Perché dovresti pensare all'IA come a uno sport di squadra

Cosa significa pensare all'IA come uno sport di squadra? Stiamo assistendo al passaggio di progetti di intelligenza artificiale da clamore a impatto, soprattutto perché i ruoli giusti vengono coinvolti per fornire il contesto aziendale che prima mancava. L'esperienza nel settore è fondamentale; le macchine non hanno la profondità del contesto che hanno le persone e le persone hanno bisogno di conoscere l'azienda e i dati abbastanza bene per capire quali azioni intraprendere in base a informazioni o consigli emersi.

Quando si tratta di scalare l'IA, molti leader pensano di avere un problema con le persone, in particolare, non abbastanza data scientist. Ma non tutti i problemi aziendali sono problemi di data science. O almeno, non tutte le sfide aziendali dovrebbero essere lanciate al tuo team di data science. Con il giusto approccio, puoi sfruttare i vantaggi dell'IA senza le sfide che derivano dai tradizionali cicli di scienza dei dati.

Per implementare e scalare le soluzioni di intelligenza artificiale, i leader devono cambiare la mentalità dell'organizzazione per pensare all'intelligenza artificiale come a uno sport di squadra. Alcuni progetti di intelligenza artificiale richiedono un insieme diverso di persone, strumenti e aspettative per l'aspetto dei risultati di successo. Sapere come riconoscere queste opportunità ti aiuterà ad avvicinarti a progetti di intelligenza artificiale di maggior successo e ad approfondire il tuo gruppo di utenti di intelligenza artificiale, aggiungendo velocità e potenza al processo decisionale in tutta la forza lavoro. Esploriamo perché e come.

Le organizzazioni stanno democratizzando l'analisi avanzata con l'IA

L'utilizzo dell'IA per risolvere i problemi aziendali è stato in gran parte di competenza dei data scientist. Spesso i team di data science sono riservati alle maggiori opportunità e alle sfide più complesse di un'organizzazione. Molte organizzazioni hanno avuto successo nell'applicare la scienza dei dati a casi d'uso specifici come il rilevamento di frodi, la personalizzazione e altro ancora, in cui una profonda esperienza tecnica e modelli finemente messi a punto determinano risultati di enorme successo.

Tuttavia, la scalabilità delle soluzioni di intelligenza artificiale attraverso il tuo team di data science è una sfida per le organizzazioni, per molte ragioni. Attrarre e trattenere i talenti è molto costoso e può essere difficile in un mercato competitivo. I progetti di data science tradizionali possono spesso richiedere molto tempo per essere sviluppati e implementati prima che l'azienda veda il valore. E anche i team di data science più esperti e robusti possono fallire se non dispongono dei dati o del contesto necessari per comprendere le sfumature del problema che viene loro chiesto di risolvere.

Gartner® 2021 Lo stato della scienza dei dati e dell'apprendimento automatico (DSML) afferma che "la domanda dei clienti sta cambiando, con un pubblico meno tecnico che desidera applicare il DSML più facilmente, gli esperti che devono migliorare la produttività e le imprese che richiedono tempi più brevi per valorizzare i propri investimenti¹.” Sebbene possano esserci molti problemi aziendali che possono trarre vantaggio dalla velocità o dalla completezza dell'analisi che l'IA può fornire, un approccio tradizionale alla scienza dei dati potrebbe non essere sempre il miglior piano di attacco per vedere rapidamente il valore. In effetti, lo stesso rapporto di Gartner prevede che "entro il 2025, la scarsità di data scientist non ostacolerà più l'adozione della scienza dei dati e dell'apprendimento automatico nelle organizzazioni".

L'esperienza nel dominio è fondamentale per scalare l'IA in tutta l'azienda

L'intelligenza artificiale sta già aiutando a fornire funzionalità di analisi avanzate agli utenti che non hanno un background di scienza dei dati. Le macchine possono scegliere tra i migliori modelli e algoritmi di previsione e i modelli sottostanti possono essere esposti, offrendo la possibilità di ottimizzarli e assicurarsi che tutto corrisponda a ciò che l'utente sta cercando.

