Các vấn đề ảnh hưởng đến ROI AI


Phan Tường Anh
1 năm trước
Hữu ích 5 Chia sẻ Viết bình luận 0
Đã xem 3393

Để thu thập những hiểu biết về trạng thái của trí tuệ nhân tạo (AI) và tất cả các phân đoạn của nó - học máy (ML), xử lý ngôn ngữ tự nhiên (NLP), học sâu (DL), tự động hóa quá trình robot (RPA), hồi quy, et al, chúng tôi đã nói chuyện với 21 giám đốc điều hành đang triển khai AI trong tổ chức của chính họ và giúp những người khác hiểu AI có thể giúp gì cho doanh nghiệp của họ. Chúng tôi bắt đầu bằng cách hỏi: "Những vấn đề phổ biến nhất mà bạn thấy ngăn cản các công ty nhận ra lợi ích của AI là gì?" Đây là những gì họ nói với chúng tôi:

Dữ liệu

  • Bây giờ chỉ là về một thứ sáo rỗng, nhưng việc tìm kiếm dữ liệu đào tạo AI tốt luôn là một thách thức cơ bản. Bên cạnh đó, một trong những vấn đề lớn nhất mà tôi đã thấy là sự mất kết nối giữa phía doanh nghiệp và các nhóm nghiên cứu AI. Xây dựng các sản phẩm khả thi về mặt kỹ thuật và đáp ứng nhu cầu thị trường là thách thức. Về phía nghiên cứu, chúng ta có thể thấy giá trị của công nghệ thực sự tuyệt vời này, nhưng có thể khó kiếm tiền nếu nó không giải quyết được vấn đề kinh doanh. Đó là lý do tại sao sự hợp tác mạnh mẽ giữa các nhà quản lý sản phẩm, lãnh đạo doanh nghiệp và nghiên cứu là điều cần thiết để các công nghệ mới thành công. Chúng tôi đủ nhanh nhẹn để cho phép lãnh đạo và AI cộng tác trực tiếp. Nếu tôi không chắc chắn về một tính năng cụ thể mà tôi đang xây dựng, tôi có thể đi xuống văn phòng và hỏi người quản lý sản phẩm hoặc thậm chí là CEO để làm rõ về nhu cầu kinh doanh.
  • Không có luồng dữ liệu và nhà khoa học dữ liệu.
  • Không có xử lý dữ liệu của họ trên các silo. Khi nhà dữ liệu không theo thứ tự. Không thể thành công cho đến khi dữ liệu theo thứ tự. Nói đơn giản nhưng rất nhiều dữ liệu ở rất nhiều định dạng, khối lượng quá lớn và phức tạp và trở thành rào cản nếu không có nền tảng AI phù hợp để xử lý loại dữ liệu khổng lồ này.
  • Không hiểu trạng thái thực sự của dữ liệu của họ. Tăng cường giám tuyển dữ liệu, chất lượng và đánh giá sự sẵn sàng. Rất nhiều dữ liệu nhưng họ không thể nắm bắt được những gì có thể sử dụng được và những gì không thể.
  • Một trong những rào cản chính là thời gian đào tạo cho các nền tảng AI. AI đòi hỏi tập dữ liệu khổng lồ và thời gian để tiêu hóa và tự đào tạo dựa trên thông tin mà nó được cung cấp cho nó để cung cấp một nền tảng mạnh mẽ với độ chính xác cao.
  • Vấn đề lớn nhất mà chúng tôi thấy là sự cần thiết của dữ liệu hợp lệ, chính xác. Dữ liệu là loại dầu mới, có thể nói, và điều bắt buộc là các công ty phải có dữ liệu hợp lệ để thành công trong bất kỳ triển khai công nghệ mới nào, đặc biệt là AI.

