Как компании из списка Fortune 1000 переживают золотой век искусственного интеллекта

Сложно заглушить шум в понимании искусственного интеллекта. Эффекты, которые новые исследования и инновации могут иметь или имеют в этой области, часто описываются в общих и абсолютных выражениях. Частично, как показывает недавний призыв ученых, работающих в области искусственного интеллекта и лечения рака, эта непрозрачность обязана тенденциям к отказу от сотрудничества на техническом уровне. Ясность требует открытости, чтобы проверить наши собственные идеи и развить идеи, впервые высказанные другими. Отчасти эта непрозрачность возникает из-за других проблем - предвзятости к новизне, концентрации СМИ на новинках или экстремальных возможностях и рисках в этой области, ограниченной информации о потребностях и ограничениях клиентов.

Чтобы отделить шум и повествования от реальных проблем и потребностей в корпоративном ИИ, за последние несколько недель я поговорил с бизнес-подразделениями и техническими экспертами на более чем двадцати предприятиях в различных отраслях, таких как финансовые услуги, цепочки поставок, сельское хозяйство, розничная торговля и мобильность / Интернет вещей. . Ниже приводится краткое изложение нескольких тенденций, которые проявились к настоящему времени.

  1. Предприятиям трудно сказать «нет» большему количеству данных.

Мантра о том, что «данные - это новая нефть», стала бешено популярной.

Представления о том, что каждая компания должна рассматривать данные как свой главный актив, пронизывали многие мои разговоры об открытиях. Но немногие предприятия внедрили превентивные стратегии в отношении того, какие данные стоит собирать, какое качество слишком неоптимально для сохранения и существует ли такая вещь, как «слишком много данных». Большинству предприятий срочно не хватает структуры или словаря данных, чтобы уточнить, какие типы и переменные данных у них есть, как часто данные обновляются, кто ими владеет, поддерживает, изменяет и т. Д.

В течение жизненного цикла предприятия эти проблемы увеличиваются. По мере того, как предприятия этих секторов становятся доступными и внедряют все больше данных, таких как IoT или геномные, они должны решать дополнительные уровни сложности данных. По мере развития и приобретения других компаний они также поглощают совершенно новый набор хранилищ данных, озер, избыточностей и аномалий.

Без четкой стратегии того, что и сколько данных нужно собирать, и, что более важно, конкретных объяснений того, почему они собираются и когда их следует использовать, возможности ИИ предприятия ограничены. Их внедрение и использование продуктов и услуг ИИ в компании будет значительно отложено.

2. Самые большие потребности в искусственном интеллекте остаются теми, о которых мы слышали несколько лет назад.

Несмотря на то, что представления о том, какие сегменты ИИ являются захватывающими, изменились за последние несколько лет, основные потребности таких предприятий, как страховые компании, банки, автомобильные компании, компании цепочки поставок, розничные торговцы и поставщики медицинских услуг, остались в основном прежними - гигиена данных, автоматизация и Опыт клиентов.

Огромное количество предприятий борются с получением, стандартизацией и последующей доставкой данных для решения своих бизнес-задач. Специалисты по обработке данных внутри компании продолжают тратить большую часть своего времени на эту деятельность. Все еще необходимо преобразовать, пометить, обогатить и интегрировать большие объемы данных. Эти проблемы с гигиеной данных сохраняются, несмотря на волну универсальных стартапов (например, Trifacta, Vidado и Hyperscience), которые возникли и выросли на этом рынке. И они сохраняются, несмотря на то, что те же предприятия много лет назад признали их основными препятствиями на пути развития ИИ. Подготовка к созданию предприятия, основанного на искусственном интеллекте, заняла долгие годы непрерывного пути.

Автоматизация - для улучшения человеческого труда, а не для его замены - подчеркивается по мере необходимости для продолжения роста в постпандемической среде и обеспечения как паритета функций, так и расширения новых продуктов быстрее, чем у конкурентов. Некоторые из наиболее распространенных вариантов использования и стартапы, которые осознали эти области и предложили для них решения, включают: автоматическое машинное обучение (например, DataRobot, Ople), оценки качества и стоимости на основе изображений (например, Tractable, Cogniac), оптимизация бизнес-процессов с помощью роботизированной автоматизации процессов и майнинга (например, UIPath, Скан). Автоматизация также является категорией искусственного интеллекта, которая испытывает наибольшую потребность в более специализированных приложениях, например для требований (EvolutionIQ), открытия лекарств (QSimulate), привлечения талантов (Censia), безопасности (Obsidian) и так далее.

Наконец, качество обслуживания клиентов остается в центре внимания предприятий ИИ. Сценарии использования, о которых я чаще всего слышал, включают управление знаниями и поддержку в очередях и центрах обработки вызовов, чат-ботов и общую поддержку транзакций через NLP, а также более глубокое рассмотрение жалоб клиентов и потребностей роста.

Ни одна из этих потребностей и вариантов использования не является новой информацией. Вместо этого они служат важным напоминанием о том, что проблемы искусственного интеллекта не исчезают на предприятиях только потому, что появились хорошо финансируемые стартапы, другие области в этой сфере привлекли внимание средств массовой информации и время прошло.

