Определение и внедрение приложений для искусственного интеллекта (ИИ) — бизнес-архитектура, основанная на данных.
Как определить и правильно внедрить приложения для ИИ на предприятиях
Искусственный интеллект (ИИ) имеет множество практических приложений для бизнеса. Думайте об ИИ как о более широкой структуре, которая обеспечивает различные возможности. Компании, внедряющие искусственное осеменение, должны пересмотреть свое видение и разработать стратегию искусственного осеменения, согласующуюся с их более масштабными целями и задачами. Для реализации, основанных на данных случаях использования является основным требованием. Кроме того, с самого начала должна быть выбрана гибкая и модульная архитектура, которая в будущем может быть расширена и усовершенствована по желанию.
Если вы уже читали первую часть серии «Руководство по искусственному интеллекту», вы знаете, почему ИИ необходим для эффективной обработки данных и какие семь компонентов включают в себя «Когнитивное предприятие», компанию, использующую ИИ.
Искусственный интеллект имеет множество практических приложений для бизнеса и используется сегодня для усовершенствования, улучшения и изменения процессов или продуктов.
Index
Успешная система ИИ не случайна
Невозможно извлечь ценность из чего-то, если это не понятно, если только это не несчастный случай. В мире вычислений, а, следовательно, и AI, не бывает счастливых случайностей; решение по AI определяется с тщательной точностью, с учетом конкретных целей, доступных данных и используемых алгоритмов.
AI в основном имеет две основные компетенции. Одним из них является сбор информации, такой как распознавание речи и изображений, поиск и кластеризация. Это позволяет машинам преобразовывать информацию из неструктурированных данных в структурированные. Во-вторых, ИИ можно использовать для контекстуализации информации друг для друга, чтобы «понять, что происходит». Сюда входят такие возможности, как понимание естественного языка (NLU), оптимизация, прогнозирование и (контекстное) понимание.
Эти различные возможности работают последовательно и обычно также объединяются с другими технологиями (например, Роботизированная автоматизация процессов, Облачные вычисления, Интернет вещей и т.д.), образуя единую сущность. Только путем объединения различных подходов и технологий можно в полной мере использовать потенциал данных.
Основанные на данных случаи использования являются основной предпосылкой
Чтобы внедрить примеры использования ПИ, компании должны начать со своих стратегических целей и определить неотложные задачи или видение процессов/продуктов/услуг, которые необходимо решить. Существуют различные методики, такие как семинары по дизайнерскому мышлению или картирование пользовательских историй, которые могут поддержать этот процесс.
Следующим шагом является анализ выявленных областей экономической целесообразности и технической осуществимости. Только при наличии достаточного количества данных и при возможности комбинирования необходимых данных из разных систем может быть реализовано решение на основе ИИ. В противном случае управление данными должно быть заранее адаптировано к будущим требованиям.
Для лучшего обзора я рекомендую вводить результаты анализа в теплокарту ИИ или иным образом документировать информацию. С помощью этого обзора можно оценить различные варианты. Если компания решает заниматься AI-проектами, она может разработать бизнес-кейс для каждого из них.
внедрение AI
Первые шаги в решении AI могут быть сложными, так как необходимо создавать инфраструктуры и соответственно подготавливать, курировать и объединять данные. Полезно разделить большие случаи использования, такие как сквозная автоматизация основного процесса, на более мелкие случаи использования и этапы.
Может быть полезно начать с минимально пригодного для использования продукта (MVP), а затем увеличить масштаб. Создание первого компонента ИИ, каким бы малым он ни был, является важной вехой для любого бизнеса.
Рекомендуется с самого начала сосредоточиться на гибкой и масштабируемой инфраструктуре и архитектуре. Как уже было перефразировано, решение AI состоит из набора функций AI, а также других технологий, которые постоянно развиваются. Для того чтобы предприятие продолжало масштабировать решение(и) ИИ в будущем и распространить его на «когнитивное предприятие» в других областях бизнеса, следует с самого начала подумать о гибкости в его реализации.
В идеале, в системе ИИ, состоящей из нескольких компонентов, она должна позволять заменять каждый компонент для улучшения работы всей системы в целом.
Для долгосрочного успеха компании будут развивать «экосистему» для поддержки своих проектов по ИИ и автоматизации. Это должно отражать работу архитектурных групп, которые направляют связанные с АИ варианты посредством разработки и реализации, оперативной деятельности и дальнейшего масштабирования.
Дополнительные функции по управлению данными, такие как «главный сотрудник по управлению данными», также могут быть полезны. Системы ИИ построены на данных, поэтому искаженные или неподходящие данные могут повлиять на результаты или даже привести к неправильной интерпретации.
Энтузиазм ИИ окупается
Общий энтузиазм к ИИ может быть ценным для любой компании. Однако это требует открытости к инновационным технологиям и гибкой проектной методологии.
Искусственный интеллект — это марафон, а не спринт на короткой дистанции. На сегодняшний день я видел наибольшие успехи и добавленную стоимость в интеллектуальных вычислениях, когда компании шаг за шагом внедряли искусственный интеллект в свое видение и основные процессы. Когда используются экспертные знания специалистов по данным и архитектуре и параллельно создаются их собственные экосистемы.
Комментарии закрыты.