Queste capacità offrono ad analisti ed esperti del settore aziendale qualificati la possibilità di progettare e sfruttare le proprie applicazioni di intelligenza artificiale. Essendo più vicini ai dati, questi utenti hanno un vantaggio rispetto a molte delle loro controparti di data scientist. Mettere questo potere nelle mani di chi ha esperienza nel settore può aiutare a evitare i lunghi tempi di sviluppo, il carico di risorse e i costi nascosti associati ai tradizionali cicli di scienza dei dati. Inoltre, le persone con esperienza di dominio dovrebbero essere quelle che decidono se una previsione o un suggerimento dell'IA è anche utile.

Con processi di creazione di modelli più iterativi, di revisione e ridistribuzione, le persone con contesto aziendale possono ottenere valore dall'intelligenza artificiale più velocemente, anche implementando nuovi modelli a migliaia di utenti in pochi giorni o settimane, anziché settimane o mesi. Ciò è particolarmente efficace per quei team le cui sfide uniche potrebbero non essere una priorità assoluta per i team di data science, ma possono trarre vantaggio dalla velocità e dalla completezza dell'analisi dell'IA.

Tuttavia, è importante notare che, sebbene queste soluzioni possano aiutare a colmare il divario di competenze tra analisti e data scientist, non sostituiscono quest'ultimo. I data scientist rimangono un partner fondamentale con gli esperti aziendali per convalidare i dati utilizzati nelle soluzioni abilitate all'intelligenza artificiale. E oltre a questa collaborazione, l'istruzione e le competenze relative ai dati saranno fondamentali per utilizzare con successo questo tipo di strumenti su larga scala.

L'alfabetizzazione dei dati consente a più persone di sfruttare l'IA

La tua strategia di base sui dati gioca un ruolo enorme nel preparare la tua organizzazione al successo con l'intelligenza artificiale, ma portare soluzioni di intelligenza artificiale a più persone in tutta l'azienda richiederà una base di alfabetizzazione dei dati. Comprendere quali dati è appropriato applicare a un problema aziendale, nonché come interpretare i dati e i risultati di una raccomandazione di IA aiuterà le persone a fidarsi e ad adottare con successo l'IA come parte del loro processo decisionale. Un linguaggio condiviso dei dati all'interno dell'organizzazione apre anche più porte per una collaborazione di successo con gli esperti.

L'ultimo sondaggio globale di McKinsey sull'intelligenza artificiale ha rivelato che nel 34% delle organizzazioni ad alte prestazioni "un centro di formazione dedicato sviluppa le capacità di intelligenza artificiale del personale non tecnico attraverso l'apprendimento pratico", rispetto a solo il 14% di tutti gli altri intervistati. Inoltre, nel 39% delle organizzazioni ad alte prestazioni "ci sono canali di comunicazione e punti di contatto designati tra gli utenti dell'IA e il team di scienza dei dati dell'organizzazione", rispetto solo al 20% delle altre.

I leader possono adottare una varietà di approcci per costruire l'alfabetizzazione dei dati, da istruzione e formazione, programmi di tutoraggio, concorsi di dati per la creazione di comunità e altro ancora. Pensa a normalizzare l'accesso e la condivisione dei dati, nonché a come celebrare e promuovere i successi, gli apprendimenti e il processo decisionale con i dati.

"L'alfabetizzazione e la formazione sui dati sulla visualizzazione e sulla scienza dei dati devono essere più diffuse e insegnate prima", ha affermato Vidya Setlur, responsabile di Tableau Research. “C'è una sorta di responsabilità sociale e organizzativa che deriva dalla dipendenza dall'utilizzo dei dati. Le persone dovrebbero essere meglio attrezzate per comprendere, interpretare e sfruttare al meglio i dati perché l'IA diventerà solo più sofisticata e dovremmo essere alcuni passi avanti rispetto al gioco".

Continuare a costruire la cultura dei dati della tua organizzazione crea potenti opportunità per coltivare competenze e promuovere nuove soluzioni in tutta l'azienda. Molte organizzazioni hanno già aumentato i loro investimenti in dati e analisi negli ultimi anni, a causa dell'accelerazione della trasformazione digitale. Non è possibile pensare ai dati come a uno sport di squadra e ora abbiamo i mezzi per estendere questa mentalità all'IA.