Intelligence artificielle

7 habitudes de projets commerciaux d'IA hautement efficaces

7 habitudes de projets commerciaux d'IA hautement efficaces


Quelle est la différence entre de bons et d'excellents projets commerciaux d'IA? La plupart des conseils sur la création d'une IA efficace se concentrent sur la science des données et les aspects techniques du travail.

Celles-ci sont bien sûr cruciales, mais il y a maintenant suffisamment d'expérience dans l'industrie pour commencer à spéculer sur d'autres caractéristiques d'un travail d'IA efficace pour les entreprises.

Voici 7 caractéristiques qui, selon moi, contribuent au succès commercial d'un excellent travail sur l'IA. Avec un peu de chance, c'est matière à réflexion sur vos aspirations pour vos propres projets commerciaux d'IA.

La plupart des personnes travaillant dans l'IA reconnaîtraient probablement qu'une IA très efficace affaires les projets ne sont toujours pas la norme. Le travail sur l'IA est considéré comme principalement technique, avec un accent particulier sur les algorithmes, la science des données et l'ingénierie des données.

Il existe encore relativement peu d'exemples de sociétés qui parlent d'avantages commerciaux quantifiés de leur travail en IA. Mais cela change et des objectifs commerciaux mesurables commencent à apparaître plus souvent dans le travail commercial sur l'IA.

Un bon projet d'entreprise d'IA fournit des résultats d'IA qui devraient ou pourraient aider une entreprise. Très efficace Le travail sur l'IA est motivé par la nécessité d'atteindre et de démontrer des résultats commerciaux:

UNE projet d'entreprise IA très efficace est fortement axé sur les affaires, les résultats commerciaux façonnant le reste du travail du projet. Celles-ci restent à l'esprit de toute l'équipe, tout le temps.

Ce n'est pas encore typique de l'intelligence artificielle et, au mieux, est ambitieux pour de nombreuses entreprises investissant dans l'IA. Mais c'est une aspiration utile, façonnant le ton et la culture pour tout le travail d'IA dans une organisation.

Même si cela reste insaisissable dans vos projets, le viser en vaut la peine. Vous serez moins susceptible de vous égarer dans l'écueil de l'IA d'être excessivement axé sur la technologie.

Voici 7 «habitudes» à envisager d'adopter dans votre travail sur l'IA. Idéalement, ils accéléreront votre progression vers des projets commerciaux d'IA hautement efficaces. Au minimum, ils aideront à maintenir un équilibre sain entre la technologie et les priorités commerciales dans le travail de l'IA.

L'IA a la réputation méritée d'être techniquement complexe. Construire de bonnes solutions d'IA nécessite des compétences approfondies, nombreuses techniques. Cependant, cela ne signifie pas que tout le monde dans l'équipe doit comprendre cette complexité.

Plutôt, il peut être utile d'avoir des membres de l'équipe commerciale qui comprennent les principes de la façon dont l'IA fait sa magie apparente. Il peut même être avantageux de ne pas se laisser entraîner dans les mathématiques et les statistiques sous-jacentes.

Au lieu de cela, il est plus courant que les utilisateurs professionnels soient intégrés dans un projet d'IA avec peu d'éducation en IA. Ils acquièrent généralement leurs connaissances en IA «sur le tas». C'est souvent le cas lorsque le rôle de la participation des entreprises est de définir les exigences. Dans de nombreuses situations, il s'agit d'une approche raisonnable et peut être la seule option disponible.

Cependant, si vous en avez l'opportunité, envisagez d'équiper les membres de l'équipe AI de l'entreprise avec plus de connaissances. Cela leur permettrait de faire plus que de spécifier des exigences commerciales. Cela créera des frais généraux et vos scientifiques des données et analystes commerciaux ne seront peut-être pas tout à fait à l'aise. Mais vous obtiendrez probablement de meilleurs résultats commerciaux.

L'une des limites de la nouvelle technologie réside dans les attentes irréalistes de ce qu'elle peut faire. Ceci est si commun qu’une phase du cycle de battage médiatique de Gartner s’appelle le «pic des attentes gonflées». L'IA est sujette à des attentes gonflées en ce moment, en partie parce qu'il y a tellement de couverture dans la presse grand public.

Un défi pour les projets d'IA réside dans les hommes d'affaires qui attendent des résultats trop ambitieux ou irréalisables. Une variation est les attentes élevées des délais pour des solutions d'IA réussies. Cela va de pair avec une réticence à tolérer l'expérimentation ou les erreurs.

Un autre aspect des attentes irréalistes est de ne pas apprécier l'importance de données médiocres ou insuffisantes. Cela se manifeste par une impatience face à l'effort de préparation des données pour l'IA.

Il existe de nombreuses façons de valider les attentes des entreprises, de l'éducation à l'élaboration collaborative d'objectifs. Votre approche dépend de votre organisation. L'habitude d'acquérir est une équipe d'IA et une entreprise affectée aux attentes alignées. Gardez à l'esprit que l'alignement peut signifier simplement être dans le même stade.

