KI Navigator #9: Yaratıcılık ve öngörülebilirlik arasında
DOAG KI topluluğunun Ki-Navigator sütununun dokuzuncu baskısına hoş geldiniz!
Duyuru
Doktor Konstantin HOPF, Veri Analizi Araştırma Grubunu İş Bilişim Başkanı, özellikle Bamberg Üniversitesi Enerji Verimliliği Sistemlerinde yönetir. Endüstriyel araştırma projelerinde, otomatik öğrenme süreçlerinin operasyonel uygulamalarını geliştirmektedir. Ayrıca yapay zeka girişimlerinin ve veri bilimi ekiplerinin stratejik yönetimi için kavramlar arıyorum. Araştırma sonuçları, şirket bilgisayar bilimlerinin ana dergilerinde ve hacimlerinde, aynı zamanda uzman ve günlük olarak da görülmektedir.
Yapay Zeka, otomatik olarak üretilen veya her turda bize eşlik eden kişisel sesli harfler aracılığıyla optimize edilmiş üretim süreçleri, akıllı kontroller, metinler ve görüntüler yoluyla verimlilik ve otomasyonda büyük bir artış vaat ediyor.
Bununla birlikte, şirketlerde yapay zeka girişimlerinin uygulanmasıyla ilgili olan herkes, bazen aksine farklı bakış açılarını karşılayacaktır. Başarılı gösteri vakalarının kullanıcısı, yönetimi ve laik vizyonu ve meslektaşlarının çeşitli yapay zeka araçlarından gelenlerin hayranlığı var. Uygulanması çok kolay görünüyor: IA formüle edebilir ve mail, konuşmaları kopyalayabilir ve büyüleyici görüntüler oluşturabilir.
Bununla birlikte, büyük bir bankanın reklamının son zamanlarda önerdiği gibi, şirketinizi AI'ya aktarabileceğiniz varsayımı bir hata olduğunu kanıtlamaktadır. Uygulamada, yapay zeka modellerinin ve uygulamalarının oluşturulması genellikle zordur. Bunlar esas olarak veri bilimcilerini, veri mühendislerini veya otomatik öğrenme uzmanlarını uzun yıllar boyunca eğitim ve disiplinlerarası geçmişe sahiptir. Daha nadir durumlarda, konsolide prosedür modelleri ve standart yazılımlarla çalışıyoruz. Aksine, uygulamalar keşifle yönlendirilir. Yapay bir zeka uygulamasının oluşturulması, manuel aktiviteye mekanik işlemden daha benzerdir. Uluslararası bir araştırmacı ekibi ile birlikte, dünya şirketlerinde 55 yapay zeka girişimini inceledim. Çalışmada, pratikte onlara neden olan zorlukları belirledik ve bulduk. Bu sonuçlar, şirketlerin bu zorluklarla nasıl karşılaşabileceğini elde etmek için önerilere izin verir.
Uygulamada yapay zeka girişimleri için beş ana zorluk
Yapay zeka uygulamalarının geliştirilmesi ile ilgili aşırı beklentiler, çalışmada tanıdığımız beş merkezi zorluktan sadece biridir. Başka bir sorun, birçok şirketin klasik BT projeleri gibi yapay zeka projeleriyle ilgilenmesidir. Daha yinelemeli ve keşifsel bir yaklaşıma ihtiyacınız var ve bazen yazılım geliştirmeden daha çevik olmalı. Çok katı veya saf proje yönetimi yönetimi, yeniliği engelleyen yönergeleri takip eder ve kaynakların verimsiz kullanımına yol açar.
Çevik çalışma yöntemleri, yazılımı müşterilerin ihtiyaçlarından daha hızlı değişecek şekilde uyarlamaya ve kullanıcıları geliştirme sürecine önceden entegre etmeye yardımcı olsa da, yapay zeka projelerinin yöntemlerinin bu güçlü yönleri açık sorunların nedenleri olabilir: Yapay zeka modellerinin planlanması genellikle zordur.
Üçüncü zorluk, yapay zekanın mevcut sistemlere entegrasyonudur. Verilere eksik erişim sadece temel olarak sorgulanan yapay zeka projeleri değil, aynı zamanda kaynakları da kaybeder. Veri bilimcisi genellikle veri koruma, teknik veya organizasyonel engeller sıkıştığından veri erişimini haftalarca bekliyor. Ayrıca, akıllı sistemlerin sonuçları eski sistemlere kadar uzanamazsa, yapay zeka projeleri sona erer.
Yapay zeka modellerinden gelen cevapları, özellikle kritik veya yasal olarak güçlü bir şekilde düzenlenmiş alanlarda anlaşılabilir bir şekilde açıklamak da zordur. İyi tahminlere sahip AI modelleri genellikle opaktır. Bu, kullanıcıların güvenini azaltabilir, çünkü tahminlerin nasıl gerçekleştiğini ve hataların nedenlerinin ne olduğunu anlamıyorlar. Bu yine AI'nın gelişiminin el sanatlarını ortaya koyuyor: Birçok veri bilimcisi, bir tahmine yol açan etkileyici faktörleri tanımak ve yorumlamak için deneyime ihtiyaç duyduklarını bildirmektedir.