Xác định vấn đề

  • Khả năng nhìn rõ vấn đề kinh doanh phù hợp để giải quyết và có kỹ năng để làm điều đó một cách tốt. AI đòi hỏi một lập trình viên khác. Cần phải là người có thể nhìn thấy bức tranh lớn và xem nơi phù hợp và cách sử dụng AI.
  • Quay trở lại câu hỏi của bạn trước đó về một chiến lược AI thành công, nhiều công ty không có hiểu biết đầy đủ về AI và không trả lời những câu hỏi cơ bản đó, dẫn đến những kỳ vọng không thực tế. Điều này và kế hoạch kém có lẽ là vấn đề phổ biến nhất được nhìn thấy. Ngoài những vấn đề đó, có nhiều vấn đề kỹ thuật và kinh doanh, chủ yếu trong số đó là chi phí và sự trưởng thành của công nghệ. Kỹ năng và tài năng cũng đang thiếu. Săn trộm tài năng là một cách phổ biến để có được các bộ kỹ năng cần thiết; tuy nhiên, điều này cản trở sự tiến bộ khi các nhà tuyển dụng tìm cách thay thế tài năng đã mất. Các trường hợp sử dụng tiếp tục xuất hiện, mỗi trường hợp yêu cầu một thuật toán khác nhau. Những thuật toán này vẫn chưa được phát triển và đào tạo. Bộ dữ liệu đào tạo đòi hỏi một lượng lớn dữ liệu thô để tạo ra kết quả chính xác. Tuy nhiên, không chỉ bất kỳ dữ liệu sẽ làm. Dữ liệu phải phù hợp và được làm sạch đầy đủ để có kết quả rất chính xác. Các tiên đề rác trong, rác ra vẫn được áp dụng. Một điểm cuối cùng là nhiều tổ chức không có kế hoạch cho quy mô. Nhu cầu cơ sở hạ tầng là không tầm thường; các tổ chức cần lập kế hoạch cho các cửa hàng dữ liệu phát triển rất nhanh đến Petascale. Tương tự như vậy, cơ sở hạ tầng phải có khả năng mở rộng để phát triển theo từng bước hoặc chi phí sẽ nhanh chóng vượt khỏi tầm kiểm soát vì các hệ thống được tái cấu trúc để theo kịp.
  • Điều quan trọng hơn là một tổ chức tiếp cận AI từ điểm khởi đầu, mà chúng ta cần giải quyết vấn đề gì? Thay vì, hãy để chúng tôi làm gì đó với AI. Đây là vấn đề đúng đắn mà AI thực sự có thể có tác động. AI và Deep Learning phù hợp nhất cho các nhiệm vụ mà bạn cần tìm các mẫu và thông tin hữu ích trong dữ liệu. Nếu dữ liệu không tồn tại hoặc ghi nhãn thì không thể, bạn không thể huấn luyện các hệ thống cho nhiệm vụ trong tay. Các tổ chức cũng cần phải hiểu rằng AI chỉ là một thành phần của giải pháp: bạn cần tạo quy trình công việc, tích hợp với hệ thống phụ trợ, đưa các khía cạnh khả năng sử dụng vào tài khoản, kiểm tra, đào tạo người dùng, v.v. Nói cách khác, các dự án AI cũng là bình thường Các dự án CNTT trong một ý nghĩa. Những người khởi nghiệp trẻ nhiệt tình và khách hàng của họ thường bỏ qua những khía cạnh này. Thật dễ dàng để xây dựng một bản demo ấn tượng,

