Корпоративный ИИ: от «Создай или купи» до «Партнерствуй и развивайся»

Не так давно один из моих партнеров по сотрудничеству как бы между прочим обратился ко мне с предложением обсудить вариант использования ИИ в его организации. Они хотели сделать процесс адаптации более эффективным, используя ИИ для ответов на часто задаваемые вопросы новичков. Я предложил практичный подход к чату, который интегрировал бы их внутреннюю документацию, и они уверенно пошли дальше, планируя «поговорить со своей ИТ-командой» в дальнейшем.

По опыту я знал, что такой оптимизм хрупок. Среднестатистическая ИТ-команда не в состоянии самостоятельно внедрить полное и всеобъемлющее приложение на базе искусственного интеллекта. Так оно и вышло: спустя несколько месяцев они повесили трубку. Их система работала ужасно медленно, и также стало ясно, что они неправильно поняли реальные потребности пользователей во время разработки. Новые сотрудники задавали вопросы, отличные от тех, на которые была настроена система. Большинство пользователей отказывались от участия после нескольких попыток и больше не возвращались. Для устранения этих проблем потребовалось бы переосмысление всей архитектуры и стратегии работы с данными, но ущерб уже был нанесен. Сотрудники были разочарованы, руководство это заметило, и первоначальный восторг по поводу ИИ сменился скептицизмом. Аргументировать необходимость еще одной обширной фазы разработки было бы сложно, поэтому этот вопрос был тихо отложен в сторону.

Эта история вовсе не уникальна. Хитрый маркетинг компаний, занимающихся ИИ, создает иллюзию доступности ИИ, и компании спешат реализовывать инициативы, не до конца понимая предстоящие проблемы. Фактически, для создания надежной стратегии ИИ и реализации любого более или менее индивидуального варианта использования в вашей компании необходимы специальные знания. Если такой опыт отсутствует внутри компании, вам необходимо получить его от внешних партнеров или поставщиков.

Это не значит, что вам нужно скупить все — это все равно, что потратить 100 долларов в ресторане вместо того, чтобы пойти в супермаркет. Первый вариант утолит ваш голод мгновенно, а второй гарантирует вам пропитание на целую неделю.

Итак, с чего начать и кто должен реализовывать ваши первые проекты в области ИИ? Вот что я вижу: забудьте о принципе «создай или купи» и вместо этого сосредоточьтесь на партнерстве и обучении. Я твердо убежден, что большинству компаний следует наращивать внутреннюю экспертизу в области ИИ — это даст им большую пропускную способность в их стратегии и деятельности в области ИИ в будущем. В то же время ИИ — это сложное ремесло, овладение которым требует времени, и неудачи случаются везде (согласно Для этого отчета, выпущенного корпорацией RAND(Более 80% инициатив в области ИИ терпят неудачу.) Учиться на неудачах — это хорошо в теории, но на деле это приводит к потере времени, ресурсов и доверия. Для достижения эффективной зрелости ИИ компаниям следует рассмотреть возможность сотрудничества с надежными партнерами, готовыми поделиться своим опытом. Прагматичная и тщательная подготовка не только обеспечит более плавную техническую реализацию, но и затронет кадровые и бизнес-аспекты вашей стратегии ИИ.

Ниже я сначала обрисую общие основы (входы, выходы и компромиссы) решений «купить или построить» в ИИ. Далее вы узнаете о более уникальном подходе к партнерству. Он сочетает в себе создание и покупку, одновременно улучшая вашу внутреннюю кривую обучения. В заключение я дам несколько практических рекомендаций и советов по партнерству в сфере ИИ.

Основы принятия решений «производить или покупать» в ИИ

Давайте начнем с того, что разделим классическое решение «производить или покупать» на две части: входы — элементы, которые необходимо оценить заранее, — и выходы — последствия каждого выбора для вашего будущего бизнеса. Решение о том, производить ли искусственный интеллект собственными силами или закупать его у внешнего поставщика, является критически важным стратегическим решением, требующим глубокого понимания доступных ресурсов и ожидаемых затрат.

