Door AI Trends Staff
Bedrijven die enig succes hebben met hun eerste AI-projecten, zoeken naar manieren om de acceptatie te versnellen om meer waarde aan het bedrijf te leveren. Een onderzoeker heeft een AI Adoption Maturity Model gedefinieerd dat een routekaart presenteert voor het versnellen van AI-adoptie.
De eerste fase van het volwassenheidsmodel voor AI-adoptie in zes stappen is de: digitalisering van werk, waarbij werk in de fysieke wereld wordt omgezet in digitale processen die kunnen worden gevolgd en vastgelegd als gegevens, stelt Dr. Michael Wu, hoofd AI-strateeg voor PROS Holdings, voor, die op AI gebaseerde software levert als een service voor prijsoptimalisatie, met een focus op de luchtvaartmaatschappij industrie.
"Deze fase draait helemaal om het verkrijgen van de gegevens, de grondstof voor AI", zei Wu in een account van ZDNet. “Als je op de trein van digitale transformatie zit, goed voor je. Je zit al in fase 1 van deze volwassenheidscurve.”
Wu voelde zich gekwalificeerd om zijn eigen volwassenheidsmodel voor AI-adoptie te creëren op basis van zijn werk in het toepassen van datawetenschapsexpertise om consumentengedrag op sociale media gedurende meer dan 10 jaar in zijn vorige functies te analyseren. Deze omvatten hoofdwetenschapper bij Lithium Technologies, nu Khoros genaamd, dat software aanbiedt voor klantbetrokkenheid, online communitybeheer en analyse van sociale media.
De overstap naar contactloze digitale technologieën zal de adoptie van AI versnellen omdat het nodig is om op te schalen naar de wereldwijde aard van e-commerce en omdat AI een onderscheidende factor is ten opzichte van online concurrentie. "Elk digitaal bedrijf moet en zal uiteindelijk een vorm van AI gebruiken", stelt hij.
De kritische massa aan data die nodig is om AI te trainen is hoog, dus het duurt lang voordat bedrijven het benodigde datavolume hebben bereikt. Ondertussen kunnen bedrijven waarde halen uit de gegevens die ze hebben verzameld door analyses uit te voeren om managers te helpen betere beslissingen te nemen.
De meeste bedrijven beginnen met: beschrijvende analyses die de verzamelde gegevens samenvatten in rapporten en dashboards, mogelijk aangedreven door business intelligence-tools. Naarmate het volume en de diversiteit van de data-assets groeien, kan het bedrijf klaar zijn om te presteren voorspellende analyse. Een fabriek kan bijvoorbeeld mechanische bedrijfsgegevens gebruiken om de uitvaltijd van bepaalde machines af te leiden om voorspellend onderhoud uit te voeren, suggereert Wu.
Uiteindelijk heeft het bedrijf genoeg gegevens verzameld om te presteren prescriptieve analyses, gebruikt om acties voor te schrijven die bepaalde resultaten optimaliseren. Een prijsaanbeveling voor een product is bijvoorbeeld ingesteld om de inkomsten te optimaliseren. Marketingautomatisering kan de engagementfrequentie voor een prospect voorschrijven, om de mogelijkheid om prospects om te zetten in klanten te optimaliseren. Nu is de organisatie klaar voor de volgende fase van de volwassenheidscurve.
Wu maakt het punt dat de stappen in de eerste fase van het volwassenheidsmodel "leverancieronafhankelijk, technologieonafhankelijk en use-case-agnostisch" zijn. In plaats daarvan zijn ze afgeleid van 'sociaalwetenschappelijke principes', die hij beschrijft als 'niet zoals de fundamentele wetten in wiskunde, natuurkunde of scheikunde die praktisch absoluut zijn. Dit betekent dat er uitzonderingen zullen zijn, zij het zeldzaam.”
De opeenvolgende stappen in Wu's AI Maturity Model ontleende hij aan principes uit de gedragseconomie en psychologie. Hij stelt: “Ze zijn dus agnostisch voor leveranciers, technologieën, use-cases, industrieën, bedrijfsmodellen, enz. "
De tweede fase in Wu's AI Maturity Model is: gegevens uitwisselen voor automatisering. "Prescriptieve analyses zorgen voor de natuurlijke overgang naar deze fase”, stelt Wu. Automatiseer de acties die de AI heeft geoptimaliseerd, is de suggestie. “Als de AI eenmaal is getraind, kan deze ons helpen dat aspect van ons werk te automatiseren door onze beslissingen en acties na te bootsen. In wezen ruil je je gegevens dus in voor automatisering”, stelt Wu.
