Jay Allardyce, insightsoftware Datu un Analītikas Ģenerāldirektors – Interviju Sērija
Intervija ar datu un analītikas ekspertu
Jūs uzsvērat, ka uzņēmējiem steidzami jāievieš AI, lai atbildētu uz pieaugošām klientu prasībām. Kādi ir galvenie soļi, lai izvairītos no “AI FOMO” un generisku AI risinājumu ieviešanas?
Klienti skaidri norāda, ka viņu izmantotajos instrumentos vēlas redzēt vairāk AI iespēju. Kā atbilde uz to uzņēmumi steidzas apmierināt šīs prasības un neatsiliktu no konkurentiem, radot haotisku ciklu visām iesaistītajām pusēm. Tā rodas “AI FOMO”, kas var mudināt uzņēmumus pārsteidzoši ieviest inovācijas, tikai lai varētu teikt: “mums ir AI!”
Mans galvenais padoms ir veltīt laiku, lai saprastu, kādas problēmas klienti grib atrisināt ar AI. Vai tas ir pārāk darbietilpīgs procesu trūkums? Vai atkārtots uzdevums, kas jāautomatizē? Vai aprēķini, ko mašīna varētu viegli veikt?
Kad uzņēmumi ir sapratuši šo kontekstu, viņi varēs mērķtiecīgi izvēlēties risinājumus. Tā vietā, lai piedāvātu klientiem AI rīkus, kas tikai papildina viņu esošās problēmas, tie varēs sniegt instrumentus, kas tās patiešām atrisina.
Daudzi uzņēmumi steidzas ieviest AI, pilnībā neizprotot tā pielietojumu. Kā uzņēmumi var atrast piemērotākos AI risinājumus, nevis paļauties uz vispārējiem variantiem?
No klientu puses ir svarīgi uzturēt pastāvīgu komunikāciju, lai saprastu, kādi lietojumgabali ir visaktuālākie. Palīdzēt var klientu konsultatīvās padomes. Taču ir svarīgi arī iekšēji izvērtēt, kā jaunie AI rīki ietekmēs uzņēmuma darbību. Katrs jaunais instruments nozīmē jaunus datus un mainīgos, ar kuriem jāstrādā iekšējām datu komandām.
Lai gan visi vēlamies piedāvāt klientiem jaunas iespējas, neviens AI ieviešanas projekts nebūs veiksmīgs bez atbalsta no iekšējām datu komandām. Vispirms saskaņojiet iekšējos resursus un tikai tad izvērtējiet, kuras klientu vajadzības var apmierināt.
Jūs esat palīdzējis Fortune 1000 uzņēmumiem pieņemt datu centrisku pieeju. Ko patiesībā nozīmē būt “datu centriskam” uzņēmumam, un kādas ir biežākās kļūdas šajā pārveides procesā?
Lai uzņēmums būtu patiesi datu centrisks, tam jāiemācās efektīvi izmantot datus. Patiesa datu centriska komanda spēj pieņemt lēmumus, balstoties uz datiem – izmantojot informāciju, lai pamatotu biznesa izvēles. Tā vietā, lai paļautos tikai uz intuīciju vai personīgo pieredzi, lēmumu pieņēmēji analizē atbilstošus datus.
Bieža kļūda ir neefektīva datu pārvaldība, kas noved pie “datu pārslodzes” – komandas tiek pārpludinātas ar informāciju un nespēj to izmantot. Pārāk daudz datu var radīt kavēšanos un neefektivitāti, ja tie nav pareizi pārvaldīti.
Kā, jūsuprāt, attīstīsies AI un IoT mijiedarbība enerģētikas, transporta un smagās būvniecības nozarēs?
IoT parādīšanās atvēra iespējas uzlabot lēmumu pieņemšanu, izmantojot lielāku savienojamību. Tomēr daudzi koncentrējās tikai uz “viedo komunikāciju”, nevis uz rezultātiem. AI – vai tas būtu prognozējošais vai ģeneratīvais – var palīdzēt uzņēmumiem būt 10-50x produktīvākiem, ja ir skaidri noteikti mērķi.
