Konieczne działania pozwalające zakończyć sukcesem wdrożenie AI

Prognozy analityków rynku IT wskazują, iż napędzana ogromną ilością danych sztuczna inteligencja może sprawić, że do 2030 roku światowa gospodarka zyska prawie 16 bln USD. Natomiast eksperci Gartnera uważają, że augmentacja z wykorzystaniem AI (połączenie człowieka ze sztuczną inteligencją) pozwoli już w 2021 roku „oszczędzić” przez pracowników nawet 6,2 mld roboczogodzin. Te optymistyczne prognozy nie przekładają się jednak na szybsze wdrażanie AI w organizacjach, a – jak wskazują badania – nawet 81% szefów firm nie rozumie danych oraz infrastruktury wymaganej na potrzeby jej implementacji.

Raport „Drabina AI” autorstwa Roberta D. Thomasa, dyrektora generalnego działu IBM Data and Artificial Intelligence, wyjaśnia jak skutecznie wykorzystywać sztuczną inteligencję, aby poprawić przewidywalność, automatyzację i optymalizację biznesu. Jego zdaniem, przygotowanie do przebycia drogi zmierzającej do wdrożenia sztucznej inteligencji, dobrze jest rozpocząć od poznania głównych wyzwań, z którymi trzeba będzie się zmierzyć. Autor raportu uważa, że organizacje powinny przede wszystkim lepiej zrozumieć problemy biznesowe, które chcą rozwiązać, zadać właściwe pytania, a także określić, czy AI to rzeczywiście odpowiednie narzędzie do realizacji ich celów.

Najważniejsze problemy związane z wdrożeniem AI

Kolejnym, istotnym krokiem jest „opanowanie” danych napędzających sztuczną inteligencję. Kluczową sprawą bowiem jest ich jakość, a z tym zagadnieniem problem ma nawet 60% organizacji – wynika z raportu Forrester „Predictions 2019: Artificial Intelligence”. I tak, przedsiębiorstwa mogą mieć danych zbyt mało, za dużo lub też posiadać je złej jakości. Tymczasem dobre, uporządkowane dane są niezbędne do wytrenowania modeli uczenia maszynowego, a następnie do prawidłowego funkcjonowania procesów biznesowych opartych na algorytmach sztucznej inteligencji.

Kolejny problem, z jakim zmagają się organizacje, to brak odpowiednich umiejętności. Technologia AI wymaga, aby nawet najbardziej doświadczeni inżynierowie oprogramowania uczyli się zasad programowania praktycznie od nowa. Proces „szkolenia” modelu AI jest bowiem czasochłonny i nie pozwala na łatwe stosowanie zwykłych schematów tworzenia oprogramowania opartych na ciągłej integracji i wdrażaniu. Niestety, trudność polega też na tym, że na rynku brakuje obecnie specjalistów z tego zakresu.

Więcej na temat wyzwań związanych z wdrażaniem sztucznej inteligencji można dowiedzieć się z wystąpień ekspertów podczas konferencji IBM „Data and AI Virtual Forum Poland”:
https://www.ibm.com/pl-pl/campaign/data-ai-forum

Jak czytamy w raporcie, przy wdrażaniu rozwiązań AI pojawia się także problem wiarygodności. „Niezwykle ważne jest, aby można było w pełni śledzić zalecenia przedstawiane przez AI oraz podejmowane przez nią decyzję” – uczula Rob Thomas. Taki monitoring należy bezwzględnie prowadzić przez cały czas po wdrożeniu.

Ostatnie wyzwanie wiąże się ze zmianą modelu kulturowego i biznesowego, który jest wymagany, aby móc w pełni wykorzystać możliwości, jakie zapewnia AI. Technologia ta bowiem, nie tylko poprawia istniejące procesy, ale umożliwia przemyślenie ich jeszcze raz i wykorzystanie w zupełnie nowy sposób, a to wiąże się z kolei z koniecznością transformacji całej kultury biznesowej.

Firma IBM stworzyła kolejne „szczeble” tytułowej drabiny (rysunek 1), aby umożliwić organizacjom odnalezienie etapu na jakim się znajdują w drodze do AI, a także po to, aby zapewnić strukturę, która pomoże im określić, na jakich działaniach powinny się skupić. Ma ona także pomóc w dokonaniu transformacji działalności, poprzez odkrywanie czterech kluczowych obszarów: sposobu gromadzenia danych, ich porządkowania, analizowania oraz wdrażania AI.

Szczebel 1: modernizacja architektury danych

Jednak, jak podkreśla twórca raportu, przed wejściem na pierwszy stopień drabiny konieczne jest zmodernizowanie architektury danych, tak aby zapewnić elastyczność i możliwości wyboru w całej organizacji. Wiąże się to z zastosowaniem platform hybrydowych, pozwalających wykorzystywać dane i aplikacje w dowolnej chmurze – zarówno prywatnej, jak i publicznej – za pośrednictwem kontenerów. „Dokonując modernizacji architektury danych na potrzeby AI i środowisk wielochmurowych, organizacje dostrzegą, że rozszerzenie wpływu sztucznej inteligencji w całej organizacji wymaga mniejszej ilości prac” – przekonuje Rob Thomas. „Zatem wprowadzając elastyczną platformę, z natywną obsługą rozwiązań cloud computing, organizacje są w stanie z powodzeniem przygotować dane na potrzeby algorytmów AI, wdrożyć filozofię open source i wyposażyć zespoły w narzędzia” – dodaje.