Les bonnes solutions commerciales d'IA sont conçues autour de questions commerciales significatives. Significatif comprend la disponibilité de suffisamment de données appropriées pour y répondre efficacement.

Mais d'un point de vue technique, la qualité de la question importe moins. Le cœur de l'IA est construit sur les statistiques et le code, qui est indifférent à la signification commerciale. La technologie de l'IA ne se soucie pas si vous concevez des algorithmes qui calculent quelque chose de vide de sens. Ils fonctionneront aussi bien que quelque chose de plus utile pour les entreprises.

Une caractéristique des projets commerciaux d'IA hautement efficaces est un problème commercial sous-jacent qui relie la science des données et le développement technique de manière quantifiable. Même un humble chatbot peut être stimulé par une amélioration commerciale quantifiable.

Il vaut donc la peine de vérifier le lien entre les résultats attendus de votre entreprise et les fonctionnalités de l'IA. Si ce n'est pas clair ou "moelleux", vous voudrez peut-être regarder plus attentivement les questions commerciales sous-jacentes.

La mesure dans laquelle une solution d'IA répond aux exigences ne détermine pas la valeur commerciale qu'elle offre. L'IA ne peut offrir une valeur commerciale qu'en intégrant ses résultats dans les affaires processus et opérations.

Le rôle des entreprises dans un projet d'IA est au minimum en spécifiant les exigences. Il peut également s'agir d'aider à les traduire en fonctionnalités d'IA. Et dans certains cas, les utilisateurs professionnels peuvent également aider à ajouter une perspective commerciale aux informations sur les données non découvertes.

Ce qui est moins courant, c'est de réfléchir à la façon dont les entreprises utiliseront les sorties de l'IA dans la pratique. Au minimum, cela couvre l'objectif de haut niveau d'apporter des améliorations commerciales. Mais idéalement, il devrait également couvrir les détails opérationnels. Ceux-ci comprendront qui utilisera les résultats de l'IA, comment les procédures commerciales changeront et quelle communication et quelle formation offrir.

Ce qui est typique, c'est de ne commencer à considérer cela en détail que vers la fin du développement. En revanche, les projets commerciaux d'IA hautement efficaces travaillent tôt sur la planification et l'impact de la mise en œuvre des activités, parallèlement à la conception de solutions d'IA.

Le travail sur l'IA est par nature expérimental par phases et utilise une technologie qui évolue rapidement. Il n'est donc pas surprenant que certains travaux sur l'IA puissent mal tourner, et certains seront gaspillés. Mais c'est différent des choses qui tournent mal en raison de l'inexpérience ou de la jeune technologie. Un travail d'IA efficace fait «mal» les choses dans le cadre du processus mathématique de recherche de la bonne réponse.

Certaines des techniques statistiques et mathématiques sous-jacentes à l'IA sont essentiellement basées sur des essais et des erreurs. Ils sont réalisables car les ordinateurs puissants d'aujourd'hui peuvent répéter les calculs des millions de fois jusqu'à ce qu'ils trouvent la bonne réponse. Vous ne trouvez donc la bonne réponse qu'en rejetant de nombreuses mauvaises réponses. Cela s'applique à plusieurs aspects du travail de l'IA, de l'optimisation des algorithmes à la sélection des bonnes caractéristiques de données.

Un autre domaine où les «mauvaises» réponses font partie de la recherche de la bonne réponse est lors de l'exploration des données disponibles. Il y a une phase précoce dans la plupart des projets d'IA appelée Exploratory Data Analysis ou similaire. Il s'agit d'expérimenter avec les données disponibles, de chercher des moyens d'extraire des informations commerciales pertinentes.

Un risque inévitable de travail en IA est de consacrer plus de temps que nécessaire aux travaux d'exploration. Mais vous ne connaîtrez le temps minimum possible qu'après avoir trouvé la bonne réponse que vous recherchez. Si vous essayez trop de réduire cela, un risque plus grave émerge. Vous risquez de développer une solution d'IA inefficace ou inefficace à votre problème commercial.

Les projets commerciaux d'IA hautement efficaces établissent un équilibre entre les phases d'expérimentation responsable et débile. En trouvant cet équilibre, il y a un argument solide selon lequel il vaut mieux se tromper du côté de meilleurs résultats commerciaux à long terme. L'alternative se trompe du côté de la baisse des coûts et des délais des projets à court terme.

L'IA n'est pas bon marché, mais elle n'a pas besoin d'être chère. Si vous comprenez le processus de création de l'IA, il est possible de faire un travail significatif avec des budgets et des délais raisonnables. Si vous ne le faites pas, il est également possible d'engager des coûts importants et / ou évitables.