Om zich aan deze fase te binden, suggereert hij dat men vertrouwen moet hebben in de machine en deze moet laten draaien. "We moeten ons er prettig bij voelen om machines de oproep te laten doen (tenminste als ze voldoende vertrouwen hebben) onder menselijk toezicht", zegt hij.
De rest van Wu's stappen bieden een routekaart voor AI-adoptie. "Samen met AI geloof ik dat we de grootste uitdagingen voor de mensheid kunnen aangaan", stelt hij.
Adoptie versnellen na aanvankelijk succes
Organisaties die aan hun roadmap naar AI zijn begonnen en enig succes hebben ervaren, vragen zich af hoe het proces versneld kan worden. Tijdens de pandemie in 2020 hebben bedrijven AI op de proef gesteld.
"De pandemie heeft AI en chatbots in de plaats gezet om een stroom van pandemische vragen te beantwoorden", zegt David Tareen, directeur van AI en analyse bij SAS, in een account van Het Enterprisers Project. “Computervisie ondersteunde inspanningen op het gebied van sociale afstand. Machine learning-modellen zijn onmisbaar geworden om de effecten van het heropeningsproces te modelleren.”
Met deze eerste successen beginnen bedrijven de weg te zien naar hogere potentiële waarde voor het bedrijf van meer AI-projecten. "Als er één reden is waarom IT-leiders de bredere acceptatie van AI zouden moeten versnellen, is het de mogelijkheid om kansen te ontdekken die echte bedrijfswaarde genereren door middel van inzichten en efficiëntieverbeteringen waar die er misschien niet waren", aldus Josh Perkins, field CTO bij AHEAD, wat een gouden Cloudpartner met Microsoft Azure.
Een suggestie is om iidentificeer de beste gebruiksgevallen en begin daarmee. "Inspanningen op het gebied van AI en machine learning zijn het best gericht op specifieke gebruikssituaties, en het kan nodig zijn om een breder ecosysteem in te schakelen om het tot leven te brengen, vooral als je een gebrek aan AI- en ML-talent hebt", stelt Peter A. High, president van Metis Strategie, business en technologie consultants.
Een andere suggestie is om mijlpalen halen. "Een over het hoofd geziene uitdaging bij AI-initiatieven is de tijdsinvestering die nodig is voordat tastbare resultaten kunnen worden geleverd", zegt Ravi Rajan, hoofd datawetenschap bij Cowbell Cyber, een cyberverzekeringsmaatschappij. "Zonder duidelijke doelen en geplande mijlpalen om vooruitgang te laten zien, kunnen AI-projecten snel omslaan in ontdekking."
Met betrekking tot personeel voor AI stellen experts voor: veelzijdige benadering van het verwerven van vaardigheden. Er is veel vraag naar expertise op het gebied van big data, procesautomatisering, cyberbeveiliging, mens-machine-interactieontwerp, robotica-ingenieurs en machine learning-experts. Het vinden van de benodigde expertise is een creatieve onderneming geworden die om innovatieve benaderingen vraagt.
"Naast geavanceerde wervings- en retentieplannen, moeten organisaties harder werken om het talent dat ze al hebben te benutten", zegt Ben Pring, VP en directeur van het Cognizant Center for the Future of Work. "Een grondige hervorming van bijscholing en interne loopbaanontwikkeling is een belangrijk element van de multi-factor HR-strategie die nodig is om te slagen in deze fundamentele taak."
Pring is co-auteur van het boek, Wat te doen als machines alles doen? (2017), en de oprichter van Cognizant's Center in 2011. Daarvoor werkte hij meer dan 14 jaar bij Gartner.
Oak Ridge National Lab werkte samen met partners om adoptie te versnellen
Op het gebied van kernenergie hebben ingenieurs van de Oak Ridge National Laboratory (ORNL) heeft een manier gevonden om de adoptie van AI te versnellen door samen te werken met partners.
"De industrie wendt zich tot ORNL voor wetenschappelijke en technische expertise en faciliteiten van wereldklasse die niet gemakkelijk kunnen worden gerepliceerd", aldus Kathy McCarthy, Associate Laboratory Director van het Fusion and Fission Energy and Science Directorate, in een persbericht. "Hier delen onze onderzoekers enkele van de effecten en het succes van hun huidige industriële partnerschappen."
