Försök inte förutse framtiden nÀr du skalar dina AI-projekt

Försök inte förutse framtiden nÀr du skalar dina AI-projekt


För mĂ„nga Ă„r sedan skulle de flesta företag som sĂ„g AI för att skapa produkter, tjĂ€nster eller processer ha hittat en brant inlĂ€rningskurva – en rad nya termer och nya sĂ€tt att tĂ€nka. Men nu, 2020, har mĂ„nga sannolikt hoppat utöver de tidiga kamperna och har slutfört bevis pĂ„ konceptet, genomfört initiala piloter och kan ha nĂ„gra projekt i produktion. NĂ€sta steg Ă€r att komma i skala, sĂ€ger Dataiku-kundchef Kurt Muehmel under en session pĂ„ Transform 2020.

Dataiku Ă€r ett mjukvaruföretag som hjĂ€lper andra företag – vanligtvis företag – att utveckla den interna förmĂ„gan att bygga egna AI-produkter och tjĂ€nster, koppla in dem i sina egna affĂ€rsprocesser och skala dem. Dessa dagar Ă€r det inte ovanligt att en Dataiku-kund fastnar i skalningsfasen efter att ha byggt nĂ„got med AI. “Kanske har de lyckats en gĂ„ng, tvĂ„ gĂ„nger, kanske tio gĂ„nger,” sa Muehmel. “Det vi pratar om i stor skala Ă€r dock inte 10 anvĂ€ndningsfall som anvĂ€nds i produktion, utan kanske 10 000.”

Det finns naturligtvis bĂ€ttre och sĂ€mre sĂ€tt att skala AI. Vad Ă€r det största misstaget företag gör nĂ€r de vill skala sina AI-projekt? “Ibland ser vi att de försöker förutsĂ€ga framtiden”, sa han. “De försöker lĂ„sa in i den framtida tekniken som [they think] kommer att fĂ„ dem dit. ” Muehmel pekade pĂ„ den relativa stigande och fallande popularitet vi har sett med Hadoop, Spark och Kubernetes under de senaste sex eller sĂ„ Ă„ren – det vill sĂ€ga dessa saker har och kommer att vara oförutsĂ€gbara.

“PĂ„ sĂ€tt och vis Ă€r det bra,” sa han. “Eftersom det betyder att det finns innovation som kommer att fortsĂ€tta, och ny och bĂ€ttre teknik som kommer att komma ut.” Nyckeln Ă€r att organisationer i huvudsak planerar för det oförutsĂ€gbara, rullar med verkligheten att det kommer att bli förĂ€ndringar och stĂ€ller in sig för att kunna byta ut dessa tekniker in och ut. Det Ă€r vad Dataiku Ă€r utformat för att hjĂ€lpa företag att göra, sa Muehmel – det ger ett “isolerande lager” mellan mĂ€nniskorna som arbetar med ett projekt och det underliggande berĂ€kningsskiktet.

Precis som att lĂ„sa fast en viss teknik vanligtvis Ă€r ett misstag, Ă€r att skapa en bred och inkluderande organisation det bĂ€sta sĂ€ttet att skala, enligt Dataikus uppfattning. ”Det rĂ€tta sĂ€ttet att göra detta i stor skala handlar om att fĂ„ in fler mĂ€nniskor. Att ta in inte bara dataforskarna och maskininlĂ€rningsingenjörerna utan ocksĂ„ affĂ€rsanalytikerna, marknadsförarna, [and] affĂ€rsgolveteknikerna – som konsumenter av dessa resultat, men viktigare, som skapare, och sanna deltagare i AI-utvecklingsprocessen, liksom dess distribution, underhĂ„ll, [and] uppdateringsprocessen, sĂ€ger Muehmel.

För att komma till den punkten – dĂ€r ett flertal av företagets teammedlemmar anvĂ€nder sina AI-verktyg pĂ„ vilket sĂ€tt som helst som Ă€r mest meningsfullt för dem, vare sig det Ă€r via kod eller ett visuellt grĂ€nssnitt – mĂ„ste företag börja med att lösa sin data. Idealiskt, det ger fler mĂ€nniskor samma data för att möta affĂ€rsutmaningar. Muehmel pekade pĂ„ exemplet pĂ„ ett globalt lĂ€kemedelsföretag som började sin AI-resa tillbaka 2012. Dataiku arbetade tidigt med det företaget och kartlade vilka team som behövde vilken data, avskaffade data och i stor utstrĂ€ckning skalades. “De pratar om 3000 olika projekt som de kör parallellt, hundratusentals datauppsĂ€ttningar som de arbetar med och hundratals och hundratals – nĂ€rmare tusen – individer som direkt bidrar till den processen”, sa han.

Vad kommer efter skalan? Muehmel sa att det handlar om inbĂ€ddning. “I slutĂ€ndan Ă€r mĂ„let att fĂ„ allt inbĂ€ddat – att bĂ€dda in analyserna, att bĂ€dda in AI-processerna direkt i applikationerna, till instrumentpanelerna i hela organisationen.” NĂ€r det hĂ€nder, sa han, Ă€r alla de som anvĂ€nder data “skyddade” frĂ„n alla operativa delar och delar, som molnmiljöer – de kan komma Ă„t och arbeta med de data de behöver utan att behöva oroa sig för var den körs.