Od pilotního projektu k produkčnímu nasazení umělé inteligence

Důležité je jmenovat podnikového architekta nebo osobu s podobnou rolí, která navrhne architekturu, a zajistit, aby příslušné týmy měly samoobslužným způsobem přístup k potřebným nástrojům MLOps (DevOps pro strojové učení).

Pandemie zrychlila digitální transformaci v různých oblastech podnikání o tři až čtyři roky, protože manažeři byli nuceni investovat a digitálně modernizovat. S tím, jak se manažeři snaží budovat své digitální platformy, se umělá inteligence (AI) jeví jako skvělý nástroj pro podniky, které chtějí zvýšit efektivitu, nabídnout něco více zákazníkům, zvýšit příjmy a snížit náklady.

Jsme svědky toho, jak se umělá inteligence uplatňuje v mnoha odvětvích jako jsou finanční služby a pojišťovnictví, telekomunikace, zdravotnictví a automobilový průmysl, přičemž největší dopad mají strategie umělé inteligence, které upřednostňují lidi a procesy stejnou mírou jako technologie. Zde je pět klíčových námětů, které pomohou podnikům získat co největší hodnotu z jejich investic do AI.

1. Upřednostněte kvalitu před kvantitou
Manažeři by si měli položit otázku, které konkrétní operace by nejvíce získaly digitalizací nebo vylepšením pomocí AI, a poté vybrat jeden nebo dva projekty, na které se zaměří jako první. Například poskytovatel zdravotní péče by mohl těžit z vybudování řešení pro diagnostiku zdravotního stavu pacientů na základě dat, zatímco bankovní dům by mohl upřednostnit řešení pro odhalování podvodů při transakcích kreditními kartami.

Tyto iniciativy by měly být řádně financovány, namísto toho, aby datové týmy pouze experimentovaly s možnostmi. Pro větší šanci na úspěch by se na výsledku měly podílet všechny zúčastněné strany, k čemuž přispěje financování iniciativy stejně jako sdílení obchodních cílů projektu se zbytkem společnosti.

2. Dedikujte kapacity a talenty
Jakmile je identifikován problém a nastíněny cíle projektu, musí manažeři obrátit pozornost na svůj tým. Ten tým by měl být schopen využívat všechny nástroje a technologie potřebné k realizaci projektu a s největší pravděpodobností složen z vybraných analytiků, datových inženýrů, datových vědců, inženýrů zabývajících se strojovým učením (ML), vývojářů a příslušných specialistů na provoz IT – možná včetně partnerů softwarového ekosystému pro AI. Je důležité zvážit interní programy zvyšování kvalifikace oproti externím dodavatelům, protože i když projekt může být krátkodobý, jeho využití bude s největší pravděpodobností dlouhodobé. Na začátku je třeba zvážit také změny procesů v oblasti provozu a řízení.

3. Nastavení rozsahu
Strategie hybridního cloudu pomáhá zajistit konzistenci a flexibilitu při škálování a správě pracovních úloh v prostředí datového centra, na okrajích sítě a ve veřejném cloudu. Volba hybridní cloudové platformy s podporou Kubernetes a hardwarovou akcelerací, jako nabízí například Red Hat OpenShift, může datovým vědcům, vývojářům aplikací a ML inženýrům poskytnout rychlý a samoobslužný přístup ke zdrojům při budování řešení AI.

V tento moment je třeba shromáždit a připravit pro projekt správná data a stanovit způsob, jakým budou vaší architekturou proudit. Podniky shromažďují obrovská množství dat, takže vyčištěná a relevantní data umožní efektivní tvorbu a testování nových modelů AI. Vedle shromáždění vhodných dat musí manažeři vytvořit odpovídající výpočetní úložiště a hardwarové akcelerátory.

4. Automatizace a přístup
Do budoucna je nezbytné zvážit, jak automatizovat celý životní cyklus ML a kdo bude mít přístup k nástrojům a klíčovým pracovním postupům. Důležité je jmenovat podnikového architekta nebo osobu s podobnou rolí, která navrhne architekturu, a zajistit, aby příslušné týmy měly samoobslužným způsobem přístup k potřebným nástrojům MLOps (DevOps pro strojové učení), což usnadní cestu k novému řešení.

5. Měřte svůj úspěch
Na začátku vývoje strategie pro AI by měly být stanoveny hmatatelné metriky a kritéria úspěchu, aby bylo po celou dobu zajištěno správné zaměření projektu. Týmy se musí ujistit, že strojově vytvořená doporučení jsou přesná a vysvětlitelná. To slouží k legitimizaci výsledků a poskytuje cenné ověřovací body. Schopnost prokázat návratnost investic do projektu může pomoci podpořit jeho další rozšíření.

Převeďte teorii do praxe
Umělá inteligence má velký potenciál změnit průmyslová odvětví, celé společnosti i životy lidí. Manažeři podniků, kteří chtějí využít nově vznikající příležitosti v souvislosti s vývojem této technologie, by měli přijmout strategii „navrhnout pilotní projekt, ověřit, rozšířit“, která na tuto cestu přivede celou jejich společnost.

Autor: Abhinav Joshi, ředitel pro strategii a zavádění AI na trh ve společnosti Red Hat

Exit mobile version