ.
3. ИИ в производстве.
4. Повсеместное и систематическое использование ИИ
5. ИИ является трансформационным фактором и частью ДНК организации.
Когда члены Академии спросили практикующих врачей и технологов, на каком, по их мнению, уровне ИИ-зрелости находятся их организации, большинство из них выбрали второй уровень — экспериментирование с ИИ.
Я обнаружила аналогичные результаты в других отраслях.
Также очевидно, что именно CIO будут нести основную ответственность за внедрение ИИ, независимо от того, приходит ли ИИ в компанию через специализированный отдел науки о данных или через пользовательскую функцию. Почему? Потому что только ИТ-отдел обладает всесторонними знаниями о данных, приложениях и инфраструктуре в масштабах предприятия, а также о том, как ИИ может повлиять на них.
Поскольку большинство организаций все еще находятся на стадии становления ИИ и на самом деле не знают, каковы будут конечные результаты применения ИИ, CIO следует задуматься о проблемах и возможностях внедрения ИИ, поскольку ИИ становится организационной реальностью.
Лучший способ перехода компании на ИИ
Вот шесть пунктов, которые следует включить в ваши планы:
1. Оцените существующие данные и ИТ-архитектуру. ИИ функционирует наилучшим образом, когда данные, с которыми он работает, хранятся в репозитории, и данные в репозитории отличаются высоким качеством и могут взаимодействовать с другими типами данных. Для достижения и поддержания высокого качества и совместимости данных требуется время. Процесс начинается с использования инструментов ETL (извлечение-преобразование-загрузка), которые могут извлекать данные из широкого спектра локальных и удаленных источников, очищать их и стандартизировать, чтобы они могли взаимодействовать с разными типами данных в едином репозитории данных, который будет использоваться ИИ.
Этот процесс оказывает влияние на ИТ-инфраструктуру, поскольку охватывает ряд систем, которые могут быть плохо интегрированы друг с другом. Системы за пределами предприятия, которые принадлежат третьим сторонам и управляются ими, должны быть проверены на совместимость данных, а также на соответствие стандартам безопасности и управления.
Что касается сети, то, возможно, потребуется увеличить ее пропускную способность, а также пересмотреть сетевой трафик и схемы развертывания. Что касается системы хранения, то, безусловно, понадобится больше емкости, а для ИИ потребуется разработать схемы резервного копирования и восстановления данных.
В процессы обработки необходимо внести коррективы для обеспечения параллельной потоковой обработки, которая отличается от линейной обработки, используемой для повседневных ИТ-транзакций.
Это потребует большого объема информации. Это повлияет на работу ИТ-службы и потребует новых навыков управления данными и их обработки и стратегических навыков, которых у ИТ-службы может не быть.
2. Оцените свой уровень квалификации. Большинству ИТ-специалистов потребуется повышение квалификации в области ИИ.
Сотрудникам, возможно, потребуется изучить новые языки программирования, а технической ИТ-поддержке в дата-центре придется освоить среду параллельной обработки данных. Сетевой персонал должен обеспечить дополнительную полосу пропускания и более высокую пропускную способность для ИИ и, скорее всего, ему придется развернуть выделенную сеть.
Группам аналитиков приложений и бизнес-аналитиков необходимо будет изучить механику создания ИИ-приложений. Начав с определения алгоритмов, построения обучающих моделей для МО и перейдя к итеративному QA-тестированию, пока результаты ИИ не будут с точностью до 95% соответствовать выводам экспертов в предметной области. Что касается пользователей, то для оказания помощи в разработке алгоритмов им необходимо привлечь экспертов в предметной области.
3. Установите правила соблюдения требований и управления. Компании, регулирующие органы и правительства только начинают принимать меры по обеспечению соответствия ИИ нормативно-правовым требованиям и управлению им. Таким образом, компаниям предстоит определить свои собственные руководящие принципы.
По мере развития ИИ будут возникать инциденты и появляться сценарии использования, которые потребуют регулирования, и соответствующие правила будут прописаны. В то же время, цель ИТ-отдела состоит в том, чтобы избежать таких инцидентов или сценариев использования.
4. Оцените принятие ИИ пользователями. Сопротивление сотрудников является основной причиной провала проекта, и они будут сопротивляться, если будут верить, что ИИ лишит их работы. Решение заключается в разработке дорожной карты для сотрудников, чтобы они заранее знали, как они и их обязанности, вероятно, будут развиваться. В случае, если рабочие места могут быть сокращены, лучше заранее сообщить об этом сотрудникам и помочь им найти другую работу.
5. Оцените риски. В госорганах приоритетом номер один для CIO являются кибербезопасность и управление рисками, и они в этом не одиноки.
ИИ представляет собой серьезную угрозу, поскольку решения для обеспечения ИТ-безопасности разрабатываются для стандартных транзакционных ИТ-технологий, а не для больших данных.
Одной из растущих угроз безопасности, связанных с ИИ, являются зараженные данные, когда данные, собранные для глубокого обучения, скомпрометированы преднамеренно вредоносной информацией. Результаты, которые ИИ извлекает из таких данных, являются умышленно ложными и вводящими в заблуждение.
Вторым риском является ухудшение результатов ИИ с течением времени. Это происходит, когда бизнес- и другие условия меняются, но алгоритмы, запрашивающие данные, или сами данные не успевают за темпами изменений. Необходимо разработать стратегии технического обслуживания систем ИИ, которые будут постоянно отслеживать точность и выявлять снижение уровня точности, чтобы ИТ-отделы и конечные пользователи могли вносить необходимые коррективы для восстановления точности.
6. Хватит экспериментировать. Большинство систем ИИ все еще находятся на стадии тестирования, но сейчас самое время разработать правильные методологии, внедрить технологии и повысить квалификацию персонала, прежде чем ИИ начнет использоваться в производстве.
ИИ в производстве (и, в конечном счете, в ДНК компании) — это неизбежно. И уже пора начинать переосмысливать и перепрофилировать ИТ-операции, методы и наборы навыков, чтобы быть готовыми к этому.
