Лидеры в области данных и аналитики (D&A) могут последовать формуле из пяти шагов, чтобы начать работу с ИИ в кратчайшие сроки, пишет на портале ITPro Today Эрик Бретену, заслуженный вице-президент-аналитик компании Gartner, специализирующийся в области машинного обучения, искусственного интеллекта и прикладных когнитивных вычислений.

Переход от желания использовать ИИ к тактическому подходу к его применения не требует сверхспособностей, но часто может казаться именно так. Многие D&A-руководители, не зная, с чего начать работу с ИИ, отвлекаются на выбор инструментов и методов ИИ, прежде чем разобраться, чего они пытаются достичь.

Согласно опросу Gartner «2023 CIO and Technology Executive Survey», 32% организаций уже внедрили ИИ и МО, а еще 17% сообщили, что последуют их примеру в течение 12 месяцев. По мере того, как организации все активнее внедряют ИИ, они будут обращаться к D&A-руководителям за разработкой стратегии относительно данных для ИИ.

Ниже приведена формула из пяти шагов, которая предлагает тактический подход для D&A-руководителей, чтобы начать работу с ИИ, уделяя особое внимание быстрому получению выгоды.

Шаг 1. Определите сценарии использования — значимые, измеримые и с быстрой отдачей

Большинство успешных инициатив в области ИИ и МО начинаются с ответа, а не с вопроса. Каждый проект, в котором используется ИИ, должен иметь четкое влияние на бизнес и измеримый результат. Эти ожидания могут меняться или эволюционировать по мере развития проекта, но важно твердо установить их в самом начале.

Начните с изучения и отбора сценариев использования ИИ. Выберите критически важную для организации проблему, которую не удалось успешно решить традиционными методами. Чтобы определить наилучшие возможности для достижения успеха, измерьте не только реализуемость, но и ценность для бизнеса. Не забудьте также учесть время как ключевой фактор успеха. Масштабируйте проблему до девятинедельного срока, что оправдало себя во многих минимально жизнеспособных продуктах (MVP).

D&A-руководители должны уметь четко формулировать ценностное предложение выбранного сценария использования ИИ. Установите метрики, которые определят, как использование данного сценария повлияет на бизнес и финансовые показатели. Не ограничивайтесь только бухгалтерскими показателями, рассмотрите, как MVP может повлиять на ценность бизнеса, информационную ценность или ценность для заинтересованных сторон.

Шаг 2. Соберите команду ИИ-проекта

Идеальный баланс для команд ИИ обеспечивают следующие три персоны:

  • специалист по ИИ, обладающий опытом в различных методах ИИ, таких как MО, системы, основанные на правилах, или обработка естественного языка (NLP);
  • ИТ-специалист, понимающий текущее состояние ИТ-возможностей;
  • эксперт в предметной области, понимающий бизнес-требования и метрики.

По каждому из этих направлений потребуется целый ряд квалифицированных специалистов.

Несмотря на распространенное мнение, навыки ИИ не обязательно являются дефицитными, дорогими или таинственными. Например, любознательные администраторы баз данных или инженеры по данным с математическим уклоном могут стать отличными специалистами по анализу данных. Собирая команду ИИ-проекта, ищите тех, кто обладает сочетанием серьезных знаний в области МО, глубоким пониманием принципов статистики, интересом к исследованию данных и отличными навыками сотрудничества. Мотивированные, открытые, компетентные и целеустремленные специалисты, часто приходящие из рядов организации, составляют отличный рецепт для успешного ИИ-MVP.

Шаг 3. Соберите необходимые данные

Еще один миф, связанный с ИИ, заключается в том, что для построения моделей ИИ необходимы огромные объемы данных. Многие успешные сценарии могут быть реализованы с использованием разумного объема данных — при условии, что набор данных релевантен и достаточно качественен. Недостаток объема всегда можно компенсировать за счет сокращения масштабов проекта, но недостаток качества данных неизменно приводит к провалу MVP.

«Разумный объем данных» может означать разные вещи в зависимости от выбранных методов ИИ. Например, методы MО потребуют значительно больше данных, чем методы, основанные на логике или оптимизации. Независимо от этого, качество данных и их соответствие выбранному сценарию использования должны превалировать над объемом.

Шаг 4. Выберите методы ИИ, отвечающие конкретным сценариям использования, навыкам и данным

Многие методы ИИ подходят для конкретных проблем, данных и специалистов. Например, методы вероятностных рассуждений, такие как MО, хорошо подходят для выявления скрытых закономерностей в большом объеме данных, например, закономерностей мошенничества или проблем оттока клиентов. Но для этого нужны очень качественные данные и аналитики, разбирающиеся в аналитических механизмах и алгоритмах.

С другой стороны, рассмотрим такой сценарий использования, как применение ИИ для управления назначением выходов на посадку и экипажей в международном аэропорту во время снежной бури. В этой ситуации лучше всего подойдут методы оптимизации, которые требуют специалистов в области исследования операций и умения правильно собирать данные. При выборе метода ИИ ориентируйтесь на тот, что лучше всего подходит для конкретного сценария использования и имеющихся навыков и данных.

На этом этапе успешный MVP не фокусируется исключительно на методах ИИ. Технологическая ткань, в которую будут вплетены эти методы, не менее важна. На этом этапе обсудите такие технологические аспекты, как доступные ресурсы ИТ-инфраструктуры, существующая автоматизация процессов и пользовательские интерфейсы для взаимодействия с моделями.

Шаг 5. Структурируйте ИИ-экспертизу

Создание нескольких MVP на различных бизнес-проблемах предприятия должно позволить выявить пробелы в навыках, данных и технологиях, а также пробелы в культуре, готовности и образовании в области ИИ. После того, как организация проведет многочисленные эксперименты с ИИ, рассмотрите возможность структурирования накопленных ноу-хау в «лабораторию ИИ», «центр компетенции ИИ» или «центр передового опыта ИИ». Это поможет специалистам по ИИ укрепить связи с бизнесом, быть в курсе технических возможностей и инвестиций организации, а также оставаться синхронизированными с общей стратегией ИИ. Эксперты по ИИ могут совершать «туры» по направлениям деятельности, тесно сотрудничая с профильными экспертами и ИТ-специалистами над различными проектами в течение нескольких месяцев подряд.

Проработав эти этапы, организация должна перейти к более масштабному и амбициозному видению.

Представленная выше формула поможет начать работу с ИИ, помогая определить технологические и культурные сильные и слабые стороны, а также желаемые бизнес-результаты, которые лягут в основу долгосрочной стратегии. Официальная ИИ-стратегия должна появиться после нескольких опытов обучения и быть преобразована в стратегию «ИИ в первую очередь».