Manusia dalam lingkaran: Dibutuhkan orang untuk memastikan kesuksesan kecerdasan buatan
Digital Transformation

Manusia dalam lingkaran: Dibutuhkan orang untuk memastikan kesuksesan kecerdasan buatan

Ketika berbicara tentang kecerdasan buatan, jangan mencoba melakukannya sendiri. Departemen TI, tidak peduli seberapa terampil dan siapnya, hanya dapat melewati bukti konsep sejauh ini. Dibutuhkan orang — dari seluruh penjuru perusahaan dan bekerja secara kolaboratif — untuk memberikan kesuksesan AI,

Pakar industri mengatakan bahwa inisiatif AI membutuhkan semua orang di seluruh perusahaan untuk bergabung. “Sejumlah besar data pelatihan dan daya komputasi yang elastis bukanlah landasan untuk implementasi AI yang sukses,” kata Sreedhar Bhagavatheeswaran, kepala global Mindtree Consulting.

Landasan kesuksesan AI adalah orang-orang — tidak hanya orang dengan keterampilan AI, tetapi juga mereka yang berasal dari semua disiplin ilmu, mulai dari pemasaran hingga manajemen rantai pasokan. Dalam beberapa tahun terakhir — dan terutama selama setahun terakhir, karena kebutuhan akan proses otomatis atau tanpa pengawasan semakin cepat, “perusahaan belajar bahwa mereka harus mendapatkan dukungan pemangku kepentingan, dengan juara sejati AI dalam tim kepemimpinan organisasi,” kata Dan Simion , Wakil Presiden AI dan analitik di Capgemini Americas.

Upaya pengembangan AI terpadu juga membutuhkan “tata kelola yang kuat, pemasaran internal di dalam perusahaan, dan pelatihan yang tepat untuk mendorong adopsi lebih lanjut dari inisiatif AI di seluruh area fungsional bisnis,” tambahnya. Kuncinya adalah mampu menampilkan wawasan berharga yang dihasilkan oleh model-model ini,

Dalam upaya untuk membuat AI meresap, “perusahaan sekarang menyadari faktor-faktor penting seperti mengidentifikasi perjalanan yang tepat dan kasus penggunaan di mana intervensi AI dapat membuat dampak bisnis, mengoperasionalkan AI dengan membangun mekanisme operasi dan tata kelola AI, dan memadukan proporsi yang tepat dari rekayasa data dan bakat AI,” kata Bhagavatheeswaran.

Tangkapannya, tentu saja, banyak dari upaya ini dirusak oleh politik organisasi atau kelembaman sederhana. AI tampak glamor dan menjanjikan, tetapi penerimaan dan adopsi membutuhkan waktu. “Perusahaan harus merencanakan waktu dan upaya yang diperlukan untuk melakukan sesi pelatihan, dan terus memperkuat penggunaan dan manfaat sistem AI dibandingkan metode tradisional,” saran Nitin Aggarwal, wakil presiden analisis data di The Smart Cube. “Berbagi dan merayakan kemenangan kecil dan sering adalah katalis yang terbukti.”

AI juga perlu memiliki wajah yang ramah, daripada persepsi tentang robot, perangkat lunak, atau lainnya, yang mengambil kendali perusahaan. “Jadikan antarmuka pengguna akhir ramah bisnis dan intuitif,” saran Aggarwal. “Semakin rendah beban pada pengguna akhir untuk memahami wawasan dalam hal ‘jadi apa,’ semakin tinggi kemungkinan mereka benar-benar menggunakan sistem.” Jika memungkinkan, ia menyarankan agar tim MLOps siap “untuk memastikan solusi yang diterapkan terus bekerja seperti yang diharapkan.”

