Πετάτε τυφλά στον αγώνα όπλων AI;

Του Stu Bailey, συνιδρυτή και Chief Enterprise AI Architect στο ModelOp

Έχω πολλές συναντήσεις τους τελευταίους μήνες με ανώτερα στελέχη μεγάλων επιχειρήσεων που προσπαθούν να εξορθολογίσουν τις επενδύσεις των οργανισμών τους στην τεχνητή νοημοσύνη. Πολλοί από αυτούς έχουν εγκρίνει μεγάλους προϋπολογισμούς για να οδηγήσουν το ταξίδι της εταιρείας τους με την τεχνητή νοημοσύνη και πιέζονται να συνεχίσουν να ανεβάζουν το ρυθμό. Οι περισσότεροι μοιράζονται μια γενική αίσθηση ότι τα προγράμματά τους με τεχνητή νοημοσύνη προσθέτουν αξία στα κορυφαία έσοδα, αυτοματοποιούν τις μη αυτόματες διαδικασίες και προσφέρουν επιχειρηματικό πλεονέκτημα. Αλλά λίγοι είναι σε θέση να απαντήσουν σε μερικές πολύ βασικές ερωτήσεις όπως:

-Ποιο είναι το ROI για τις επενδύσεις μας σε τεχνητή νοημοσύνη;

-Ποια προγράμματα ανταποκρίνονται στις προσδοκίες και ποια όχι;

-Ποια προγράμματα θα πρέπει να έχουν προτεραιότητα για πρόσθετες επενδύσεις;

-Ποια είναι η έκταση της έκθεσής μας σε κινδύνους συμμόρφωσης με τεχνητή νοημοσύνη;

Η πρόκληση γίνεται πιο οξεία καθώς η τεχνητή νοημοσύνη εισέρχεται στη φάση των εξοπλισμών, με τις επιχειρηματικές μονάδες να ζητούν 7ψήφιες (και μεγαλύτερες) αυξήσεις στους προϋπολογισμούς της τεχνητής νοημοσύνης για να συμβαδίσουν με τους ανταγωνιστές. Οι ομάδες επιστήμης δεδομένων χρησιμοποιούν μια διευρυνόμενη ποικιλία εργαλείων για να αναπτύξουν μοντέλα πιο γρήγορα και να τα προωθήσουν στην παραγωγή, συχνά χωρίς ορατότητα ή επίβλεψη σε επίπεδο επιχείρησης. Σε αυτό το πλαίσιο, πολλά στελέχη πιστεύουν ότι χρειάζονται μια καλύτερη διαχείριση τόσο των πλεονεκτημάτων όσο και των κινδύνων των προγραμμάτων τεχνητής νοημοσύνης τους προτού αντλήσουν περισσότερα χρήματα. Ωστόσο, για όλη την επένδυση στην τεχνητή νοημοσύνη, αυτή η κρίσιμη ανάγκη δεν έχει ακόμη αντιμετωπιστεί στις περισσότερες εταιρείες, αφήνοντας τα στελέχη στο σκοτάδι και αγωνίζονται να λάβουν τις καλύτερες αποφάσεις.

Τα τελευταία χρόνια, οι πωλητές υπερκλίμακας και οι κατασκευαστές πλατφορμών επιστήμης δεδομένων και μηχανικής μάθησης (DS/ML) προσθέτουν στα προϊόντα τους τις λεγόμενες δυνατότητες „MLOps“ που βοηθούν τους επιστήμονες δεδομένων κατά την ανάπτυξη μοντέλων και χειρίζονται ορισμένες πτυχές της ανάπτυξης μοντέλων στην παραγωγή. Αλλά αυτό που εξακολουθούν να λείπουν από αυτά τα προϊόντα – και τα στελέχη – είναι ένα εργαλείο που βρίσκεται σε όλη την επιχείρηση και παρέχει μια πλήρη, σε πραγματικό χρόνο, αειθαλής «πηγή αλήθειας» που καλύπτει όλες τις πτυχές όλων των μοντέλων στην παραγωγή, ανεξάρτητα από τον τύπο τους, πού βρίσκονταν που αναπτύχθηκαν (ή αγοράζονται ή ενοικιάζονται) ή πού αναπτύσσονται, και αυτό δείχνει, για κάθε μοντέλο, τη συνεισφορά της επιχείρησης και τη στάση του κινδύνου. Αυτό που τους λείπει, με μια λέξη, είναι το ModelOps.

Η πλατφόρμα ModelOp Center μας καλύπτει πλήρως και μοναδικά αυτήν την ανάγκη. Οι πίνακες εργαλείων Executive Visibility (EV) ενσωματώνονται με όλες τις πλατφόρμες DS/ML και τα περιβάλλοντα ανάπτυξης – καθώς και εταιρικά συστήματα πληροφορικής και επιχειρήσεων – και παρέχουν μια ολοκληρωμένη, σε πραγματικό χρόνο και ιστορική επισκόπηση της λειτουργικής κατάστασης, της επιχειρηματικής κατάστασης και της συμμόρφωσης όλων των μοντέλων παραγωγής , ενημερώνεται συνεχώς και αυτόματα. Με μια ματιά, τα ανώτερα στελέχη μπορούν να δουν την απόδοση επένδυσης (ROI) για επενδύσεις τεχνητής νοημοσύνης και να εντοπίσουν μοντέλα σε κίνδυνο μη συμμόρφωσης, προτού καταστούν σοβαρές υποχρεώσεις. Ως αποτέλεσμα, μπορούν να λάβουν πολύ καλύτερες αποφάσεις σχετικά με το πού θα τοποθετήσουν τις επενδύσεις τους.

Αξίζει ιδιαίτερα να σημειωθεί, ότι η ανάπτυξη του ModelOp Center EV δεν είναι βαρύς. Οι περισσότεροι οργανισμοί ξεκινούν και λειτουργούν μέσα σε λίγες μόνο εβδομάδες. Έτσι, οι οργανισμοί μπορούν να συνεχίσουν να κινούνται γρήγορα, αλλά να το κάνουν με πολύ μεγαλύτερη διορατικότητα και αυτοπεποίθηση – αντί να πετούν στα τυφλά.