Samenwerking leidde dit voorjaar tot de productie van vier brandstofmontagebeugels, geproduceerd door 3D-printers die met succes zijn geïnstalleerd en nu werken in Browns Ferry Nuclear Plant Unit 2 van de Tennessee Valley Authority in Athene, Alabama. De componenten zullen naar verwachting zes jaar in de reactor blijven, met routine-inspecties.
Geproduceerd in ORNL's Manufacturing Demonstration Facility, werden ze ontwikkeld in samenwerking met Framatome, TVA en het door het DOE Office of Nuclear Energy gefinancierde Transformational Challenge Reactor (TCR) programma gebaseerd op ORNL.
"Er waren alle drie de uitkijkpunten nodig - de fabrikant van de industrie, het elektriciteitsbedrijf en het nationale laboratorium - om deze mijlpaal mogelijk te maken", aldus Ben Betzler, programmadirecteur van TCR. "Door deze samenwerking hebben we aangetoond dat het inderdaad mogelijk is om een 3D-geprint onderdeel te leveren dat gekwalificeerd is om te werken in wat een van de meest gereguleerde industrieën van het land is."
Onderzoekers in het TCR-programma leiden 13 projecten die zijn geselecteerd voor het INFUSE-initiatief (Innovation Network for Fusion Energy) van DOE.
Lees de bronartikelen en informatie oppompen van ZDNet, van Het Enterprisers Project en in een persbericht van het Oak Ridge National Laboratory.
- 2020
- absoluut
- Account
- acquisitie
- Adoptie
- AI
- AI goedkeuring
- luchtvaart
- Alabama
- Alles
- analytics
- artikelen
- Activa
- auto
- Automatisering
- Azuur
- BEST
- Big data
- Grootste
- bedrijfsdeskundigen
- business intelligence
- Bellen
- Carrière
- gevallen
- uitdagen
- chatbots
- chemie
- chef
- Cloud
- cognizant
- samenwerking
- gemeenschap
- Bedrijven
- afstand
- concurrentie
- bestanddeel
- consument
- Creatieve
- Credits
- CTO
- Actueel
- curve
- Klantbinding
- Klanten
- cyber
- Cybersecurity
- gegevens
- data science
- Vraag
- Design
- digitaal
- Digitale Transformatie
- Director
- ontdekking
- Verscheidenheid
- DOE
- ecommerce
- Economie
- ecosysteem
- Elektrisch
- energie-niveau
- Engineering
- Ingenieurs
- etc
- deskundigen
- Faciliteit
- naar
- Storing
- Voornaam*
- Focus
- formulier
- oprichter
- Brandstof
- toekomst
- Future of Work
- Gartner
- Globaal
- Doelen
- Tijdloos goud
- goed
- Groeien
- hoofd
- Hoge
- Verhuring
- Hoe
- hr
- HTTPS
- Mensheid
- industrieën
- -industrie
- initiatief
- Innovatie
- innovatieve
- inzichten
- verzekering
- Intelligentie
- wisselwerking
- interactie ontwerp
- IT
- Wetten
- leidend
- leren
- LED
- Hefboomwerking
- lithium
- lang
- machine learning
- Machines
- management
- Fabrikant
- productie
- kaart
- Marketing
- marketingautomatisering
- wiskunde
- Media
- Microsoft
- ML
- model
- modellering
- beweging
- netwerk
- Kernenergie
- eik
- Oak Ridge National Laboratory
- het aanbieden van
- online.
- werkzaam
- Kansen
- kansen
- bestellen
- organisatie
- organisaties
- pandemisch
- partner
- partners
- partnerships
- Fysiek
- Fysica
- voorschrijven
- president
- pers
- Persbericht
- prijsstelling
- Process Automation
- geproduceerd
- Product
- productie
- Programma
- projecten
- Psychologie
- Rauw
- Rapporten
- REST
- Resultaten
- inkomsten
- robotica
- lopen
- SAS
- Scale
- Wetenschap
- op zoek naar
- gekozen
- reeks
- Delen
- ZES
- vaardigheden
- So
- Social
- sociale afstand
- social media
- Software
- snelheid
- Gesponsorde
- voorjaar
- Stadium
- gestart
- Staten
- Strategie
- succes
- ondersteunde
- Talent
- Technologies
- Technologie
- De toekomst
- De toekomst van het werk
- De Bron
- de wereld
- niet de tijd of
- Transformatie
- Trends
- ontdekken
- bijscholing
- us
- utility
- waarde
- vendors
- visie
- volume
- Wat is
- whitepaper
- WIE
- binnen
- Mijn werk
- wereld
- wu
- jaar
- ZDNET