Mengapa organisasi Anda gagal dalam AI – dan cara menghentikannya – TechCrunch


Oleh Florian Douetteau, Dataiku

Untuk semua potensi kecerdasan buatan yang dimiliki untuk operasi bisnis sehari-hari, sebagian besar perusahaan saat ini masih berjuang untuk mewujudkan nilai dari investasi mereka dalam teknologi. Sementara raksasa memanfaatkan sumber daya mereka yang hampir tak terbatas untuk membangun algoritme yang kuat ke dalam platform mereka, sebagian besar perusahaan dibiarkan ke perangkat mereka sendiri, menerapkan web kompleks dari berbagai teknologi pihak ketiga, atau membangun model sub-optimal mereka sendiri, yang sering kali berbasis pada data yang tidak lengkap atau tidak akurat.

Dalam delapan tahun saya di Dataiku, Saya telah melihat ribuan perusahaan yang menjanjikan dihadang oleh upaya yang tidak praktis atau tidak efisien untuk membangun sistem AI yang memberikan nilai nyata. Kenyataannya adalah, AI dapat membantu bisnis di industri apa pun, tetapi perusahaan yang gagal merencanakan perangkap umum mendapati diri mereka berada dalam posisi yang sulit, dengan biaya yang tak terkira, potensi bias, atau pengembalian yang salah. Meskipun ada banyak sekali pertimbangan yang harus dipertimbangkan saat menerapkan AI di perusahaan, berikut adalah lima alasan utama mengapa organisasi Anda mungkin gagal dalam AI – dan cara memperbaiki kapal sebelum terlambat.

Perusahaan sering jatuh ke dalam perangkap dengan asumsi mereka dapat memasukkan algoritme ke dalam proses apa pun dan melihat hasil langsung. Eksekutif dan tim yang sedang mempertimbangkan investasi dalam AI – apakah membangun proyek secara internal atau melakukan outsourcing ke vendor eksternal – harus mempertimbangkan hasil yang ingin mereka lihat, dan bagaimana mereka berharap untuk mencapainya dengan AI, sebelum memulai proyek apa pun. Apakah perusahaan Anda perlu membangun mesin rekomendasi pelanggan yang lebih baik, atau meningkatkan sistem deteksi penipuan? Ini adalah pertanyaan yang sangat berbeda dengan jawaban yang sangat berbeda – memiliki visi yang jelas tentang apa yang ingin dicapai oleh organisasi Anda akan membantu seluruh perusahaan menyelaraskan biaya, tenggat waktu dan metodologi, dan memainkan peran penting dalam menghindari jebakan di masa depan.

Perusahaan terbaik tidak hanya masuk dengan rencana, mereka memanfaatkan algoritme dan model yang ada untuk meningkatkan kemajuan dan menurunkan biaya. Siapa pun yang pernah bekerja dengan AI tahu bahwa melatih dan mengembangkan model datang dengan label harga – satu perkiraan mematok biaya pelatihan GPT-3 hampir $ 5 juta, investasi yang tidak dapat diimpikan oleh sebagian besar organisasi, dan investasi yang mengabaikan trial and error yang digunakan untuk pengembangan model yang baik.

[VISUAL RECIPES IMAGE]

Ekonomi pengembangan AI berarti bahwa perusahaan dapat dan harus menggunakan kembali aset yang sudah ada dalam produksi, seperti kumpulan data yang dibersihkan dan disiapkan – untuk sebagian besar proyek, tidak perlu memulai dari nol mutlak. Anggap saja seperti proyek sumber terbuka: mengapa menulis perangkat lunak dari awal ketika ada kode yang akan melakukan hal yang Anda perlukan?

