Поскольку организации все больше инвестируют в инициативы в области искусственного интеллекта (ИИ), большинство из них не достигают своих целей.

Мы спросили профессора Массачусетского технологического института Юссефа Марзука, какие факторы могут сдерживать компании от более быстрого и широкого внедрения и влияния машинного обучения. Марзук является содиректором Центра вычислительной техники Массачусетского технологического института и директором Лаборатории аэрокосмического вычислительного проектирования Массачусетского технологического института. Он также является одним из ведущих преподавателей онлайн-программы MIT xPRO Машинное обучение, моделирование и симуляция: решение инженерных задач в эпоху ИИ.

Марзук считает, что наряду с затратами и организационной инерцией еще одним серьезным препятствием является ограниченность знаний и навыков в области ИИ. Согласно опросу 2021 Genpact и MIT Sloan CIO Symposium, в котором приняли участие более 500 ИТ-директоров, 49% говорят, что у них недостаточно талантов в своих компаниях, и полагаются на внешних поставщиков помощи в найме сотрудников, имеющих опыт работы с ИИ и облачные системы. Хотя наем для восполнения пробелов в возможностях ИИ важен, профессор Марзук видит явное преимущество в том, чтобы также развивать знания и навыки ИИ среди ваших нынешних сотрудников.

ИИ — это не волшебная пыль, — говорит Марзук. «Мы уже видели, что продуманное применение машинного обучения может привести к положительным результатам в бизнесе. Но чтобы реализовать его потенциал, мы должны помочь людям понять, «что такое машинное обучение, а что нет, и как лучше всего применить его в своем бизнесе. Пришло время расширить эти знания за пределы специалистов по данным и демистифицировать машинное обучение для всей организации».

— Профессор Юссеф Марзук, директор Лаборатории аэрокосмического вычислительного проектирования Массачусетского технологического института, ведущий инструктор онлайн-программы xPRO Массачусетского технологического института Машинное обучение, моделирование и симуляция: решение инженерных задач в эпоху ИИ

Вот три способа, которые профессор Марзук рекомендует организациям, которые хотят лучше подготовить своих сотрудников к масштабированию и оптимизации инициатив в области искусственного интеллекта и машинного обучения.

Освойте в своей организации словарь искусственного интеллекта и машинного обучения

Идеи о том, как использовать инструменты ИИ, могут исходить от любой функции или уровня организации, если они понимают, что это возможно. Понимание этих инструментов не должно жить только в технических группах. Вместо этого каждый должен иметь базовое представление о возможностях и потенциале ИИ.

Среднестатистический нетехнический профессионал может быть не в состоянии подробно поговорить с специалистом по данным о параметрах пилотного проекта по машинному обучению. Если профессионалы в разных организациях изучают общий язык, это откроет содержательный диалог и сотрудничество, необходимые для достижения успешных, целостных и устойчивых результатов.

Развивайте возможности искусственного интеллекта у экспертов в своей области и приближайте ученых к бизнесу

Применение ИИ для воздействия требует определенного уровня сложности в том, как применять инструменты для положительного влияния на бизнес. Это возможно только в том случае, если вы сочетаете отраслевые и предметные знания с пониманием ИИ. Марзук предполагает, что настоящий прогресс происходит, когда люди немного понимают и то, и другое.

Предоставление обучения на рабочем месте навыкам ИИ для бизнес-экспертов или экспертов в предметной области может привести к более убедительным бизнес-обоснованиям для действий, а также может помочь командам выявить проблемы на раннем этапе, чтобы проекты были более успешными.

По словам Марзука, «когда дело доходит до машинного обучения, вы хотите, чтобы ваша команда ценила эту технологию и относилась к ней со здоровым скептицизмом. Нельзя слепо доверять каждому результату. Сделанные выводы должны быть интерпретированы кем-то, кто имеет опыт в предметной области».

Эксперты предметной области могут задать такие вопросы, как:

  • Насколько достоверны результаты нашего анализа?
  • Соответствуют ли полученные результаты техническим знаниям и данным, которые у нас уже есть?
  • Сколько будет стоить получение результата?

Создайте свой набор инструментов для машинного обучения с использованием лучших отраслевых практик

При инициировании проекта искусственного интеллекта или машинного обучения начинание с малого может оказать положительное влияние. Сбор, обработка, передача и интерпретация данных являются ключевыми шагами для организаций, которые хотят продвинуть свои проекты ИИ после проверки концепции.

«Тяжело двигать корабль и бросать вызов статус-кво, поэтому компании, занимающиеся ИИ, начинают с небольших учений и пилотов», — говорит Марзук. «Как только небольшие проекты работают, они переводятся в другие приложения и переходят в широкое производство».

Как правило, подготовка набора данных занимает больше времени, чем фактическое применение машинного обучения. По этой причине разработка и поддержка передовых методов очистки данных и загрузки моделей так же важны, как и сама модель. Более того, командам, внедряющим ИИ и инструменты машинного обучения, также потребуются важнейшие нетехнические навыки для интерпретации и передачи результатов, чтобы обеспечить быстрое уточнение цикла и принятие мер.

«Подготовка более информированных пользователей и клиентов для инструментов ИИ в организации — это то, что создает позитивный «толкай и тяни» для этой технологии — двусторонний диалог между бизнесом и лидерами ИИ, необходимый для наилучшего использования этих инструментов». говорит Марзук.

Независимо от того, являетесь ли вы индивидуальным участником или руководителем, экспертом в предметной области или техническим специалистом, понимание ключевых концепций и приложений ИИ и машинного обучения посредством онлайн-обучения сотрудников — это первый шаг к тому, чтобы ваши проекты вышли за рамки идей и стали значимыми.

Если вы или ваша организация готовы приступить к работе или усовершенствовать свою следующую инициативу в области искусственного интеллекта и машинного обучения, присоединяйтесь к профессору Марзуку в грядущей онлайн-программе MIT xPRO Машинное обучение, моделирование и симуляция: решение инженерных задач в эпоху ИИ.

Первоначально опубликовано на https://curve.mit.edu.