Sampai saat ini, area bisnis yang paling sukses dengan AI “adalah yang memiliki koneksi langsung ke interaksi pelanggan — seperti pemasaran dan penjualan,” kata Simion. “Area-area ini terus mencari untuk mendorong pendapatan, dan lebih terbuka terhadap metode dan taktik baru yang inovatif untuk meningkatkan efisiensi, yang ditawarkan AI.” Aggarwal setuju, mencatat bahwa area yang melihat kesuksesan paling awal dengan AI termasuk “optimasi bauran pemasaran, penetapan harga, dan peningkatan ROI promosi, perkiraan permintaan, CRM, dan hiper-personalisasi.” Namun, belakangan ini, kekuatan AI juga telah dihidupkan di bidang-bidang seperti manajemen risiko rantai pasokan, tambahnya.

AI lebih dari sekadar teknologi — ini adalah cara berpikir baru tentang masalah dan peluang. Setiap orang perlu memiliki akses ke alat baru yang kuat ini, desak Simion. “Pastikan semua orang di seluruh perusahaan menggunakan tumpukan teknologi yang sama, sehingga setiap area fungsional dapat memiliki akses ke pelajaran dan wawasan yang sama. Konsistensi teknologi dan nilai yang dapat dihasilkannya adalah yang paling membuat perbedaan.”

Adopsi AI juga bergantung pada persepsi bahwa itu adil dan akurat, membuat memerangi bias AI adalah tantangan lain yang perlu ditangani oleh para pendukungnya secara langsung. Mulailah dengan data, Aggarwal menyatakan. “Saat algoritme AI belajar dari data, lakukan upaya sadar untuk mengumpulkan dan memberi makan data yang lebih kaya, yang dikoreksi untuk bias dan cukup mewakili semua kelas,” sarannya.

Dalam kebanyakan kasus, “saat Anda menerapkan model AI ke dalam produksi dalam skala besar, Anda memiliki alat otomatis untuk memantau hasilnya secara real-time,” kata Simion. “Ketika model AI berada di luar batasan dan batasan yang telah ditentukan sebelumnya, intervensi manusia diperlukan. Hal ini dilakukan untuk memastikan AI berkinerja seperti yang diharapkan untuk mendorong efisiensi bisnis, dan juga dilakukan untuk memastikan masalah apa pun dengan bias AI. atau kepercayaan ditangkap dan diperbaiki.”

Sangat penting bagi manusia untuk tetap berada dalam lingkaran, kata Aggarwal. “Terkadang pengambilan keputusan manusia di samping algoritme sangat membantu untuk memahami respons yang berbeda dan mengidentifikasi kesalahan atau bias yang melekat. Penilaian manusia dapat membawa lebih banyak kesadaran, konteks, pemahaman, dan kemampuan penelitian untuk memandu pengambilan keputusan yang adil. Debiasing harus dilihat sebagai komitmen berkelanjutan.”

Sebagai bagian dari ini, perusahaan dapat mengambil manfaat dengan membentuk “dewan tata kelola AI yang meninjau tidak hanya hasil bisnis yang dipengaruhi oleh inisiatif AI mereka, tetapi juga bertanggung jawab untuk menjelaskan hasil kasus penggunaan tertentu bila diperlukan,” kata Bhagavatheeswaran.

Pemimpin dan staf TI perlu menerima lebih banyak pelatihan dan kesadaran untuk mengurangi bias AI juga. “Ini juga terkait dengan bagaimana kinerja staf dievaluasi dan bagaimana insentif diselaraskan,” kata Aggarwal. “Jika membuat sistem AI yang paling akurat adalah area hasil utama bagi seorang ilmuwan data, kemungkinan besar Anda akan mendapatkan sistem yang sangat akurat tetapi satu, yang mungkin bukan yang paling bertanggung jawab. Demikian pula, untuk semua staf, pelatihan penting harus dilakukan. di mana harus mencari dan bagaimana mendeteksi bias dalam AI, dan kemudian memberi penghargaan kepada tim yang dapat menemukan dan mengenali kekurangan.”

Posted By : togel hari ini hk