Вход

Для подготовки решения необходимо оценить внутренние возможности и требования к варианту использования. Эти факторы определят, насколько реалистичным, рискованным или выгодным является каждый вариант:

• Зрелость ИИ в вашей организации: Рассмотрите свои внутренние технические возможности, такие как квалифицированные специалисты в области ИИ, повторно используемые активы ИИ (например, наборы данных, готовые модели и графы знаний), а также смежные технические навыки, которые можно применить в сфере ИИ (например, инженерия и аналитика данных). Также подумайте, насколько хорошо пользователи взаимодействуют с ИИ и справляются с его скептицизмом. Инвестируйте в повышение квалификации и наращивание смелости по мере роста вашей зрелости в области искусственного интеллекта.
• Требования к опыту работы на местах: Насколько глубоко решение отражает ваши отраслевые знания? В случаях, когда требуется экспертная человеческая интуиция или организационные знания, ваши внутренние эксперты в предметной области будут играть решающую роль. Они должны быть частью процесса разработки, будь то посредством внутреннего строительства или в тесном партнерстве с внешним поставщиком.
• Техническая сложность варианта использования: Не все приложения ИИ одинаковы. Проект, который опирается на существующие API или базовые модели, намного проще, чем проект, требующий обучения пользовательской архитектуры модели с нуля. Высокая сложность увеличивает риски, потребность в ресурсах и потенциальные задержки подхода «сначала сборка».
• Ценностная и стратегическая дифференциация: Является ли вариант использования основой вашего стратегического преимущества или это просто вспомогательная функция? Если это уникально для вашей отрасли (или даже вашей компании) и увеличит вашу конкурентоспособность, совместное создание или разработка может обеспечить большую ценность. Напротив, для стандартного варианта использования (например, классификации и прогнозирования документов) покупка, скорее всего, обеспечит более быстрые и экономически эффективные результаты.

Последствия решений о производстве на собственном предприятии или покупке готовой продукции

После оценки ваших вложений вам необходимо будет определить последующие последствия вашего решения о собственном производстве или выкупе и оценить компромиссы. Вот семь измерений, которые повлияют на сроки, затраты, риски и результаты:

1. Персонализация: Степень, в которой решение на основе ИИ может быть адаптировано к конкретному рабочему процессу, целям и потребностям предметной области организации. Индивидуализация часто определяет, насколько хорошо решение соответствует уникальным бизнес-требованиям. Тщательная настройка имеет решающее значение для обеспечения соответствия решения вашим конкретным бизнес-процессам.
2. Сообщение: Права интеллектуальной собственности и контроль над базовыми моделями ИИ, кодом и стратегическим направлением. Собственное производство обеспечивает полное владение, тогда как закупка обычно подразумевает лицензирование сторонних технологий. Полное владение является стратегическим преимуществом, особенно в отраслях, где важны инновации и защита интеллектуальных активов.
3. В конце концов: Описывает, как обрабатываются данные, где они находятся и кто имеет к ним доступ. В регулируемых или конфиденциальных средах конфиденциальность данных и соответствие требованиям являются основными проблемами, особенно когда данные могут передаваться сторонним поставщикам или обрабатываться ими. Соблюдение глобальных стандартов безопасности данных, таких как GDPR и ISO 27001, имеет решающее значение.
4. цена: Включает как первоначальные инвестиции, так и текущие эксплуатационные расходы. Собственное производство подразумевает НИОКР, наличие талантов, инфраструктуры и долгосрочное обслуживание, тогда как закупка может потребовать лицензий, подписок или платы за использование облака. Для оценки финансовой осуществимости каждого варианта необходимо провести подробный анализ совокупной стоимости владения (TCO).
5. Время, необходимое для вывода продукта на рынок: Измеряет, насколько быстро решение может быть развернуто и начать приносить пользу. Быстрое развертывание часто имеет решающее значение на конкурентных или динамичных рынках; Задержки могут привести к упущенным возможностям. Выбор готового решения может значительно ускорить процесс вывода продукта на рынок, что даст вашей организации конкурентное преимущество.
6. Поддержка и обслуживание: Включает информацию о том, кто отвечает за обновления, масштабирование, исправление ошибок и текущую производительность модели. Дизайн интерьера требует специальных ресурсов для обслуживания, в то время как внешние решения часто включают в себя вспомогательные услуги. Соглашения об уровне обслуживания (SLA) должны включать четкую информацию о времени реагирования и решении проблем.
7. Кривая обучения искусственного интеллекта: Отражает сложность приобретения и внедрения опыта в области ИИ в организации. Внутреннее производство часто подразумевает множество проб и ошибок, а также нестабильные результаты, поскольку у команды нет базовых знаний об ИИ. С другой стороны, покупка или партнерство могут ускорить обучение за счет направленного опыта и зрелых инструментов, а также создать прочную основу для будущих мероприятий в области ИИ. Партнерства могут обеспечить доступ к специализированным знаниям и снизить риски, связанные с внутренней разработкой ИИ.