Szczebel 2: gromadzenie danych, aby były proste i łatwo dostępne

Po zmodernizowaniu architektury organizacja musi sprawić, aby jej dane były proste i łatwo dostępne. Jak tego dokonać? Choćby poprzez skorzystanie ze wszystkich ich typów, nie ograniczając się do jednego źródła, a więc wykorzystując dane zarówno ustrukturyzowane, jak i nieustrukturyzowane. Kolejnym sposobem będzie inwestowanie w narzędzia do zarządzania danymi oparte na algorytmach AI, które zapewnią organizacjom wiele możliwości translacji zapytań na potrzeby różnych dostawców, języków, lokalizacji i struktur. Z kolei hybrydowa strategia zarządzania danymi jest nie tylko w stanie sprostać niektórym obecnym wyzwaniom związanym z jakością danych, ale także może zapewnić dostęp do większej ilości danych w celu napędzania bardziej inteligentnej AI.

Szczebel 3: porządkowanie danych, czyli stworzenie fundamentu do analiz

W wyniku rewolucji chmurowej oraz mobilnej – która wiąże się ze znaczącym wzrostem ilości generowanych danych – wiele organizacji nie wie jakie dane posiada, gdzie się one znajdują, przez jakie procesy są wykorzystywane i jak przestrzegać przepisów oraz regulacji ich dotyczących. Dlatego, aby pokonać kolejny stopień drabiny, należy określić, czy dane są gotowe do wykorzystania. W kolejnym etapie należy je uporządkować i skatalogować tak, aby zapewnić informacje na temat źródła, właściciela, metadanych z kontekstem biznesowym itp. Firmy muszą też mieć pewność, że dostęp do danych posiadają tylko użytkownicy z odpowiednimi uprawnieniami.

Według Roberta D. Thomasa, porządkowanie danych w taki sposób, aby tworzyć z nich wiarygodny fundament do analiz, należy robić poprzez: koncentrację na przygotowaniu i jakości danych (DataOps i AI), odpowiednie zarządzanie jeziorem danych (Data Lake), modernizację aplikacji, zapewnianie prywatności i zgodności danych z przepisami oraz opracowanie kompleksowych spostrzeżeń opartych na zebranych informacjach. „Szefowie firm nie mogą polegać na AI, jeśli nie mają pewności, że wykorzystywane przez nią dane są wiarygodne, kompletne i spójne. Dane to podstawa, a ich jakość ma bezpośredni wpływ na wyniki zapewniane przez wykorzystywaną sztuczną inteligencję. Właśnie dlatego AI jest tylko tak dobra jak Twoje dane” – podkreśla Rob Thomas.

Szczebel 4: analizowanie, czyli budowanie i skalowanie systemu AI

W celu zbudowania modeli sztucznej inteligencji od podstaw – oraz zeskalowania ich w ramach całej działalności – organizacje potrzebują możliwości obejmujących cały cykl życia AI. I tak, jak wynika z raportu, bardzo ważne jest, aby firmy budowały modele na potrzeby predykcji, wykorzystując odpowiednie algorytmy. Po zbudowaniu takiego modelu należy wdrożyć go w ramach aplikacji lub procesu biznesowego, a zaraz potem pojawia się pytanie: jak można go zeskalować z wiarygodnością i transparentnością?

”Przedsiębiorstwa potrzebują narzędzia, które jest w stanie nie tylko zarządzać takimi środowiskami, ale także wyjaśnić, w jaki sposób modele dokonały predykcji i skalować je w ramach całej organizacji. Dzięki temu mogą śledzić, kto zmienił model, kiedy został on wdrożony, a także poznać jego pochodzenie. Śledzenie tych wszystkich informacji pozwala organizacjom upewnić się, że w ich modelach nie ma błędów systematycznych oraz że są one przejrzyste i dają się wytłumaczyć” – czytamy w raporcie. Zatem jeżeli organizacja nie zapewni wpierw wiarygodności i przejrzystości AI, nie będzie nigdy w stanie prawdziwie zeskalować jej w ramach wszystkich swoich schematów pracy.

Szczebel 5: wprowadzenie, czyli AI w całej działalności

Ostatni szczebel drabiny odnosi się do zdolności zastosowania AI w całym przedsiębiorstwie. W wielu przypadkach wymaga to od organizacji opracowania całkowicie nowych schematów pracy i procesów biznesowych w każdym jej dziale. Przykładów wykorzystywania rozwiązań sztucznej inteligencji przez firmy z różnych branż jest całe mnóstwo. Mogą to być choćby pomagające klientom całodobowo inteligentne chatboty. Za pomocą AI można też skanować i porównywać ogromne ilości dokumentów w celu zrozumienia zależności, przydatnych danych oraz rozbieżności, których człowiek nigdy by nie dostrzegł. W ten sam sposób algorytmy sztucznej inteligencji radzą sobie przy wyszukiwaniu potrzebnych informacji z różnorodnych danych marketingowych. Wykorzystanie tej technologii przekłada się także na wzrost wydajności całego łańcuch dostaw. Przykłady można mnożyć w nieskończoność. Generalnie sztuczna inteligencja pozwala automatyzować i optymalizować procesy na całkowicie nowe sposoby, a także uwalniać nową wartość dla biznesu.

„Trzeba jednak pamiętać, że AI to nie magia. To ciężka praca. W celu wyeliminowania problemów, z jakimi zmagają się firmy na drodze do skutecznego wdrożenia AI, w całej organizacji konieczne są więc właściwe narzędzia, metodologie i sposoby myślenia” – podkreśla Rob Thomas. I choć na rynku nadal silne są obawy, że technologia ta zastąpi w przyszłości pracowników, to rzeczywistość wygląda następująco: „AI nie zastąpi managerów. To raczej managerowie, którzy korzystają z AI, zastąpią tych, którzy tego nie robią” – podsumowuje.

Raport „Drabina AI” można pobrać pod adresem: https://www.ibm.com/account/reg/pl-pl/signup?formid=urx-43421