Piemēram, smagās būvniecības nozarē pareizās detaļas piegāde īstajā laikā un vietā var nozīmēt milzīgus uzkrājumu apjomus. AI modelis, kas paredz iekārtu atteices vai apkopes vajadzības, kombinējot ar IoT datiem, ļauj uzņēmumam darboties dinamiskāk un efektīvāk, vienlaikus nodrošinot klientu apmierinātību.
Kādi ir biežākie veidi, kā uzņēmumi nepareizi izmanto datus, un kā tos pārvērst patiesā konkurences priekšrocībā?
Jēdziens “mākslīgais intelekts” var būt maldinošs. Ne jebkuru datu ievade AI sistēmā nerada noderīgus vai precīzus rezultātus. Bieži vien mēs aizmirstam, cik svarīga ir rūpīga datu sagatavošana. Tāpat kā cilvēka ķermenim nepieciešama kvalitatīva degviela, AI ir nepieciešami tīri, konsekventi dati, lai nodrošinātu precīzus prognozes.
Kādas ir labākās prakses, lai ne-tehniskās komandas varētu efektīvi izmantot datus un AI, neesot pārāk sarežģītu rīku vai procesu dēļ?
Vadītājiem vajadzētu koncentrēties uz ne-tehnisko komandu spēju veikt pašu analīzi. Lai uzņēmums būtu patiešām veikls, tehniskajām komandām jāpadara process intuitīvāks, nevis jāstrādā ar pieaugošo pieprasījumu plūsmu no finanšu un operatīvajām nodaļām. Manuālo procesu likvidēšana ir pirmais solis, lai darbinieki varētu veltīt vairāk laika datu analīzei, nevis to vākšanai.
Kā AI maina CFO un finanšu komandu darbību, un kādas ir galvenās priekšrocības finanšu lēmumu pieņemšanā?
AI jau ir būtiski ietekmējis finanšu lēmumu pieņemšanu. Piemēram, 87% komandu to jau izmanto vidēji vai augstā līmenī. AI palīdz finanšu komandām ātrāk un biežāk veikt vitālas prognozes – 58% budžeta plānošanas ciklu pašlaik ilgst vairāk nekā piecas dienas.
Automizējot rutīnas uzdevumus, piemēram, atskaišu veidošanu vai datu validāciju, komandas var veltīt vairāk laika stratēģiskai analīzei. Tas ir īpaši svarīgi nestabilā tirgū, kur finanšu komandām ir nepieciešama veiklība.
Kā, jūsuprāt, mainīsies datu vajadzības nākamo piecu gadu laikā, ņemot vērā AI integrāciju un pāreju uz mākoņtehnoloģijām?
Nākamajos gados pieaugs nepieciešamība pēc elastīgākiem datiem. Tirgus mainās ātri, un uzņēmumiem ir nepieciešami instrumenti, kas ļauj sekot līdzi. Pāreja no lokālajiem risinājumiem uz mākoņtehnoloģijām parādīja, ka datiem jābūt ne tikai pieejamiem, bet arī lietderīgiem. Elastīgāki dati uzlabos lēmumu pieņemšanu, sadarbību un risku pārvaldību.
Kā nodrošināt AI atbildīgu izmantošanu, un kādas ētiskas apsvērumi uzņēmumiem jāņem vērā, ieviešot AI risinājumus?
Līdzīgi kā ar mākoņtehnoloģiju ieviešanu, uzņēmumiem sākotnēji bija bailes no datu nodošanas trešajām personām. Ar AI rodas līdzīgas bažas – uzņēmumiem jāuzticas sistēmai, kas apstrādā un rada informāciju. Iesaku koncentrēties uz trim galvenajiem aspektiem:
- Iesaistieties – nebaidieties izmantot šo tehnoloģiju, bet mācieties no pieredzes.
- Pamatojums – uzņēmuma dati ir patiesības avots. Saprotiet, kā tiek apmācīts AI modelis un kāda informācija tiek izmantota.
- Vērtība – koncentrējieties uz lietojumgabaliem, kur AI var radīt reālu ietekmi.
https://www.unite.ai/