3. Сейчас существует рынок инструментов управления ИИ, но его размер в США неясен.

Рассказы об ответственном ИИ, этичном ИИ, объяснимости и прозрачности из черного ящика ИИ и управлении ИИ в последние годы резко выросли.

Для работы на этом рынке возникло несколько стартапов, в том числе 2021, Arthur, Credo, Fiddler и Parity. Но внедрение на предприятиях, не ориентированных на потребителя, остается ограниченным, и бюджеты в основном не выделяются на решение или предотвращение этих проблем. Некоторые из вопросов и сомнений, которые возникали в моих беседах, были следующие:

  • Если в США отсутствует регулирующая сила аналога GDPR, должно ли управление ИИ стать сегодня приоритетом?
  • Достаточно ли мы внедрили ИИ для того, чтобы задуматься об управлении?
  • Являются ли данные, которые мы собираем для инициатив в области ИИ, в первую очередь конфиденциальными или потенциально противоречивыми?
  • Должны ли мы сотрудничать с поставщиком, ориентированным на корпоративное управление, или искать возможность использовать инструмент, который учитывает управление, но имеет другое основное ценностное предложение (например, Calypso, TakTile и DataRobot)?
  • Является ли эта работа, в большей степени ориентированной на услуги, на основе общих данных и передовых технологий, которые мы должны выполнять собственными силами, или что-то, с чем продукт может существенно помочь?
  • Мы уже можем представить или определить, где наш ИИ может быть предвзятым, но могут ли другие помочь нам существенно устранить эту предвзятость автоматизированным способом?
  • Как часто нам нужно будет инвестировать в инициативы и инструменты управления? Годовая подписка? После каждого изменения компании, такого как приобретение или расширение рынка?

Все эти вопросы сохранятся, и на них нужно будет ответить вдумчиво, чтобы этот сегмент ИИ перешел мост между шумихой и внедрением. В то время как призраки долгосрочного риска и призывы к этике иногда находят отклик у предприятий, которые в конечном итоге представляют собой просто скопление сотрудников, объединенных общим набором коммерческих целей, они должны сочетаться с другими предприятиями, чтобы привлечь крупные инвестиции.

4. Значительные возможности ИИ существуют в улучшении организационной структуры.

Одним из самых ярких признаков приверженности предприятия искусственному интеллекту является его организационная структура. Но мои беседы показали, что предприятия борются и поэтому нуждаются в поддержке по нескольким вопросам, связанным со структурой:

  • Какая часть стратегии ИИ может быть достигнута за счет имеющихся у сотрудников навыков в области анализа данных, бизнес-аналитики и разработки программного обеспечения? Какая часть этого требует навыков специалиста по данным или инженера машинного обучения?
  • Следует ли предприятию повышать квалификацию своих технических сотрудников или в основном сотрудничать с внешними инструментами и талантами?
  • Как следует интегрировать команды ИИ с коллегами по работе в организации?
  • Как создать культуру, в которой действительно ценится потребность в ИИ, когда большинство сотрудников компании, особенно на уровне управления, не имеют этого опыта?

Некоторые из этих ответов теперь даются в продуманной форме. По мере того как некоторые предприятия перешли от парадигмы подготовки данных и моделей к производству и управлению моделями, MLOps - инструменты и методы совместной работы, соединяющие специалистов по машинному обучению с такими оперативными группами, как ИТ, - стали важной категорией ценности. Такие стартапы, как Verta, Cnvrg и Valohai теперь предлагают альтернативу предприятиям, которые исторически в основном пытались построить эти системы собственными силами. Кроме того, появились такие стартапы, как FourthBrain и Cambridge Spark, которые ускоряют повышение квалификации предприятий с помощью ИИ.

Серьезность этих вопросов организационной структуры по-прежнему будет создавать широкие возможности для сотрудничества для всех, кто может помочь предприятиям ориентироваться в них. Ответы на эти вопросы в долгосрочной перспективе определят, какие предприятия наилучшим образом используют свои возможности искусственного интеллекта.

Полезно знать об инициативах Amazon, Google, Salesforce, IBM, Microsoft, Alibaba и других в области искусственного интеллекта, а также освещении в СМИ новейших рисков или событий, связанных с финансированием стартапов, но в конечном итоге они существенно отличаются от вопросов ИИ и потребностей в меньшем количестве технологий. -первые предприятия. Страховщики, банки, автомобильные компании, компании-поставщики, розничные торговцы и поставщики медицинских услуг работают с разными данными, талантами и сроками. Их проблемы, связанные с ИИ, требуют серьезной стратегической, ручной и сервисной работы, прежде чем использовать растущий набор сложных продуктов ИИ. Они годами страдают от одних и тех же проблем с ИИ, потому что эти проблемы огромны и растут.

Все эти разговоры с предприятиями об их ИИ требуют крещендо с осознанием того, что, хотя мы, возможно, уже находимся в золотом веке ИИ, подавляющее большинство его еще впереди.