Son olarak, kurumsal panoramanın ve verilerin dinamik doğası, uzun vadeli performanslarını garanti etmek için modellerin sürekli bakımını ve uyarlanmasını gerektirir. Verilerin sürekli olarak değiştirilmesinden bu yana, veri tabanlı ürünler sürekli bir değişikliğe tabidir.
Başlangıçta listelenen çalışma, pratikte paradoksal gerginlik alanındaki yapay zeka projelerinin yönetimini desteklemeye yardımcı olan 15 taktik tanımlamaktadır.
Aşırı Yönetim Beklentileri:
- Gerçeklik kontrollerinin tanıtımı: Yakında AI'nın olasılıklarını ve sınırlarını göstermek ve gerçekçi olmayan beklentilerden kaçınmak için kontrol listeleri gibi araçlar geliştirin.
- Başlangıç, ITelecting ve Küçük Büyüme: Hızlı başarılar elde etmek ve riskleri en aza indirmek için kademeli olarak genişleyen pilot projeleri başlatır.
- Dış uzmanların entegrasyonu: Uzmanlar, projenin ilk aşamalarında bilgi ve en iyi uygulamalar oluşturabilir.
- Yöneticilerin uygulamasına yönelik eğitim: Veri bilimcileri, projeler sırasında AI'nın özel özelliklerini pratik bir şekilde iletmelidir.
- Yöneticiler için Yapay Zeka Kursları: Yapay zeka ve makine öğrenimi üzerine klasik eğitim, yöneticilerin temel bilgi oluşturmasına yardımcı olur.
- Uygun Anahtar Performans Göstergelerini (KPI) tanımlayın: Sadece teknik ilerlemeyi değil, aynı zamanda AI'nın kullanımını ve katma değerini de ölçen başarılı göstergeler geliştirin.
- Teknik Köprüler Oluşturma: Yapay Zeka Sistemlerini mevcut BT sistemlerine bağlamak için ara katman yazılımı veya robot proses otomasyonu (RPA) kullanın.
- Eylem odaklı öneriler sağlayın: Kullanıcılar için kolayca uygulanabilecek somut önlemlerde tahminler.
- “Öğrenme Öğrenme” yaklaşımlarını kullanın: Eğitim verileri oluşturmak için insan çalışmasının gözlemlenmesi yoluyla yapay zeka sistemlerini alın.
- Veri bilincini teşvik edin: Veri kalitesi eksikliğinin altını çizin ve departmanları en iyi veritabanları için işbirliği için motive edin.
- Post-hoc açıklayıcı modeller kullanın: Modellerin sonuçlarını komplekslere anlaşılabilir hale getiren modeller sağlayın.
- Şeffaf modelleri tercih edersiniz: modeller geliştirin basit ve kolayca tahminler sağlayabileceklerini yorumlamak.
- Nedensel ilişkilere konsantre olun: Deneyler yapın ve neden-etki ilişkilerini daha iyi anlamak için kavramsal modeller kullanın.
- Verilerin kaymasını izleyin: Uzun vadeli modelin kalitesini sağlamak için verilerdeki değişikliklerin algılanması için sistemleri ayarlayın.
- MLOPS yaklaşımlarını tanıtın: Hızlı ayarlamalar ve sağlam süreçler sağlamak için yapay zeka modellerinin gelişimini ve işleyişini parçalamak.
Farklı Perspektifler
Beş zorluğun tümü, veri bilimi çalışmalarında farklı bakış açılarıyla açıklanabilir. Yönetici ve kullanıcılar genellikle IA'ya otomasyon ve çalışma bölümü için (yeni) olanaklara dayanan mekanik bir perspektifle bakarlar. Sonuç olarak, bu insanlar genellikle yapay zeka projelerini standartlaştırılmış yöntemler ve açıkça tanımlanmış sonuçlar kullanılarak uygulanabilecek öngörülebilir ve yapılandırılmış projeler olarak görürler.
AI uygulamalarının yaratıcısı olarak veri bilimcisi, çalışmalarını deney, derin deneyim, örtük uzman bilgi ve esnek bir yaklaşım gerektiren yaratıcı ve yinelemeli bir süreç olarak deneyimlemektedir. Bu farklı perspektifler, yanlış anlamalara ve yanlış kontrollere yol açabilecek paradoksal bir gerilim yaratır.
Yapay zeka projeleri kombinasyona ihtiyaç duyar
Gerilim bir engel olarak değil, bir fırsat olarak görülmelidir. Sadece manuel ve mekanik yaklaşım arasında bilinçli bir denge ile yenilikçi ve verimli yapay zeka çözümleri geliştirebilir ve sürdürülebilir bir değer yaratabilir. Her iki umut da temel yönleri getirir: Manuel perspektif, sonunda hangi çözümün sorunu çözdüğünü bulmaya yardımcı olur: etkinliği artırır. Mekanik perspektif ise verimliliği garanti eder: Yapay zeka projeleri plasüler kalır ve tamamlanacaktır. Buna ek olarak, manuel bir bakış açısı insanları AI gelişiminin merkezine koyabilir ve yeni bir çalışma bölümü oynamamıza yardımcı olabilir.
(RME)