На практике бинарное мышление относительно собственного производства или закупки готовых изделий часто приводит к неразрешимым компромиссам. Давайте рассмотрим вариант использования настройки, упомянутый ранее. Одна из причин, по которой команда имеет тенденцию Собственное производство Необходимость сохранения конфиденциальности данных компании. В то же время у них не было собственных специалистов в области искусственного интеллекта, чтобы разработать готовую к использованию чат-систему. Они могли бы добиться большего успеха, если бы отдали на аутсорсинг разработку чата и постоянную поддержку, одновременно создавая собственную базу данных внутри компании. Поэтому вам не следует принимать решение о производстве всей системы ИИ собственными силами или закупке готовой продукции. Вместо этого разбейте его на компоненты и оцените каждый компонент с учетом ваших возможностей, ограничений и стратегических приоритетов.

На пути к плодотворному сотрудничеству между экспертами в данной области и искусственным интеллектом

На уровне компонентов я рекомендую вам различать внутренние и внешние решения с точки зрения требований к экспертизе. Большинство систем ИИ B2B сочетают в себе два типа экспертных знаний: экспертные знания в предметной области, имеющиеся в вашей компании, и технические знания в области ИИ, которые можно привлечь через внешнего партнера, если у вас (пока) нет специальных навыков в области ИИ. Ниже я рассмотрю потребности в экспертных знаниях каждого из основных компонентов системы ИИ (см. эта статья (Для пояснения ингредиентов). Такой стратегический подход обеспечивает максимальное использование имеющихся ресурсов и эффективное достижение бизнес-целей.

Возможность трудоустройства: определение правильных проблем ИИ

Знаете ли вы, что главная причина провала проектов ИИ не техническая, а выбор неправильной проблемы для решения (см. Причины неудач проектов искусственного интеллекта и как они могут добиться успеха)? Вы можете быть удивлены, но ваши экспертные команды глубоко понимают ваши проблемы. Но суть в том, что у них нет средств, чтобы подключить свои болевые точки к технологии ИИ. Вот некоторые из наиболее распространенных моделей отказов:

• формулировка проблемы нечеткая или ненадлежащаяЯвляется ли эта задача задачей, с которой ИИ уже справляется хорошо? Точное определение проблемы часто является первым шагом на пути к успешному решению с использованием ИИ.
• Оценка потерянных усилий/рентабельности инвестицийСтоит ли результат затраченного времени и ресурсов на разработку и внедрение ИИ? Ожидаемая отдача от использования ИИ должна быть ясной и обоснованной.
• нереалистичные ожиданияЧто означает «достаточно хорошо» для несовершенного ИИ? Критерии успеха должны быть четко определены до начала проекта.

С другой стороны, существует множество организаций, которые используют ИИ ради ИИ, создавая решения в поисках проблемы. Это сжигает ресурсы и подрывает внутреннюю уверенность.

Хороший партнер в области ИИ помогает оценить бизнес-процессы, готовые к вмешательству ИИ, оценить потенциальное воздействие и смоделировать, как ИИ может принести пользу. Обе стороны могут сформировать целенаправленный, высокоэффективный вариант использования посредством совместных исследовательских семинаров, проектных спринтов и исследовательского прототипирования.

Данные: топливо для вашей системы искусственного интеллекта

Чистые, хорошо организованные данные о домене являются ключевым активом. Он шифрует операционные данные, поведение клиентов, производительность системы и многое другое. Но одних только необработанных данных недостаточно — их необходимо преобразовать в значимые сигналы обучения. Именно здесь вступает в действие опыт в области ИИ, позволяющий проектировать цепочки поставок, выбирать правильные представления данных и согласовывать все с целями обучения ИИ.

Часто это подразумевает маркировку данных, то есть аннотирование примеров сигналами, на которых должна обучаться модель. Это может показаться утомительным, но не поддавайтесь искушению передать эту задачу на аутсорсинг. Маркировка является одним из наиболее контекстно-зависимых элементов цепочки поставок и для ее правильного выполнения требуются экспертные знания в данной области. На самом деле, многие задачи тонкой настройки сегодня лучше всего выполнять на небольших, но высококачественных наборах данных, поэтому работайте в тесном контакте с вашим партнером по ИИ, чтобы усилия были целенаправленными и управляемыми.