Các trường hợp sử dụng AI

  • Thiếu dữ liệu. Nếu bạn không thể đo lường nó, bạn không thể học bằng ví dụ. Có những trường hợp bạn phải học nó lần đầu tiên. Có những trường hợp quá khủng khiếp mà bạn không thể chờ đợi dữ liệu (tai nạn máy bay, tấn công khủng bố). Mọi người đang cố gắng sử dụng AI / ML khi không cần thiết. Mất tập trung rằng ML phải được sử dụng ở mọi nơi. Cách tốt nhất để có được giá trị ML là hiểu những gì đang thực sự xảy ra. Những lợi ích lớn nhất là những người hiểu doanh nghiệp của họ ở cấp độ chi tiết nhất. Lấy các nhà khoa học dữ liệu ra để xem giá trị thực sự đến từ đâu. Sprint là viết tắt của Mạng lưới truyền thông nội bộ đường sắt Nam Thái Bình Dương. Đó là một quyền của công ty chúng ta có thể đẩy tàu hoặc bit xuống. Tái hiện giá trị của doanh nghiệp. Kinh doanh đồ họa đi từ các dấu hiệu tĩnh để thay đổi dấu hiệu, vào web để in - các bước nhỏ đã trở thành một doanh nghiệp lớn hơn và có lợi nhuận cao hơn dựa trên giá trị của nó. Điều gì làm nên sự khác biệt? 
  • AI là giải pháp cho rất nhiều, nhưng các doanh nghiệp cần hiểu rằng không phải mọi vấn đề đều là vấn đề liên quan đến AI. Nếu được áp dụng đúng cách, AI có tiềm năng rất lớn để tự động hóa và phát triển. Cần tập trung vào việc sử dụng các thuật toán AI để có được nền tảng cho sự tiến bộ công nghệ trong một công ty. 
  • Một trong những thách thức chính là phá vỡ nhận thức và xác định đâu là AI thực sự. Bởi vì chúng ta còn quá sớm, nhiều giám đốc điều hành và lãnh đạo chưa hoàn toàn đánh giá cao cách AI và máy học có thể được áp dụng trong tổ chức của họ, vì vậy họ đã đầu tư ít vì họ chưa biết khả năng là gì. Với những người đã đầu tư đáng kể vào AI, điều quan trọng là xác định nơi nào sẽ có tác động mạnh nhất và đặt câu hỏi về những vấn đề quy mô cao nào có thể giúp giải quyết.

Silo

  • Đối với lĩnh vực này, chúng tôi tập trung vào việc công nhận đây là một sự chuyển đổi cho phía kỹ thuật và tổ chức. Sự hợp tác rất quan trọng vì ML rất kỹ thuật, bạn có sự mất kết nối mạnh mẽ giữa các hoạt động và khoa học dữ liệu. Hầu hết những người không nghiên cứu khoa học dữ liệu không hiểu các thuật toán. Khi các thuật toán thay đổi hành vi trong sản xuất, bạn cần hiểu thuật toán. Làm thế nào các công ty tạo ra một người thực hành xung quanh hoạt động? Một số đã áp dụng các nhóm AI. Một số có các nhóm ảo trong đó hai ngày trong tuần các nhà khoa học dữ liệu đang hoạt động. Sự tương tự với các DBA cần đào tạo một người hiểu cơ sở dữ liệu và hoạt động. Và cơ sở dữ liệu đã trở nên phức tạp hơn trong 10 năm qua. Chúng tôi giúp hai kỹ năng hợp tác.
  • Bất cứ nơi nào giữa FUD và những thách thức của tổ chức và văn hóa giống như DevOps. 
  • Chúng tôi nghĩ rằng việc phân phối thành công AI trong bất kỳ doanh nghiệp nào cũng cần có sự tham gia và nhận thức của các tổ chức và các bên liên quan. Bên cạnh đó, tư duy đóng vai trò then chốt. Việc thực hiện AI phụ thuộc vào việc di chuyển công nghệ thành công có rủi ro kinh doanh đáng kể mà không có kế hoạch, thiết kế phù hợp đòi hỏi phải có công cụ để thực hiện.

