Avmystifiera AI: Skalar AI för att utnyttja sin verkliga potential

New Delhi | 29 september 2020 14:05:29

Automation och AI, avmystifiering av AI, AI-skalning, artificiell intelligens, antagande av en portföljbaserad implementeringsstrategi, byggande av en robust datastrategi, effektivisering av AI-styrning och policyer

Av Ravi Mehta, partner; Sushant Kumaraswamy, regissör; Vedant Agarwal, biträdande direktör och Akshay Kumar, seniorkonsult, Deloitte Indien

En av de största paradoxerna i implementeringen av artificiell intelligens (AI) är att medan de flesta (84% av C-Suite Leaders1) tror att skalning av AI är ett viktigt strategiskt imperativ för deras organisation, men väldigt få (16% av C-Suite Leaders1) har lyckats gå längre än pilotfasen i sin AI-implementeringsresa. Det är uppenbart att strategierna som gjorde företag framgångsrika i “pilot” -fasen inte fungerar i “skala upp” -fasen och därför måste ledare utforma en annan strategi för att framgångsrikt skala upp AI i sina organisationer. AI är en komplex “portfölj” av flera typer av tekniker (t.ex. NLP – Natural Language Processing, ML – Machine Learning) och var och en av dessa typer av tekniker har sina egna “möjligheter sweet spot” såväl som deras unika implementeringsrytmer, utmaningar och krav. Dessutom tenderar företag och processer oftast att vara hyperfragmenterade i dessa dagar och därför blir implementering av AI i stor skala över flera affärsenheter och funktioner en mycket invecklad och komplex övning. Företagen kan ta en trekantig metod för att lösa komplexiteten i samband med att öka AI i sina organisationer – 1) Anta en portföljbaserad implementeringsmetod 2) Bygga en robust datastrategi 3) Effektivisera AI-styrning och policyer.

Anta en portföljbaserad implementeringsstrategi: Normalt antar företag antingen en strategi med “låghängande frukter” eller en “big bang” -strategi. Eftersom AI inte är en ‘monolitisk’ teknik utan en ‘portfölj’ av teknologier kan företag ha nytta av att anta en ‘portföljbaserad strategi för AI-implementering. I detta tillvägagångssätt kan företag konstruera en “projektportfölj” (liknar en “aktieportfölj”) där få processer kan vara “snabba vinster” medan andra kan vara “stora vinster”. Antagandet av detta tillvägagångssätt hjälper företag att få det bästa av två världar – inse några tidigt påvisbara fördelar samt lära sig några viktiga lärdomar om användbarheten av dessa AI-tekniker i det unika sammanhanget för deras organisation. Ett annat viktigt övervägande är att skapa en hälsosam pipeline för usecase genom att gifta sig med teknologifunktioner med processkrav över flera affärsenheter, regioner och funktioner (till exempel när en organisation har skapat en effektiv fakturaläsningslösning i pilotfasen, då måste lösningen skalas upp snabbt över affärsenheter för att maximera fördelarna).

Läs också: Avmystifiera AI: Kan människor och AI samexistera för att skapa en ‘hyperproduktiv’ HumBot-organisation?

Bygga en robust datastrategi: Data är maten för ett framgångsrikt AI-program. Utan rätt typ, kvalitet och datavolym är alla AI-program underhållna och får slutligen misslyckas. Enligt Deloittes senaste undersökning ‘State of AI in the Enterprise’ identifierade 33% av cheferna datarelaterade utmaningar bland de tre viktigaste problemen som hämmar deras företags AI-initiativ. Specifikt finns det två kritiska aspekter av ‘Data Strategy’ (‘Data Generation’ och ‘Data Governance’) som är kritiska för AI-program. För många företag är ‘Data Generation’ fortfarande inte ett fokuserat initiativ och därför får många AI-program inte rätt data vid rätt tidpunkt. Dessutom hjälper ‘Data Governance’ att skapa mer tydlighet i dataägande och dataanvändning i en tvärvetenskaplig och multi-projektteammiljö. Till exempel har en ledande telekom-major implementerat en omfattande datastrategi som hjälpte dem att påskynda AI-implementeringen och uppnå bättre resultat.

Läs också: Resan som organisationer bör utgå för att förverkliga AI: s sanna potential

Effektivisering av AI-styrning och policyer: AI, till skillnad från de flesta andra tekniker, lär sig vanligtvis över tiden och har därmed ett mycket mer kalibrerat svar på definitionen av “framgång” i olika stadier under implementeringsresan. Medan företagen i de flesta teknikimplementeringsprogram vanligtvis går in i en “hyper care and stabilization” -fas efter produktion, måste företagen komma in i en “förbättrad inlärnings- och förfiningsfas” i fall av AI-program. Dessutom måste företagen se till att de följer sina egna organisationspolicyer och andra nationella och internationella regler (t.ex. GDPR för datasekretess och säkerhet). Därför måste företagen skapa en robust “passande för ändamålet” styrningsmodell och ram för riskkontroll (t.ex. vilka roller kommer AI och människor att spela i en kundinriktad process?) För att implementera AI-program i stor skala. En viktig del av denna styrningsmodell är att tydligt definiera rollerna och tilldela rätt ledare för nyckelrollerna (t.ex. företag kan tänka sig att skapa en roll som ‘AI Adoption Leader’ för att ge ett definierat ansvar för att öka AI-antagandet i organisationen) .

Läs också: Automation och AI i ett föränderligt affärslandskap

AI lovar att förändra hur människor lever och arbetar. Denna stora förändring är dock beroende av att många viktiga saker (som beskrivs ovan) händer framgångsrikt vid rätt tidpunkt. Företagen måste gräva djupt och ta några djärva beslut för att förbereda marken för AI-program för att skala upp och lyckas i sina organisationer. Insatserna är stora, utmaningarna är större, men den mänskliga anden har förmågan att sväva över utmaningarna och hitta sätt att lyckas i de mest utmanande situationerna.

© IE Online Media Services Pvt Ltd.

Relaterade Artiklar

Back to top button