Data science

เทียบกับบิลด์ของ AI ซื้อภาวะที่กลืนไม่เข้าคายไม่ออก: ขนาดเดียวไม่พอดีทั้งหมด

ย้อนกลับไปในเดือนธันวาคม 2017 Gartner ได้ทำการวิจัยที่คาดการณ์ว่า “โดย 2020 85% ของ CIO จะนำร่องโครงการ AI ผ่านการซื้อ สร้าง และเอาต์ซอร์ซร่วมกัน” อย่างไรก็ตาม ในขณะที่เราเปิดตัว 2021 อัตราความสำเร็จของโครงการนำร่องยังคงต่ำ การดำเนินการที่ช้าอย่างน่าผิดหวัง ซึ่งโครงการต่างๆ ใช้เวลาหลายปีกว่าจะได้ผลลัพธ์ และมักจะล้มเหลวอย่างมาก นั้นเป็นอุปสรรคต่อ AI จำเป็นต้องมีแนวทางที่รวดเร็วและมีประสิทธิภาพมากขึ้นก่อนที่เราจะสามารถเข้าสู่ยุค AI ได้อย่างเต็มที่ แต่คำถามยังคงอยู่ บริษัทต่างๆ จะเร่งการเปลี่ยนแปลง AI ของพวกเขาได้อย่างไร การสร้างคือตัวเลือกเริ่มต้น หากบริษัทตัดสินใจที่จะดำเนินการเปลี่ยนแปลง AI ผ่านความพยายามภายในองค์กร ความท้าทายประการหนึ่งคือการสร้างทีม AI อาจใช้เวลาสองสามปีในการสร้างทีมประเภทนี้ให้เป็นความสามารถหลัก ถึงอย่างนั้น ความซับซ้อนของการสร้างแอปพลิเคชัน AI ในโลกแห่งความเป็นจริงทำให้อัตราความสำเร็จต่ำ ซึ่งมักส่งผลให้ ROI ติดลบ และสำหรับเปอร์เซ็นต์เล็กน้อยที่เข้าถึงการผลิต พวกเขาไม่จำเป็นต้องทน การสร้าง AI ภายในองค์กรหมายถึงวัฏจักรการพัฒนาที่ยาวนาน โดยมีเวลาในการสร้างมูลค่าที่ยาวนานขึ้น จากรายงานของ Harvard Business Review “การแปลง AI ส่วนใหญ่ใช้เวลา 18 ถึง เดือน ให้แล้วเสร็จ โดยบางส่วนใช้เวลาถึงห้าปี” มีบริษัทขนาดใหญ่บางแห่งที่สามารถเอาชนะความท้าทายเหล่านี้ได้ พวกเขาสามารถทุ่มเททรัพยากร ทีม และเวลาเพื่อดูกรณีการใช้งาน AI ให้ผลตอบแทน ROI ที่ส่งผลกระทบในขั้นตอนการผลิต องค์กรเหล่านี้สามารถพิจารณาเปลี่ยนแปลงได้จากมุมมองของ AI เนื่องจากโมเดลของพวกเขาถูกรวมเข้ากับกระบวนการภายในและส่งผลกระทบต่อประสิทธิภาพและประสิทธิผลแล้ว ตัวเลือกการซื้อใน CIO นั้น Maria Korolov ตั้งข้อสังเกตว่า “เป็นที่ชัดเจนว่าการทำด้วยตัวเองจะไม่ได้ผล” และกล่าวถึงการเพิ่มขึ้นของ AI นอกชั้นวาง” มีข้อดีหลายประการในการซื้อซอฟต์แวร์ AI ที่วางขายทั่วไป: เวลาในการออกสู่ตลาดเร็วขึ้นโดยข้ามขั้นตอนการพัฒนา ไม่จำเป็นต้องมีทีม AI ขนาดใหญ่ เนื่องจากสามารถติดตั้งและบำรุงรักษาผลิตภัณฑ์นอกชั้นวางได้โดยไม่ต้องใช้นักวิทยาศาสตร์ข้อมูล ราคาถูกกว่า ต้นทุนการพัฒนาผลิตภัณฑ์จะถูกแบ่งระหว่างลูกค้าที่ชำระเงินรายอื่นๆ นอกจากนี้ ค่าใช้จ่ายที่เกี่ยวข้องกับอัตราความล้มเหลวสูงจะถูกตัดออก ความยืดหยุ่นที่สูงขึ้นเนื่องจากขั้นตอนการทดสอบอย่างละเอียด ซึ่งรวมถึงสถานการณ์ต่างๆ มากมาย การกระจายข้อมูล และข้อมูลการฝึกอบรม อย่างไรก็ตาม โซลูชัน AI แบบ “นอกชั้นวาง” มีปัญหาของตัวเองเนื่องจากไม่ใช่โซลูชันเดียว ขนาดพอดีทั้งหมด เนื่องจากลูกค้าที่แตกต่างกันมีข้อมูล ข้อจำกัด และกระบวนการตัดสินใจที่แตกต่างกัน โซลูชัน AI ที่เหมาะกับลูกค้ารายหนึ่งจึงไม่จำเป็นต้องเหมาะสมกับลูกค้ารายอื่น ข้อมูลแตกต่างจากลูกค้ารายหนึ่งไปอีกรายหนึ่ง แบบแผนข้อมูลและโครงสร้างของลูกค้าน่าจะได้รับการออกแบบแตกต่างกันไปตามคุณลักษณะ การกระจาย และประเภทข้อมูลที่แตกต่างกันไป ในขณะที่ยังมีค่าที่ขาดหายไปในที่ต่างๆ นอกจากนี้ กระบวนการที่แตกต่างกันยังนำไปสู่คำจำกัดความของปัญหาที่แตกต่างกัน ซึ่งหมายความว่าจำเป็นต้องปรับการคาดการณ์จากโซลูชัน AI ให้เข้ากับกระบวนการตัดสินใจของแต่ละคน ตัวอย่างเช่น ลองดูอัลกอริธึม Triage สำหรับโรงพยาบาลในช่วงการระบาดใหญ่ โรงพยาบาลบางแห่งในบางประเทศยอมรับทุกกรณีในขณะที่บางแห่งส่งผู้ป่วยไปที่ศูนย์บำบัดรักษาในชุมชนและเข้ารับการรักษาในโรงพยาบาลเฉพาะกรณีที่ร้ายแรงเท่านั้น หรือบางทีโรงพยาบาลแห่งหนึ่งที่มีเครื่องช่วยหายใจจำกัด จำเป็นต้องคาดการณ์ว่าผู้ป่วยจะต้องใช้เครื่องช่วยหายใจเร็วแค่ไหน ในขณะที่โรงพยาบาลอื่นจำเป็นต้องทำความเข้าใจความพร้อมของเตียง ICU ซึ่งหมายความว่าโซลูชัน AI จะต้องได้รับการปรับให้เหมาะสมกับเป้าหมายที่แน่นอนของลูกค้าแต่ละราย แล้วมีวิธีเก็บเกี่ยวผลประโยชน์ของทั้งสองวิธีในขณะที่จำกัดข้อเสียของแต่ละวิธีหรือไม่? การปรับแต่ง: วิธีการใหม่ในการสร้างมูลค่าด้วย AI Customization เป็นอีกแนวทางหนึ่งที่ได้รับการแนะนำให้รู้จักกับตลาด วิธีการปรับแต่งเป็นวิวัฒนาการของวิธีการซื้อที่รวมเอาบางแง่มุมของงานสร้าง ซัพพลายเออร์สร้างแพลตฟอร์มซึ่งอิงตามองค์ประกอบพื้นฐานของ AI ซึ่งอยู่เหนือโซลูชันและอุตสาหกรรมเฉพาะ จากนั้นลูกค้าสามารถใช้ประโยชน์จากแพลตฟอร์มเพื่อปรับแต่งเล็กน้อยเพื่อให้ตรงกับความต้องการของแต่ละบุคคล การปรับแต่งสำหรับแต่ละบริษัทจะทำแยกกัน ขึ้นอยู่กับความต้องการ ข้อจำกัด และข้อมูลเฉพาะ เมื่อปรับใช้เป็นโซลูชัน AI-as-a-Service มีความเป็นไปได้ที่จะมั่นใจได้ว่าโซลูชันจะทำงานในระยะยาวเนื่องจากข้อมูลและความต้องการเปลี่ยนแปลงไปตามกาลเวลา ในขณะที่ทำให้กระบวนการปรับใช้สำหรับลูกค้าง่ายขึ้น วิธีปรับแต่งเองนี้เป็นไปได้เนื่องจากมักมีความคล้ายคลึงกันพื้นฐานเมื่อพัฒนาโซลูชัน AI สำหรับปัญหาที่เหมาะกับลูกค้าที่แตกต่างกัน หนึ่งในความท้าทายที่สำคัญร่วมกันใน AI คือความเสถียรในขั้นตอนการผลิต แม้ว่าสภาพแวดล้อมในห้องปฏิบัติการจะสะอาด คงที่ และแทบไม่มีความต้องการและเหตุการณ์ที่ไม่คาดคิดมาก่อน ระบบ AI ในการผลิตนั้นซับซ้อน และต้องการเทคโนโลยีและคุณสมบัติที่หลากหลายเพื่อให้ทำงานได้อย่างถูกต้อง