Как CIO перейти от отдельных небольших достижений в освоении ИИ, МО и анализа данных к успеху в масштабах всего предприятия? Винсент Стунтебек, директор по корпоративным данным и аналитике Red Hat, приводит на портале Enterprisers Project четыре шага, которые позволят эффективно объединить людей, процессы и технологии, чтобы ускорить работу в области анализа данных, ИИ и МО.

В гонке за быстрым использованием возможностей анализа данных, ИИ и МО организации часто начинают инициативы с найма специалистов по аналитическим данным и инженеров в функциональных подразделениях и региональных отделениях. Хотя такой подход обеспечивает скорость, гибкость и четкое соответствие требованиям бизнеса, он часто осуществляется в ущерб последовательности и эффективности, а также без учета передового опыта. Реальность такова, что усилия многих организаций в этой области не приносят должного результата: согласно недавнему исследованию McKinsey, большинство компаний запускают пилотные ИИ-проекты или используют ИИ в одном бизнес-процессе, получая тем самым лишь частичные преимущества.

CIO часто имеют все возможности для того, чтобы сыграть активную роль в объединении разрозненных команд в сильный коллектив и повышении эффективности всей практики — и все это без структурных изменений в организации. Ниже приводятся четыре шага, которые позволят сделать это эффективно.

1. Сделайте работу ваших проектов более прозрачной

В теории это выглядит просто, однако реальность такова, что организационные границы часто создают трения между техническими командами, что порождает дублирование и избыточность проектов. Общепринятый механизм преодоления этой проблемы включает использование общего инструмента управления проектами (например, Jira), чтобы позволить командам искать и легко находить в проектах связующие черты. Создание каталога функций и моделей с возможностью поиска представляет собой еще один мощный механизм для обеспечения лучшей наблюдаемости в масштабах предприятия. Зачастую ценные функции данных, созданные конкретной командой специалистов по анализу данных, можно повторно использовать в различных бизнес-функциях, экономя время и вычислительные мощности. Также имеет смысл просить команды проверять каталог, прежде чем создавать что-то совершенно новое, это плодотворно влияет на организацию сотрудничества.

2. Выделите избранную группу межфункциональных проектов

Хотя централизованных ресурсов может не хватать, создание одной или двух сфокусированных инициатив в ключевых областях бизнеса, которые будут иметь межфункциональное влияние, часто приводит к тем выгодам, которых ожидают от анализа данных, ИИ и МО. Такие проекты, как правило, имеют естественное «гравитационное притяжение», поскольку интересуют людей из всех подразделений. Примерами таких проектов являются прогнозные KPI высшего уровня, инициативы клиентов или новые продукты. Один из подходов к запуску таких проектов и поощрению сотрудничества заключается в проведении хакатонов, которые часто сеют семена, из которых могут произрасти более крупные инициативы.

ИТ-служба как минимум должна быть активно задействована для поддержки доступа к данным и среды анализа. Однако зачастую ей имеет смысл играть ведущую роль в координации подобных инициатив, учитывая ее уникальный взгляд на бизнес с высоты птичьего полета.

3. Стремитесь к анализу данных в единой производственной среде

Сегодня невероятно легко создать рабочее пространство с помощью одного из многочисленных облачных провайдеров. Однако создание единой среды, которая отвечает потребностям специалистов по анализу данных и применяется на всем предприятии, представляет собой совершенно иную задачу. Решите ее, и вы сможете реализовать существенные преимущества, которые позволят значительно уменьшить трения между отдельными подразделениями. «Обернув» платформу набором процессов DevOps, можно добиться еще большей эффективности, помогая командам говорить на одном языке. Вот несколько примеров:

  • коллегиальные обзоры кода и методологии;
  • контроль версий с помощью Gitlab (или аналогичного инструмента);
  • согласованные стандарты валидации и мониторинга модели;
  • согласованные метрики и измерения модели;
  • управление поиском данных для обеспечения построения моделей и получения данных из единого доверенного источника.

Развертывание этих процессов и стандартов на единой платформе создает общую основу для командной работы и, в конечном счете, повышает эффективность сотрудничества.

4. Создание новых точек сопряжения внутри и вне компании

Никто не хочет чувствовать себя в изоляции. Тем не менее, многие специалисты по анализу данных оказываются в рамках бизнес-подразделений или функциональных команд в одиночестве, им не хватает поддержки людей с аналогичным набором навыков. Создание какого-либо регулярного форума для специалистов по анализу данных и инженеров, где они могли бы общаться, делиться проблемами и демонстрировать работу, может иметь огромное значение для этой группы. Это особенно актуально для более молодых членов команды. Каналы мгновенного обмена сообщениями (например, Slack) могут стать спасательным кругом для членов команды, нуждающихся в быстром руководстве.

Кроме того, для предприятий не будет лишним установить официальные отношения с кафедрой статистики местного университета — это может послужить источником новых точек зрения на особенно сложные вопросы. Такие отношения также способствуют непрерывному обучению, что считается важным преимуществом для большинства команд, занимающихся анализом данных.

Ускорение достижения результатов в области ИИ

Ключ к прогрессу в создании сильного сообщества специалистов по анализу данных лежит в понимании того, на каком этапе находится организация сегодня, и определении того, куда она хочет двигаться. В конечном счете, это путь. Однако ускорение продвижения по этому пути может принести значительные результаты, и вышеперечисленные четыре шага призваны связать людей, процессы и технологии для достижения этой цели.