Очистка и предварительная обработка данных — еще одна область, где опыт имеет большое значение. Возможно, вы слышали старую поговорку: «Большинство специалистов по обработке данных тратят свое время на очистку данных». Это не значит, что он должен быть медленным. При наличии инженеров, имеющих опыт представления ваших данных (текст, числа, изображения и т. д.), этот процесс можно значительно ускорить. Они будут инстинктивно знать, какие методы предварительной обработки применять и когда, превращая недели проб и ошибок в часы продуктивной настройки.

Искусственный интеллект: модели и архитектуры ИИ

Большинство людей считает, что именно здесь начинаются проекты в области ИИ, но это только середина истории. Создание эффективных систем искусственного интеллекта требует глубоких знаний в области искусственного интеллекта для выбора или оптимизации моделей, оценки производительности и проектирования архитектур систем. Например, следует ли в вашем варианте использования использовать предварительно обученную модель? Вам нужна многомодельная установка? Что такое логические шкалы оценки? В более сложных системах различные компоненты ИИ, такие как модели и базы знаний, могут быть объединены в многоэтапный рабочий процесс.

Экспертиза предметной области осуществляется во время проверки и оценки системы. Экспертам и будущим пользователям необходимо проверить, имеют ли результаты работы ИИ смысл и соответствуют ли они их реальным ожиданиям. Модель может быть статистически надежной, но бесполезной в операционном плане, если ее выходные данные не соответствуют бизнес-логике. При проектировании сложных систем экспертам в предметной области также необходимо убедиться, что настройка системы отражает их реальные операции и потребности.

Проектирование моделей ИИ и создание индивидуальной архитектуры ИИ — это этап «пилотного помощника»: команды ИИ проектируют и оптимизируют систему, в то время как группы по предметной области направляют и оптимизируют ее на основе бизнес-целей. Со временем цель состоит в том, чтобы сформировать общее владение поведением системы.

«`

Пример из практики: создание экспертных знаний в области ИИ для поддержки страховых компаний

«`

В ведущей страховой компании группе специалистов по анализу данных было поручено создать систему прогнозирования рисков претензий — проект, который они хотели сохранить внутри компании, чтобы сохранить полную ответственность и тесное соответствие своим данным и рабочему процессу. Однако прототипы столкнулись с проблемами производительности и масштабируемости. Вот тут-то и пришла на помощь моя компания. Анакод Как архитектурный и стратегический партнер. Внутренняя команда помогла нам оценить возможные модели, разработать модульную архитектуру и настроить повторяемые конвейеры машинного обучения (ML). Но самое главное — мы проводим обучающие курсы, посвященные оценке моделей, операциям машинного обучения (MLOps) и ответственным практикам ИИ. Со временем внутренняя команда обрела уверенность, переработала предыдущие прототипы в надежное решение и взяла на себя полную ответственность за операции. Результатом стала система, которой они полностью владели, а экспертное руководство, которое мы предоставляли в ходе проекта, также расширило их внутренние возможности ИИ. Такой подход обеспечивает **улучшение системы прогнозирования рисков** и **развитие внутренних возможностей ИИ**.

Пользовательский опыт: реализация ценности ИИ через пользовательский интерфейс

Этот аспект сложен. За редкими исключениями, эксперты в предметной области или опытные инженеры ИИ вряд ли смогут разработать интуитивно понятный, эффективный и приятный интерфейс для реальных пользователей. В идеале вы можете нанять специализированных UX-дизайнеров. Если таковых нет, ищите людей из смежных дисциплин, обладающих естественным чувством пользовательского опыта. Сегодня существует множество инструментов искусственного интеллекта для поддержки UX-дизайна и создания прототипов, поэтому вкус важнее технического мастерства. Как только у вас появятся нужные люди, вам нужно будет предоставить им информацию с обеих сторон:

• фонЭксперты по ИИ дают представление о том, как система работает изнутри — ее сильные стороны, ограничения и уровни определенности — и поддерживают разработку таких элементов, как объяснения, индексы неопределенности и оценки уверенности (см. эта статья О формировании доверия к ИИ через пользовательский опыт.
• лицевая сторонаЭксперты в предметной области понимают пользователей, их рабочий процесс и их болевые точки. Они помогают проверять потоки пользователей, выявлять проблемы и предлагать улучшения на основе того, как люди фактически взаимодействуют с системой.

