Varför du bör se på AI som en lagsport

Lär dig att skala AI-baserade lösningar i hela verksamheten genom att utnyttja domänexpertis istället för att överbelasta dataforskarna.

Redaktörens anmärkning: Den här artikeln publicerades ursprungligen i Forbes.

Vad innebär det att se på AI som en lagsport? Vi ser hur AI-projekt går från att vara hajpade till att bli effektiva. Det beror till stor del på att rätt roller är med och tillför den verksamhetskontext som tidigare saknats. Domänexpertis är nyckeln. Maskiner har inte samma djupa förståelse för kontext som vi har. Dessutom måste vi känna till verksamheten och datan tillräckligt väl för att kunna vidta åtgärder utifrån de insikter och rekommendationer som visas.

När det gäller att skala AI tror många företagsledare att de har brist på folk – i synnerhet brist på data scientists. Men alla affärsproblem handlar inte om data science. Åtminstone bör inte varje affärsutmaning automatiskt skickas till data science-teamet. Med rätt strategi kan du dra nytta av fördelarna med AI utan de utmaningar som följer med traditionell data science.

För att kunna driftsätta och skala AI-lösningar måste företagsledare ändra tankesättet i organisationen och se AI som en lagsport. Till en del AI-projekt behövs andra människor, verktyg och förväntningar på hur framgångsrika resultat ska se ut. När du kan identifiera sådana möjligheter kan du skapa mer framgångsrika AI-projekt, bredda gruppen av AI-användare och snabba upp och förstärka beslutsfattandet hos alla medarbetare. Låt oss utforska hur och varför.

Organisationer demokratiserar avancerad analys med hjälp av AI

Att använda artificiell intelligens för att lösa affärsproblem har till stor del varit en uppgift för data scientists. Ofta sparar man data science-teamen till organisationens största möjligheter och mer komplexa utmaningar. Många organisationer har med framgång använt data science i specifika fall som bedrägeridetektering, personalisering med mera. Där har breda tekniska kunskaper och förbättrade modeller gett enormt framgångsrika resultat.

Men att skala AI-lösningar i hela data science-teamet är av många anledningar en utmaning för organisationerna. Det är väldigt dyrt att locka till sig och behålla kompetens och det kan vara svårt på en konkurrensutsatt marknad. Traditionella data science-projekt kan ofta ta lång tid att utveckla och driftsätta innan man ser ett värde av det i verksamheten. Även det mest erfarna, stabila data science-teamet kan misslyckas om de saknar nödvändig data eller kontext för att förstå nyanserna i ett problem som de ombetts att lösa.

2021 års Gartner®-rapport The State of Data Science and Machine Learning (DSML) förklarar att ”kundernas efterfrågan förändras eftersom mindre tekniskt kunniga målgrupper vill använda DSML på ett enklare sätt, experter behöver förbättra sin produktivitet och företag vill ha kortare tid till värde i sina investeringar.” Även om det kan finnas många affärsproblem som har nytta av den snabbhet och noggrannhet i analyser som AI kan ge, är en traditionell data science-metod inte alltid det bästa sättet att snabbt uppnå värde. Samma Gartner-rapport förutspår faktiskt att ”år 2025 kommer bristen på data scientists inte längre att hindra att datavetenskap och maskininlärning används i företag.”

Domänexpertis är avgörande för att skala AI i hela verksamheten

AI bidrar redan till att ge avancerade analysfunktioner till användare som inte har en bakgrund inom data science. Maskiner kan välja bland de bästa prognosmodellerna och algoritmerna och underliggande modeller kan exponeras. Det ger möjlighet att justera dem och se till att allt stämmer med vad användaren söker.

Dessa funktioner ger analytiker och kvalificerade affärsområdesexperter möjlighet att utforma och utnyttja sina egna AI-program. Dessa användare har en fördel jämfört med många motsvarande data scientists genom att de är närmare datan. Genom att lägga den här kraften i händerna på personer med domänexpertis kan du undvika de långa utvecklingstiderna, resursbördan och de dolda kostnaderna som förknippas med traditionella data science-metoder. Dessutom bör just personer med domänexpertis vara de som bestämmer om en AI-prognos eller -rekommendation ens är användbar.

Med en mer iterativ process för modellutveckling, som kan omprövas och återanvändas, kan personer med verksamhetskontext snabbare få ut värde från AI. De kan till och med distribuera nya modeller till tusentals användare inom några dagar eller veckor, istället för veckor eller månader. Detta är särskilt effektivt för team vars unika utmaningar kanske inte är en hög prioritet för data science-teamen, men som kan dra nytta av hastigheten och noggrannheten i AI-analyser.

Men det är viktigt att komma ihåg att även om dessa lösningar kan bidra till att åtgärda kompetensgapet mellan analytiker och data scientists, ersätter de inte de sistnämnda. Data scientists förblir en viktig partner till affärsexperterna i att validera data som används i AI-baserade lösningar. Utöver det samarbetet kommer utbildning och datakunskaper att vara avgörande för att framgångsrikt använda den här typen av verktyg i stor skala.

Dataläskunnighet ger flera möjlighet att utnyttja fördelarna med AI

Din grundläggande datastrategi spelar en stor roll när det gäller att förbereda din organisation för att lyckas med AI, men för att få ut AI-lösningar till fler personer i verksamheten krävs grundläggande dataläskunnighet. Att förstå vilken data som är lämplig att använda i ett affärsproblem och hur man tolkar datan och resultaten av en AI-rekommendation hjälper människor att lita på och använda AI som en del av sitt beslutsfattande. Ett gemensamt dataspråk inom organisationen öppnar också dörren för ett framgångsrikt samarbete med experter.

McKinseys senaste globala undersökning om AI visade att 34 % av de högpresterande organisationerna har ”ett särskilt utbildningscenter som utvecklar AI-kompetensen hos icke-tekniska medarbetare genom praktiskt lärande” jämfört med endast 14 % av övriga deltagare. Dessutom finns det i 39 % av de högpresterande organisationerna ”särskilda kommunikationskanaler och kontaktpunkter mellan AI-användare och organisationens data science-team” jämfört med endast 20 % av de övriga organisationerna.

Företagsledare kan använda många olika metoder för att främja dataläskunnighet, bland annat utbildning, träning, mentorprogram eller datatävlingar som stärker communityt. Tänk på att normalisera tillgång till och delning av data samt hur ni firar och främjar framgång, lärdomar och beslutsfattande med hjälp av data.

”Datakompetens och utbildning om visualisering och data science måste bli mer utbredd och läras ut tidigare”, menar Vidya Setlur, chef för Tableau Research. ”Det finns ett slags socialt och organisatoriskt ansvar som följer med behovet av att använda data. Människor bör ha bättre förutsättningar att förstå, tolka och utnyttja data på bästa sätt, eftersom AI bara kommer att bli mer sofistikerad, och vi behöver ligga steget före.”

Genom att fortsätta bygga organisationens datakultur skapas stora möjligheter att utveckla kunskaper och nya lösningar i hela verksamheten. Med den allt snabbare digitala transformationen har många organisationer under de senaste åren redan ökat sina investeringar i data och analys. Det är inte svårt att se data som en lagsport – och nu har vi möjlighet att även låta AI omfattas av det tankesättet.

Vill du veta mer?

Utforska Tableaus lösningar för AI-analys.
Läs vår artikel på temat: Achieve AI success with a people-first data strategy (Framgångsrik AI med en människocentrerad datastrategi).
Läs om vårt åtagande att ge 10 miljoner människor datakompetens inom fem år.