Квантовые вычисления: будущее бизнеса

Все больше и больше внимания уделяется технологии искусственного интеллекта (ИИ), особенно чат-ботам. Машинное обучение (МО) является ключевым фактором этих разработок. Однако анализ ИИ в бизнес-контексте показывает, что только 15% проектов МО действительно успешны. Так почему же компании вкладывают миллиарды долларов в ИИ? Разрыв между ожиданиями и реальностью обусловлен не только гиперболой, но и подходом к решению проблемы. Наиболее распространенная стратегия для организаций, строящих решения МО, заключается в том, чтобы рассмотреть наборы данных и продемонстрировать способ моделирования (обычно прогнозирующего). Эта стратегия вызывает проблемы, потому что предлагаемое решение разрабатывается в вакууме, игнорируя операционные реалии компании. Организации более вероятно добьются успеха в своих усилиях по созданию ИИ, если они будут идти от решения проблемы к решению проблемы: определить, что потребуется для внедрения эффективного решения в его операционном контексте, выявить реальные проблемы, затем разбить предлагаемые решения на более мелкие шаги. Существует разница между «хорошо бы решить» и «необходимо решить» проблемы. Лучшая стратегия заключается в том, чтобы убедиться в том, что целевое решение является наивысшим приоритетом бизнеса. Правильная триажировка проблем может помочь определить распределение ресурсов для поддержания систем, внедрения необходимых изменений и обеспечения продолжительного использования в производстве. Стоит также учитывать вторичные или третичные затраты на ИИ при оценке возврата инвестиций. Решения МО обычно включают в себя не только затраты на разработку, но и на обслуживание и инфраструктуру, требования к обучению, вопросы соответствия и инженерные затраты. Для действительно достоверной оценки руководители должны вовлекать финансовые, юридические и обслуживающие команды. Прогнозы, основанные на ИИ, не всегда легко воспринимаются руководителями. Иногда рекомендации ИИ могут противоречить повседневным практикам. Построение доверия к системе ИИ требует прозрачности и объяснительной способности. Объяснения должны иметь смысл для менеджеров, которые могут не иметь опыта в области МО, и они должны предоставлять убедительные доказательства в поддержку своих выводов. Для этого могут использоваться примеры событий, предшествовавших сбою системы, которые показывают, как система ИИ может заранее определять проблему до того, как операторы ее обнаружат.