Сосредоточьтесь на быстром повторении и будьте готовы к некоторым ошибкам. Пользовательский опыт в сфере ИИ — это новая область, и не существует единой формулы того, что должно быть «отлично». Наилучший опыт достигается в результате тесных, итеративных циклов обратной связи, где проектирование, тестирование и совершенствование происходят непрерывно, с учетом мнений как экспертов в данной области, так и специалистов по искусственному интеллекту. Целью должна быть разработка эффективных и удобных пользовательских интерфейсов (UI), гарантирующих беспрепятственную доставку пользователям всех возможностей ИИ.

 

Поддержка и обслуживание: поддержание работоспособности ИИ

После развертывания системы ИИ требуют тщательного мониторинга и постоянного совершенствования. Поведение пользователей в реальном мире часто отличается от поведения в тестовых условиях и меняется со временем. Эта присущая неопределенность означает, что вашей системе необходим эффективный мониторинг, чтобы можно было выявлять и устранять проблемы на ранних этапах.

Техническая инфраструктура для мониторинга, включая отслеживание производительности, обнаружение отклонений, переобучение машин и конвейеры MLOps, обычно настраивается вашим партнером по ИИ. После внедрения многие ежедневные задачи мониторинга не требуют глубоких технических навыков. Для этого требуется экспертиза в предметной области: понимание того, по-прежнему ли имеет смысл вывод модели, умение замечать едва заметные изменения в моделях использования и знание того, когда что-то «не так».

Хорошо продуманная фаза поддержки — это не просто операционная часть: она может стать критически важной фазой обучения для ваших внутренних команд. Это создает пространство для постепенного развития навыков, более глубокого понимания системы и, в конечном итоге, более плавного перехода к более полному освоению системы ИИ с течением времени. Это позволяет постоянно повышать производительность и эффективность системы.

Поэтому вместо того, чтобы рассматривать внедрение ИИ как бинарное решение между «создать или купить», следует рассматривать его как мозаику действий. Некоторые из этих видов деятельности носят сугубо технический характер, в то время как другие тесно связаны с контекстом вашего бизнеса. Определив обязанности на протяжении жизненного цикла ИИ, вы сможете:

• Уточнить роли и навыки, необходимые для успеха
• Определите возможности, которые уже есть у вас в компании.
• Найдите пробелы, где внешний опыт наиболее ценен.
• Планирование передачи знаний и долгосрочного владения

Если вы хотите глубже погрузиться в интеграцию экспертных знаний в вашей системе ИИ, ознакомьтесь с моей статьей «Внедрение экспертных знаний в вашей системе ИИ». Важно отметить, что граница между экспертными знаниями в предметной области и экспертными знаниями в области ИИ не является незыблемой. Возможно, в вашей команде уже есть сотрудники, экспериментирующие с машинным обучением, или те, кто стремится перейти на более технические должности. Благодаря правильной модели партнерства и стратегии повышения квалификации вы сможете двигаться к автономной работе с ИИ, постепенно принимая на себя всё больше ответственности и контроля по мере роста вашей внутренней зрелости.

Начните как можно раньше и сосредоточьтесь на общении при партнерстве в сфере ИИ.

Теперь вы знаете, что решения о производстве или покупке должны приниматься на уровне отдельных компонентов вашей системы искусственного интеллекта. Но если в вашей команде пока нет специалистов по ИИ, как вы можете представить, как в конечном итоге будет выглядеть ваша система и ее компоненты? Ответ: Начните партнерство как можно раньше. Когда вы начнете разрабатывать и разрабатывать свою стратегию ИИ, обратитесь к надежному партнеру, который будет руководить этим процессом. Выберите человека, с которым вы можете легко и открыто общаться. При правильном сотрудничестве с самого начала у вас будет больше шансов успешно и беспрепятственно преодолеть трудности, связанные с ИИ. Создание прочных партнерских отношений в области ИИ, особенно с профильными экспертами, имеет решающее значение для обеспечения успеха проектов в области ИИ и снижения потенциальных рисков.

Выберите партнера по ИИ, имеющего основные знания в этой области.