Kỹ năng không đủ

  • Nói chung, đó là một lĩnh vực mới. Nhận các nhà thống kê để làm nghiên cứu nhiều hơn. Đó là một vấn đề thiết lập kỹ năng. Các doanh nghiệp vừa và nhỏ hiểu các tập dữ liệu và vấn đề nhưng không biết cách quản lý và xử lý dữ liệu. Không biết cách trích xuất từ ​​Hadoop và chạy EDL. Thu nhập nhiều hơn từ đầu tư AI. Có thể cần nhiều nhóm cộng tác để lấp đầy lỗ hổng kiến ​​thức. 2) Chạy mã trên bất kỳ phần cứng. AI được chạy trên GPU là công nghệ mới. Có được GPU và phần mới của nền tảng vẫn đang được thông qua. Không đa dạng như các trường hợp CPU cần phải có sự trưởng thành hơn. 
  • Thiếu chuyên môn định lượng trong nhà. Các cơ quan không tốt hơn, vì vậy chúng tôi kết thúc với một người mù dẫn đến tình trạng mù. Chúng ta cần nhiều nỗ lực hơn xung quanh giáo dục điều hành. Arm thực hiện với các câu hỏi đúng để hỏi. Nhà cung cấp giải pháp AI cần có khả năng giúp thực hiện.

Khác

  • Trong khi chúng ta đã thấy một sự đột biến đáng kinh ngạc trong không gian tự động hóa, một số ứng dụng kinh doanh bị che mờ bởi tiếng ồn như một chiếc xe tự trị trong một vụ tai nạn vào ngày đầu tiên, hoặc một chiếc vali thông minh chạy trốn khỏi tay cầm của nó. Những tiêu đề như vậy đang khiến mọi người băn khoăn, AI thậm chí còn hoạt động ngay hôm nay? Chúng tôi biết rằng chúng tôi đã rời khỏi năm 2017 với AI như một từ thông dụng mới, nhưng có ứng dụng AI nào tích cực cải thiện quy trình làm việc và hiệu quả cho doanh nghiệp không? Có; bạn chỉ cần tìm nó trong bộ phận CNTT. Cơ sở hạ tầng CNTT đã tạo ra một lượng lớn dữ liệu sự kiện và theo định nghĩa, tất cả các sự kiện đó đã được định dạng để dễ đọc bằng máy. Ngoài ra, một khi giải pháp AI đã vượt qua sự hoài nghi ban đầu này, một doanh nghiệp có thể bị choáng ngợp bởi nhiệm vụ khó khăn là xé toạc các hệ thống kế thừa của họ cho một mô hình mới. Để giải quyết điều này,

Đây là người mà chúng tôi đã nói chuyện với:

  • Assaf Gad , Phó Chủ tịch và Quan hệ đối tác chiến lược,  Audioburst
  • Tyler Foxworthy , Nhà khoa học trưởng,  RequestJump
  • Patric Palm , Giám đốc điều hành,  Favro
  • Sameer Padhye , CEO,  FixStream
  • Matthew Tillman , Giám đốc điều hành,  Haven
  • Dipti Borkar , Tiếp thị sản phẩm VP,  Kinetica
  • Ted Dunning , Kiến trúc sư trưởng ứng dụng,  MapR
  • Jeff Aaron , VP Marketing và  Ebrahim Safavi , Nhà khoa học dữ liệu,  Mist Systems
  • Dominic Wellington , Nhà truyền giáo CNTT toàn cầu,  Moogsoft
  • Tiến sĩ Nils Lenke , Giám đốc, Nghiên cứu doanh nghiệp,  Truyền thông Nuance
  • Mark Gamble , Giám đốc tiếp thị sản phẩm,  OpenText
  • Sri Ramanathan , Phó chủ tịch nhóm Mobile,  Oracle
  • Sivan Metzger , CEO và đồng sáng lập,  ParallelM
  • Nisha Talagala , CTO và đồng sáng lập,  ParallelM
  • Stuart Feffer , đồng sáng lập và CEO,  thực tế AI
  • Sven Denecken , Trưởng phòng quản lý sản phẩm SVP,  SAP S / 4 Hana Cloud
  • Steve Sloan , Giám đốc sản phẩm,  SendGrid
  • Simon Crosby , CTO,  Bơi
  • Liran Zvibel , CEO và đồng sáng lập,  WekaIO
  • Daniel DeMillard , Kiến trúc sư AI,  zvelo
  • Hữu ích 5 Chia sẻ Viết bình luận 0
    Đã xem 3393