“Algoritme hanya sebagus data yang mengumpankannya” adalah pengulangan umum untuk alasan yang baik, namun begitu banyak organisasi memulai proyek AI tanpa strategi yang jelas untuk memastikan kualitas data mereka. Kualitas data bukan pertimbangan satu kali – pekerjaan ekstensif harus dilakukan sebelum, selama dan setelah pengembangan model untuk memastikan bahwa set data yang digunakan komprehensif, terkini dan akurat, dan sebanyak mungkin bias dihapus atau diperhitungkan . Tentu saja, menunggu kumpulan data yang “sempurna” berarti Anda kemungkinan besar tidak akan pernah memulai sebuah proyek – ada terlalu banyak variabel yang dapat berubah dan perbedaan yang dapat diperkenalkan. Rilis terbaru dari Dataiku 9 termasuk alat seperti Pembangun Pola Cerdas dan Fuzzy Bergabung, yang memberi analis bisnis kemampuan untuk bekerja dengan kumpulan data yang lebih kompleks (atau tidak lengkap) tanpa harus menulis kode atau membersihkan dan menyiapkan data secara manual.

Kredit Gambar: Dataiku (terbuka di jendela baru)

Ini bermuara pada strategi tata kelola data yang sukses, dan pemilihan alat yang memungkinkan tata kelola dengan mudah. Kepemimpinan eksekutif juga penting – tanpa dukungan dari atas ke bawah, kesalahan tata kelola, dan kerugian bisa sangat besar: dalam waktu kurang dari empat tahun, Peraturan Perlindungan Data Umum (GDPR) Eropa telah menghasilkan denda lebih dari $ 600 juta, semua terkait dengan masalah tata kelola data dan privasi. Platform Dataiku memberikan bantuan besar di sini, dengan tata kelola built-in ekstensif yang mematuhi setiap dan semua peraturan global – terutama penting bagi pelanggan yang bekerja di wilayah dengan undang-undang privasi data yang sangat berbeda.

Transparansi dan komunikasi yang jelas (serta kemauan untuk menyesuaikan) adalah kuncinya, seperti halnya menciptakan kerangka kerja tata kelola yang komprehensif dan berkelanjutan yang dapat diikuti oleh semua area perusahaan. Dalam beberapa tahun terakhir, gagasan tata kelola AI menjadi semakin lumrah, dan pada 2019, Singapura menjadi negara pertama untuk mengadopsi kerangka kerja menyeluruh untuk tata kelola AI – Saya berharap untuk melihat lebih banyak perusahaan (dan negara) mengikuti jejak mereka dan memprioritaskan strategi tata kelola yang berkelanjutan, dan perusahaan akan terus mencari cara untuk menjadikan tata kelola sebagai elemen yang tertanam dalam setiap inisiatif AI .

Mesin rekomendasi konten atau model prediksi churn di jantung operasi perusahaan tidak bisa hanya berupa API yang diekspos dari notebook data scientist – mereka memerlukan operasionalisasi penuh setelah desain awal mereka. Ketika proyek AI tidak secara efektif dimasukkan ke dalam proses bisnis, dan dipegang pada KPI yang selaras dengan unit bisnis yang mereka layani, ROI sulit didapat. Pembaruan platform terbaru kami, Dataiku 9.0, memperkenalkan sejumlah fitur baru untuk membantu proyek AI berintegrasi lebih jauh dengan tujuan bisnis, terutama dengan Pernyataan ML – ini memungkinkan ahli materi pelajaran untuk menanamkan pemeriksaan kewarasan yang diketahui ke dalam model untuk menangkap contoh di mana metrik model yang khas dapat menyebabkan rasa keamanan yang salah.

Operasionalisasi membutuhkan perencanaan dan pelaksanaan, serta pengakuan di seluruh perusahaan bahwa proyek AI yang sukses membutuhkan waktu untuk dibangun dan diterapkan. Lini bisnis dan ahli materi pelajaran harus dilibatkan dalam proses pengembangan dan operasionalisasi – operasionalisasi yang terjadi dalam ruang hampa tanpa masukan dari tim bisnis pasti gagal, memberikan proyek yang tidak memenuhi kebutuhan nyata, atau melakukannya secara dangkal.