Ваш партнер по ИИ должен не только предоставлять код и технические ресурсы, но и помогать вашей организации учиться и развиваться в ходе сотрудничества. Вот некоторые распространенные типы внешнего партнерства и то, чего можно ожидать от каждого из них:

• АутсорсингЭта модель устраняет сложность — вы получаете результаты быстро, как порция быстрых углеводов. Несмотря на свою эффективность, он редко обеспечивает долгосрочную стратегическую ценность. В итоге вы получаете инструмент, а не более мощные возможности.
• Академическое партнерство: Отлично подходит для передовых инноваций и долгосрочных исследований, но часто менее подходит для фактического развертывания и внедрения системы ИИ в реальном мире.
• Консультативное партнерствоНа мой взгляд, это наиболее перспективный путь, особенно для компаний, которые уже имеют техническую команду и хотят развивать свои навыки в области ИИ. Хороший консультант расширяет возможности инженеров вашей компании, помогает им избегать дорогостоящих ошибок и привносит практические, основанные на опыте идеи в такие вопросы, как: какой технический инструментарий подходит для нашего варианта использования? Как мы сортируем наши данные, чтобы повысить их качество и обеспечить надежный цикл обработки данных? Как нам расшириться, не ставя под угрозу доверие и управление?

Подробная схема выбора партнеров выходит за рамки этой статьи, но вот совет, который дали нам нелегко: будьте осторожны с фирмами, занимающимися аутсорсингом и консалтингом в сфере ИТ, которые внезапно добавляют слово «ИИ» в свои предложения после бума GenAI в 2022 году. Они могут очаровать вас модными словечками, но если ИИ не является частью их ДНК, вы можете в конечном итоге заплатить за их обучение, а не получить выгоду от дополнительных знаний. Выберите партнера, который уже проделал тяжелую работу и готов передать свой опыт вам.

 

Удвойте усилия по коммуникации и координации.

Эффективная коммуникация и координация между заинтересованными сторонами имеют решающее значение в моделях партнерства. Вот несколько важных коммуникационных ролей, которые вам следует освоить в своей компании:

• Руководители и эксперты в предметной области должны четко определять и сообщать о бизнес-проблемах, которые стоит решить (плюс рекомендации по обмену идеями об ИИ) здесь).
• Конечным пользователям необходимо как можно раньше сообщать о своих потребностях, предоставлять обратную связь в процессе использования и, что еще лучше, становиться партнерами в формировании опыта использования ИИ.
• ИТ-отделы и отделы управления должны обеспечивать соблюдение требований, безопасность и защищенность, одновременно способствуя инновациям в области ИИ, а не препятствуя им. Помните: эти способности не проявляются полностью.

В проектах ИИ возрастает риск плохой координации и непродуктивной разрозненности. ИИ все еще остается относительно новой областью, и сама терминология может вызывать путаницу. Если вы когда-либо участвовали в дебатах о разнице между «ИИ» и «машинным обучением», вы понимаете, о чем я. Если нет, я рекомендую вам попробовать это на следующей встрече с коллегами. Это может быть так же неуловимо, как и разговор с партнером, который начинается со слов: «Нам нужно поговорить».

Стремитесь к сближению обеих сторон, чтобы устранить двусмысленность и разобщенность. Вашим внутренним командам следует инвестировать в повышение квалификации и формирование фундаментального понимания концепций ИИ. С другой стороны, ваши партнеры по искусственному интеллекту должны пойти вам навстречу. Им следует избегать жаргона и использовать понятный, деловой язык, с которым ваша команда действительно сможет работать. Эффективное сотрудничество начинается с общего понимания.

Заключение

Настоящий вопрос не в том, «Создавать ли нам ИИ или покупать его?» Вместо этого возникает вопрос: «Как нам расширить возможности нашего ИИ, чтобы сбалансировать скорость, контроль и долгосрочную ценность?» Ответ заключается в осознании того, что ИИ — это сочетание технологий и опыта, успех которого зависит от подбора правильных ресурсов для решения правильных задач.

Для большинства организаций более разумным путем будет партнерство – Объедините сильные стороны своей отрасли с внешним опытом в области ИИ, чтобы быстрее развиваться, быстрее учиться и в конечном итоге получить максимальную отдачу от вашего опыта в области ИИ.

Что вы можете сделать дальше:

• Определите варианты использования ИИ с учетом ваших внутренних возможностей. Будьте честны относительно пробелов.
• Выбирайте партнеров, которые передают знания, а не просто результаты.
• Определите, какие компоненты необходимо изготовить, приобрести или создать совместно. Вам не нужно делать бинарный выбор.
• Повышайте уровень навыков своей команды по мере продвижения. Каждый проект должен делать вас более способными и независимыми, а не более зависимыми от активов и навыков вашего партнера.
• Начните с целевых пилотных проектов. Создавайте ценность и импульс для внутреннего обучения.

Применяя стратегический подход к наращиванию потенциала сегодня, вы закладываете основу для становления организации, использующей ИИ, а в конечном итоге и организации, управляемой ИИ, в долгосрочной перспективе.