Кен Приядарши, руководитель глобальной технологической лаборатории EY, приводит на портале InformatonWeek пять советов, которые помогут предприятиям расширить возможности своих сотрудников с помощью ИИ, данных и аналитики.

Вопрос о том, как создать корпоративную стратегию демократизации данных и искусственного интеллекта, беспокоит многих высших руководителей компаний. Очевидно, что эта тема занимает важное место в отраслях и секторах, где трудятся работники умственного труда. Ниже приведены пять советов, которые будут полезны для крупных предприятий и вертикальных структур.

1. Создайте внутренний рынок данных и алгоритмов

Все начинается с обеспечения чистоты, хорошей маркировки и надежной структуры данных. Организации полезно спросить себя: «Кто у нас будет уборщиком данных?».

Я часто рекомендую предприятиям рассмотреть возможность создания частного маркетплейса для внутреннего краудсорсинга создания хорошо маркированных продуктов данных, структур данных и предварительно обученных алгоритмов.

Примером может служить создание исследовательской группой в Стэнфорде вручную аннотированной и маркированной базы данных ImageNet. Этот набор данных для ИИ был создан и аннотирован по модели краудсорсинговых маркетплейсов данных.

Отраслям еще предстоит создать свои собственные аналоги ImageNet. Например, в сфере финансовых услуг не существует известного набора данных, который бы использовали многие предприятия для создания своих внутренних алгоритмов ИИ. Однако сейчас существует множество готовых продуктов, которые могут помочь предприятиям начать создание хорошо управляемых, внутренних и частных «рынков» каталогизации, маркировки и аннотации данных.

Краудсорсинг негламурной работы по «уборке» данных — это первый шаг к более трансформационным вариантам использования, таким как отраслевые интеллектуальные рекомендательные системы.

2. Примите образ мышления дизайнера

Я слышу, как вы спрашиваете: «Какое вообще значение имеют дизайн или опыт работы с приложениями в мире ИИ-инженерии и науки о данных?».

Цитируя одного из великих технологических дизайнеров, Дитера Рамса, «Хороший дизайн — это как можно меньше дизайна».

Мы не можем рассчитывать на широкое внедрение корпоративных продуктов в области данных/ИИ без проектирования с учетом потребностей конечного пользователя. Например, если речь идет о домашнем потребителе, то он, возможно, захочет иметь ИИ-устройство, которое разговаривает или имеет голос, но если речь идет о контакт-центре, то его может больше устроить текстовое чат-приложение.

Для корпоративных разработчиков такой опыт может даже вылиться в хорошо продуманный прикладной программный интерфейс (API) ИИ, который встраивает контекстный интеллект в более крупное корпоративное приложение.

На самом деле, для крупных организаций подход к ИИ на основе API может быть более актуальным, чем любой другой. Встраивание отраслевого или предметного интеллекта в корпоративные приложения с помощью API лучше, чем создание корпоративного приложения с нуля. API способствуют демократизации в среде разработчиков, поскольку многие алгоритмы и модели фактически томятся на изолированных ноутбуках, разбросанных по гигантам бизнеса.

Одним из лучших примеров такого подхода является OpenAI API, построенный на основе языковой модели GPT-3, которая использует глубокое обучение для создания человекоподобного текста. Взрывной рост креативных сценариев использования, созданных на основе этого простого в использовании API, поражает воображение. Мне больше всего понравилась функция Excel общего назначения с поддержкой ИИ, которая ищет и автоматически заполняет данные о населении.

Представьте себе интеллектуальные API, которые дополняют приложения, используемые финансовыми консультантами и работниками умственного труда в любой отрасли и секторе.

3. Примите «культуру» инструментария вашего сообщества

Специалисты по аналитической обработке данных и инженеры по данным организации выражают свою техническую культуру через популярные инструменты и активы данных, которые они используют для взаимодействия. Не так давно многие CIO все еще отрицали революцию Open Source. С распространением открытых экосистем, таких как репозитории кода и доски объявлений, кажется, что демократизация данных и ИИ должна включать в себя учет мнения сообщества специалистов по данным и разработчиков предприятия относительно стандартов инструментария.

Любая односторонняя попытка установить стандарты наборов инструментов для работы с данными, скорее всего, потерпит неудачу. Например, какой блокнот Python наиболее популярен в вашей организации? Создал ли кто-то нелегальную вики для каталогизации всех элементов данных? Существует ли общая модель данных, которую аналитики используют совместно и повторно, чтобы помочь разобраться с общими неструктурированными файлами в типичном секторе? Существуют ли предварительно обученные R-алгоритмы, которые ваши аналитики используют в вашей области?

Почему бы не прислушаться к мнению сообщества при формировании стандартов? Демократизация в конечном итоге заключается в том, чтобы пролить свет на инновации в области науки о данных, происходящие в недрах вашей организации.

4. Постоянно проводите аудит своих алгоритмов

Кто проверяет алгоритм, который решает, получит ли тот или иной сегмент населения ипотечный кредит? А как насчет алгоритма, который решает, следует ли вам пройти собеседование или сохранить работу, основываясь на результатах прошлой деятельности?

Недавно стало известно о крупных компаниях, которые экспериментировали с использованием алгоритмов для определения приоритетов кандидатов на собеседование или даже для оценки производительности труда рабочих на заводе. Природа «черного ящика» некоторых типов алгоритмов делает процесс их принятия проблематичным, когда требуется защита от предполагаемой или случайной предвзятости этих алгоритмов.

Это пример того, как важно сегодня «проверять доверие» к данным и алгоритмам. Это не точечное упражнение. Я советую командам внедрить культуру постоянного тестирования и аудита данных и алгоритмических продуктов на предприятии. Появляются исследования, использующие новые методологии аудита алгоритмов, такие как контрастные объяснения, для обеспечения прозрачности моделей «черного ящика».

5. Поддерживайте выдвижение лидеров сообщества

Демократизация в конечном итоге связана с людьми и их ростом снизу вверх. Найдите звездных исполнителей, которые могут стать лидерами сообщества, а затем назначьте их ответственными за новый центр передового опыта (CoE). Если вы не знаете, кто уже является вашими звездами, или находитесь в режиме рекрутинга, поищите участников публичных репозиториев кода и технических блогов.

Возможно, вам придется стимулировать или геймифицировать внутри компании вклады в системы управления знаниями, специфичные для науки о данных — особенно если они плохо приживаются в вашей организации.

Такие «доски лидеров» не только позволят вам определить будущих проводников преобразований, основанных на данных, но и помогут контролировать показатель «демократизации» данных и ИИ в вашей организации. Регулярный мониторинг этого показателя и создание правильных стимулов может помочь создать благотворный цикл внутренних данных и алгоритмических продуктов.

Хотя эти шаги являются лишь ориентиром, стоит еще раз подчеркнуть, насколько важно демократизировать данные и ИИ в масштабах всего предприятия. Демократизация этих направлений дает сотрудникам возможность самостоятельно находить решения, экономит их время и позволяет командам ИИ и данных сосредоточиться на стратегических инициативах, а не на ситуативной поддержке.