Banyak organisasi, terutama yang baru mengenal penerapan AI, memandang teknologi sebagai solusi “tunjuk dan klik” – pengguna cukup “mengaktifkan” model AI mereka dan melihatnya bekerja dengan sempurna, untuk selamanya. Kenyataannya justru sebaliknya: model AI yang kuat membutuhkan pemeliharaan dan pemantauan yang konstan, serta audit input dan output yang sering, untuk memastikan bahwa model tersebut bertanggung jawab, transparan, dan akurat. Konsep penyimpangan model (atau peluruhan model) terdengar cukup teknis, tetapi agak sederhana – karena variabel berubah seiring waktu, kekuatan prediksi model AI akan melemah kecuali jika model diubah dan diperbarui untuk mencerminkan lingkungan saat ini dari mana ia mengambil data. .

Permulaan Covid-19 telah membuat model melayang menjadi arus utama (mudah dipahami mengapa tiba-tiba menutup 300 toko Apple akan membuat algoritme tidak dapat memprediksi penjualan secara langsung), tetapi sebagian besar organisasi masih kekurangan proses dan prosedur nyata untuk melawannya. Di sinilah MLOps menjadi penting – kolaborasi di semua tim yang relevan diperlukan untuk memastikan bahwa perubahan variabel diperhitungkan. Ada juga sejumlah alat di pasar yang membantu insinyur mengelola penyimpangan model dengan pengawasan yang kurang aktif – Pemantauan Model Drift Dataiku fitur memberikan tampilan untuk menganalisis potensi pergeseran model pembelajaran mesin, dan gratis untuk semua pengguna perusahaan.

Kredit Gambar: Dataiku (terbuka di jendela baru)

“Demokratisasi AI” telah mencapai status kata kunci, tetapi itu seharusnya tidak menghentikan organisasi untuk mencoba melibatkan lebih banyak persona dalam pengembangan AI. Terlalu banyak perusahaan yang memandang data scientist sebagai satu-satunya orang yang seharusnya membangun atau berinteraksi dengan model AI, tetapi pola pikir ini membatasi. Ilmuwan data adalah orang-orang yang brilian, tetapi mereka tidak dapat diharapkan menjadi ahli di setiap industri yang mereka layani. Pakar materi pelajaran harus dibawa ke dalam proses pengembangan, dan analis bisnis serta eksekutif harus berperan dalam menentukan KPI dan mengoperasionalkan model dalam produksi. Di garis bawah, alat seperti analisis bagaimana-jika Dataiku dapat memainkan peran penting dalam membantu pembuat keputusan berinteraksi dengan (dan meminta perubahan pada) model AI, memungkinkan C-suite untuk melihat potensi dampak perubahan waktu nyata pada data input.

Kredit Gambar: Dataiku (terbuka di jendela baru)

AI pernah dilihat sebagai teknologi plug-and-play yang mudah digunakan, tetapi menjadi web terfragmentasi dari alat pihak ketiga yang membutuhkan intervensi manusia yang ekstensif untuk memberikan nilai apa pun. Perusahaan telah beralih antara mencari solusi all-in-one, atau menerapkan beberapa alat terbaik, tetapi implementasi AI yang sukses sama bergantungnya pada budaya seperti halnya pada teknologi. Berfokus pada proyek tertentu yang memberikan manfaat nyata pada keuntungan, mendorong kolaborasi antar tim dan wilayah, serta menjaga transparansi dan tanggung jawab akan membawa perusahaan menuju kesuksesan.

Apakah organisasi Anda berjuang untuk menerapkan AI di perusahaan, atau untuk memberdayakan peran baru untuk bekerja dengan data dengan cara yang bermakna? Dataiku dapat membantu. Untuk mempelajari lebih lanjut tentang platform Dataiku atau memulai uji coba gratis, kunjungi www.dataiku.com.

Posted By : http://airtogel.com/