มีเทคโนโลยีหลักที่ต้องพัฒนาเพื่อสร้างโซลูชัน AI ที่ทำงานในการผลิต เช่น เทคโนโลยีในการจัดการข้อมูลที่มีป้ายกำกับจำนวนน้อยมาก เทคโนโลยีเพื่อทำให้ระบบมีเสถียรภาพภายใต้ไดนามิกของข้อมูลและเทคโนโลยีในโลกแห่งความเป็นจริงเพื่อให้เป็นไปตามกฎระเบียบและสร้างความไว้วางใจ . เทคโนโลยีประเภทนี้จะต้องรวมเข้ากับระบบ AI เพื่อเข้าถึงการผลิตและสร้างมูลค่าทางธุรกิจที่มีความหมาย หลังจากสร้างเทคโนโลยีเหล่านี้แล้ว ก็มีความสามารถที่จะทำซ้ำตัวเองเมื่อแก้ไขกรณีการใช้งานต่างๆ เช่น การตรวจจับความผิดปกติ การจัดประเภทข้อความ การตรวจจับภาพ การรู้จำคำพูด และอื่นๆ การซื้อโซลูชันที่พัฒนาความสามารถที่เหมาะสมแล้วทำให้สามารถนำไปใช้งานได้เร็วขึ้น วิธีการที่กำหนดเอง เมื่อสร้างอย่างถูกต้องเพื่อฝึกความสามารถอีกครั้งสำหรับข้อมูลลูกค้า ความต้องการ และข้อจำกัด จะมอบความยืดหยุ่นในปริมาณที่จำเป็น พารามิเตอร์ต่างๆ เช่น เวลาประมวลผล ความรำคาญของข้อมูล ระดับการควบคุม การกระจายข้อมูลที่หลากหลาย และอื่นๆ อีกมากมาย สามารถปรับแต่งได้อย่างรวดเร็วและง่ายดายภายในโซลูชันอัลกอริธึมที่มีประสิทธิภาพอยู่แล้ว ตัวอย่างเช่น การตรวจสอบด้วยภาพด้วย AI ในการผลิตจะแตกต่างกันไปตามความต้องการของลูกค้า แม้ว่าลูกค้ารายหนึ่งจะใช้ประโยชน์จาก AI เพื่อตรวจจับความผิดปกติในการผลิต แต่อีกรายหนึ่งจะตรวจจับข้อบกพร่องที่กำหนดไว้ล่วงหน้าประเภทต่างๆ การสร้าง การซื้อ และการปรับแต่งล้วนมีประโยชน์โดยขึ้นอยู่กับขนาดขององค์กร ความเป็นผู้นำ และผลิตภัณฑ์หลักที่นำเสนอ ไม่ว่าคุณจะเลือกตัวเลือกใด ในการปรับใช้ AI ให้ประสบความสำเร็จเมื่อเวลาผ่านไป สิ่งสำคัญคือต้องปรับใช้แพลตฟอร์มหลักเดียวกันในโซลูชันต่างๆ ซึ่งช่วยให้ AI มีประสิทธิภาพและประสิทธิผลมากขึ้น เกี่ยวกับผู้เขียน นุริท โคเฮน อิงเกอร์ รองประธานฝ่ายผลิตภัณฑ์ BeyondMinds นุฤตเป็นผู้กำหนดและขับเคลื่อนกลยุทธ์ผลิตภัณฑ์และวงจรชีวิตของบริษัท ควบคู่ไปกับการพัฒนาและจัดการทีมผู้จัดการผลิตภัณฑ์และนักออกแบบที่เข้มแข็ง นำประสบการณ์มากกว่า 22 ปีในระบบสารสนเทศ นุฤต อดีต Chief Data Officer ใน IDF มีประวัติด้านดิจิทัลและการแปลงข้อมูล การสร้าง โซลูชัน AI ตั้งแต่แนวคิดไปจนถึงการผลิต การจัดการนวัตกรรม การวางแผนเชิงกลยุทธ์ และการจัดการโครงการซอฟต์แวร์ นูริทสำเร็จการศึกษาระดับปริญญาโทด้านวิทยาการคอมพิวเตอร์ที่เน้นด้านปัญญาประดิษฐ์จากมหาวิทยาลัย Bar Ilan และปริญญาโทบริหารธุรกิจจากมหาวิทยาลัยเทลอาวีฟ ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • ธุรกิจ
  • วิทยาศาสตร์ข้อมูล
  • การตลาดดิจิทัล

  • ตลาดการค้า
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button