Avec une informatique plus traditionnelle, il existe des repères, des règles de base et de l'expérience à utiliser lors de la définition des attentes en matière d'effort, de durée et de budget. Il existe également un marché relativement mature, donc si vous demandez des devis pour un travail, la plupart seront comparables.

Cela n’existe pas encore pour l’IA, il est donc difficile d’estimer les budgets et la durée des projets. Il est exacerbé par la nature expérimentale de certaines phases du travail sur l'IA. Cela signifie que faire en sorte que les équipes d'IA s'engagent sur les budgets et les dates peut être un exercice inconfortable. Parfois, les estimations semblent élevées parce que le travail est vraiment difficile. Mais d'autres fois, cela peut être le reflet d'une inexpérience ou d'un enthousiasme excessif.

Les projets d'IA hautement efficaces fournissent suffisamment d'investissement et de temps pour donner aux équipes une chance de réussir. Mais ils ne fournissent pas tant que cela pour supprimer une pression saine. Le bon équilibre empêche toute tendance à perdre de vue le résultat et sa valeur commerciale.

Le bon budget est probablement plus que ce que les sponsors sont à l'aise, mais moins que les équipes d'intelligence artificielle pensent qu'ils ont idéalement besoin.

Il n’est pas rare que l’écart entre ces deux éléments soit trop important pour être comblé. Dans ce cas, l'inadéquation indique probablement un problème dans l'un ou les deux ensembles d'attentes.

L'IA est encore relativement jeune, avec des phases intrinsèquement expérimentales et une expérience industrielle variable. La pléthore de vendeurs d'IA "huile de serpent" n'aide pas. Il faudra un certain temps avant de disposer de données fiables à l'échelle de l'industrie sur la meilleure façon de faire fonctionner l'IA. Jusque-là, il restera difficile de juger combien dépenser, combien de temps l'IA devrait prendre et combien d'avantages commerciaux attendre.

Tant que ce défi reste si grand, la gestion et la prestation de travaux sur l'IA continueront d'être une série d'actes d'équilibrage.

Une réflexion et une planification minutieuses sont essentielles, dotées de suffisamment de connaissances pour ne pas être induites en erreur ou pire. Mais développer l'IA est une activité pratique, et il est facile de trop y penser dès le début. Vous pouvez accomplir plus en quelques jours d'analyse exploratoire des données que des semaines de stratégie et de planification. L'équilibre entre penser et faire est donc un aspect.

Il existe également une tension intrinsèque entre les entreprises, la technologie et la science des données. Une équipe de projet IA efficace reflète et respecte les trois. Il équilibre la tension de manière constructive - la plupart du temps, au moins.

Enfin, l'IA a commencé dans les laboratoires et est toujours le domaine des scientifiques et des mathématiciens. Mais le public, les bénéficiaires et les sponsors sont des hommes d'affaires, motivés différemment. Peut-être le plus grand équilibre entre ces deux mentalités est de trouver le bon point entre «le meilleur» et «assez bien». Ceci est particulièrement apparent lors des phases expérimentales pour optimiser les modèles et les algorithmes.

Les équipes de projets commerciaux d'IA hautement efficaces comprennent la nécessité d'équilibrer «penser», «gérer» et «faire». Ils trouvent un moyen de maintenir cela la plupart du temps, malgré les différentes mentalités, pressions et priorités impliquées.

Construire des solutions d'IA est un exercice technique assez difficile. Le fait qu'une entreprise les utilise efficacement peut sembler une complication supplémentaire. Mais les équipes commerciales d'IA hautement efficaces sont conscientes que les bénéfices des entreprises paient pour leur travail.

Un travail technique efficace devrait être l'attente minimale qu'une entreprise a à l'égard des équipes d'IA. Un travail efficace en science des données déplace les attentes vers le sens de ce que produit le travail technique. Au cœur de bonnes équipes d'IA se trouve l'acceptation de cet enthousiasme, voire de l'enthousiasme, plutôt que la tolérance ou l'endurance.

Pour passer d'un bon travail d'intelligence artificielle à un excellent travail en entreprise, il y a un changement supplémentaire de la signification commerciale vers la valeur commerciale. Mais cela est toujours au-delà du contrôle direct des équipes d'IA et nécessite de jeter des ponts dans l'entreprise plus large.

Dès le départ, un projet d'entreprise d'IA hautement efficace a à l'esprit les activités plus larges. Il ajuste ses activités, la composition de son équipe et son état d'esprit en conséquence. Les 7 habitudes de cet article sont caractéristiques de ces équipes et du travail qu'elles font, mais sont ambitieuses dans la plupart des organisations.

Néanmoins, si vous dirigez ou contribuez à un projet d'IA, vous aurez la possibilité d'essayer de mettre au moins certains d'entre eux en pratique de temps en temps.

Et c’est un bon premier pas pour faire d’eux tous une habitude tout le temps.

Cet article a été publié pour la première fois sur www.aiprescience.com

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer