Recente rapporti sui tassi di fallimento dei progetti di intelligenza artificiale hanno sollevato domande scomode per le organizzazioni che investono massicciamente nell’intelligenza artificiale. Gran parte della discussione si è concentrata su fattori tecnici come l’accuratezza del modello e la qualità dei dati, ma dopo aver osservato il lancio di dozzine di iniziative di intelligenza artificiale, ho notato che le maggiori opportunità di miglioramento sono spesso culturali, non tecniche.
I progetti interni che lottano tendono a condividere problemi comuni. Advert esempio, i crew di ingegneri creano modelli che i product supervisor non sanno come utilizzare. I knowledge scientist costruiscono prototipi che i crew operativi faticano a mantenere. E le applicazioni di intelligenza artificiale restano inutilizzate perché le persone per cui sono state create non sono state coinvolte nel decidere cosa significasse veramente “utile”.
Al contrario, le organizzazioni che ottengono un valore significativo con l’intelligenza artificiale hanno capito come creare il giusto tipo di collaborazione tra i dipartimenti e stabilito una responsabilità condivisa per i risultati. La tecnologia conta, ma conta altrettanto la preparazione organizzativa.
Ecco tre pratiche che ho osservato che affrontano le barriere culturali e organizzative che possono impedire il successo dell’IA.
Espandi l’alfabetizzazione sull’intelligenza artificiale oltre l’ingegneria
Quando solo gli ingegneri capiscono come funziona un sistema di intelligenza artificiale e di cosa è capace, la collaborazione si interrompe. I product supervisor non possono valutare i compromessi che non comprendono. I progettisti non possono creare interfacce per funzionalità che non riescono advert articolare. Gli analisti non possono convalidare i risultati che non possono interpretare.
La soluzione non è rendere tutti scienziati dei dati. Aiuta ciascun ruolo a comprendere come l’intelligenza artificiale si applica al proprio lavoro specifico. I product supervisor devono capire quali tipi di contenuti, previsioni o raccomandazioni generati sono realistici in base ai dati disponibili. I progettisti devono capire cosa può effettivamente fare l’intelligenza artificiale in modo da poter progettare funzionalità che gli utenti troveranno utili. Gli analisti devono sapere quali output dell’intelligenza artificiale richiedono la convalida umana e quali invece sono affidabili.
Quando i crew condividono questo vocabolario lavorativo, l’intelligenza artificiale smette di essere qualcosa che accade nel dipartimento di ingegneria e diventa uno strumento che l’intera organizzazione può utilizzare in modo efficace.
Stabilire regole chiare per l’autonomia dell’IA
La seconda sfida consiste nel sapere dove l’intelligenza artificiale può agire da sola rispetto a dove è richiesta l’approvazione umana. Molte organizzazioni arrivano agli estremi, bloccando ogni decisione relativa all’intelligenza artificiale attraverso la revisione umana o lasciando che i sistemi di intelligenza artificiale funzionino senza barriere.
Ciò che serve è un quadro chiaro che definisca dove e come l’intelligenza artificiale può agire in modo autonomo. Ciò significa stabilire regole in anticipo: l’intelligenza artificiale può approvare le modifiche di configurazione di routine? Può consigliare aggiornamenti dello schema ma non implementarli? Può distribuire il codice negli ambienti di staging ma non in quelli di produzione?
Queste regole dovrebbero includere tre elementi: verificabilità (puoi tracciare come l’IA ha preso la sua decisione?), riproducibilità (puoi ricreare il percorso decisionale?), e osservabilità (i crew possono monitorare il comportamento dell’IA mentre accade?). Senza questo quadro, o rallenti fino al punto in cui l’intelligenza artificiale non fornisce alcun vantaggio, oppure crei sistemi che prendono decisioni che nessuno può spiegare o controllare.
Crea playbook interfunzionali
Il terzo passo è codificare il modo in cui i diversi crew lavorano effettivamente con i sistemi di intelligenza artificiale. Quando ogni dipartimento sviluppa il proprio approccio, si ottengono risultati incoerenti e sforzi ridondanti.
I playbook interfunzionali funzionano meglio quando i crew li sviluppano insieme anziché imporli dall’alto. Questi playbook rispondono a domande concrete come: come testiamo i suggerimenti dell’intelligenza artificiale prima di metterli in produzione? Qual è la nostra procedura di riserva quando una distribuzione automatizzata fallisce: viene affidata a operatori umani o si tenta prima un approccio diverso? Chi deve essere coinvolto quando ignoriamo una decisione dell’IA? Come incorporiamo il suggestions per migliorare il sistema?
L’obiettivo non è aggiungere burocrazia. Garantisce che tutti comprendano come l’intelligenza artificiale si inserisce nel loro lavoro esistente e cosa fare quando i risultati non soddisfano le aspettative.
Andare avanti
L’eccellenza tecnica nell’intelligenza artificiale rimane importante, ma le aziende che sovraindicizzano le prestazioni del modello ignorando i fattori organizzativi si stanno preparando a sfide evitabili. Le implementazioni di intelligenza artificiale di successo che ho visto trattano la trasformazione culturale e i flussi di lavoro con la stessa serietà dell’implementazione tecnica.
La domanda non è se la tua tecnologia AI sia abbastanza sofisticata. Dipende se la tua organizzazione è pronta a lavorare con esso.
Adi Polak è direttore per il patrocinio e l’ingegneria dell’esperienza degli sviluppatori presso Confluent.
Benvenuto nella comunità VentureBeat!
Il nostro programma di visitor posting è il luogo in cui gli esperti tecnici condividono approfondimenti e forniscono approfondimenti neutrali e non conferiti su intelligenza artificiale, infrastruttura dati, sicurezza informatica e altre tecnologie all’avanguardia che plasmano il futuro dell’impresa.
Per saperne di più dal nostro programma di publish per gli ospiti e dai un’occhiata al nostro linee guida se sei interessato a contribuire con un tuo articolo!
