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 возглавить ваши первые проекты в области ИИ? Вот что я думаю: забудьте о принципе «создавать или покупать» и сосредоточьтесь на партнерстве и обучении. Я твердо убежден, что большинству компаний следует развивать внутреннюю экспертизу в области ИИ — это даст им большую гибкость в их стратегии и деятельности в сфере ИИ в будущем. В то же время, ИИ — это сложная область, требующая времени для освоения, и неудачи повсеместны (согласно этому отчету RAND , более 80% инициатив в области ИИ терпят неудачу). Учиться на ошибках — это хорошо в теории, но на практике это пустая трата времени, ресурсов и репутации. Для эффективного достижения зрелости в области ИИ компаниям следует рассмотреть возможность сотрудничества с проверенными партнерами, готовыми поделиться своим опытом. Реалистичная и тщательная настройка обеспечит не только более плавную техническую реализацию, но и учтет человеческие и бизнес-аспекты вашей стратегии в области 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 же мышление в бинарных категориях — собственное производство или готовые решения — часто приводит к неразрешимым компромиссам. Рассмотрим упомянутый ранее пример. Одной из причин, по которой команда склонялась к собственному производству, была необходимость сохранения конфиденциальности данных компании. В то же время им не хватало собственных экспертов в области ИИ для разработки готовой к производству системы чат-бота. Возможно, они добились бы большего успеха, если бы передали архитектуру чат-бота и его текущую поддержку на аутсорсинг, а базу данных создали бы внутри компании. Поэтому не следует принимать решение о собственном производстве или использовании готовых решений на уровне всей системы ИИ. Вместо этого разбейте ее на компоненты и оцените каждый компонент, исходя из ваших возможностей, ограничений и стратегических приоритетов.

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

На уровне компонентов я рекомендую различать решения о собственном производстве и аутсорсинге с точки зрения требований к экспертизе. Большинство систем искусственного интеллекта для бизнеса (B2B) сочетают в себе два типа экспертизы: экспертизу в предметной области, которая доступна внутри вашей компании, и техническую экспертизу в области ИИ, которую можно привлечь через внешнего партнера, если у вас (пока) нет специализированных навыков в области ИИ. Ниже я рассмотрю потребности в экспертизе для каждого из основных компонентов системы ИИ (подробное описание компонентов см. в этой статье ). Такой стратегический подход гарантирует максимально эффективное использование имеющихся ресурсов и результативное достижение бизнес-целей.

Возможность трудоустройства: определение правильных проблем ИИ

Знаете ли вы, что главная причина провала проектов в области искусственного интеллекта кроется не в технических проблемах, а в выборе неправильной задачи для решения (см. « Коренные причины провала проектов в области искусственного интеллекта и способы их успешного завершения »)? Вы можете удивиться, ведь ваши экспертные команды глубоко понимают свои проблемы. Но суть в том, что им не хватает средств для связи своих проблем с технологиями ИИ. Вот некоторые из наиболее распространенных моделей провала:

• 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 экспертные знания играют огромную роль. Вы, вероятно, слышали поговорку: «Большинство специалистов по анализу данных тратят свое время на очистку данных». Это не значит, что этот процесс должен быть медленным. Инженеры, знакомые с тем, как представлены ваши данные (текст, числа, изображения и т. д.), могут значительно ускорить этот процесс. Они инстинктивно будут 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 одной из ведущих страховых компаний команде специалистов по анализу данных было поручено создать систему прогнозирования рисков страховых случаев — проект, который они хотели сохранить внутри компании, чтобы обеспечить полную юридическую ответственность и тесную связь с данными и рабочим процессом. Однако прототипы столкнулись с проблемами производительности и масштабируемости. Именно здесь компания Anacode выступила в качестве архитектурного и стратегического партнера. Мы помогли внутренней команде оценить подходящие модели, разработать модульную архитектуру и настроить воспроизводимые конвейеры машинного обучения (ML). Что особенно важно, мы провели целевые обучающие сессии, посвященные оценке моделей, процессам машинного обучения (MLOps) и ответственным методам использования ИИ. Со временем внутренняя команда обрела уверенность, усовершенствовала предыдущие прототипы, превратив их в надежное решение, и взяла процесс под полный контроль. В результате получилась полностью принадлежащая компании система, а предоставленное нами специализированное руководство на протяжении всего проекта также расширило их внутренние возможности в области ИИ. Такой подход обеспечивает как улучшенную систему прогнозирования рисков, так и развитие их внутренних возможностей в области 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, связанных с искусственным интеллектом, риск плохой координации и непродуктивной изоляции всегда присутствует. Искусственный интеллект — относительно новая область, и даже терминология может вызывать путаницу. Если вы когда-либо участвовали в дискуссии о разнице между «искусственным интеллектом» и «машинным обучением», вы понимаете, о чём я говорю. Если нет, я призываю вас попробовать это на следующей встрече с коллегами. Это может быть так же сложно, как и разговор с партнёром, начинающийся 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 наиболее разумный путь — это партнерство : объединение сильных сторон вашей отрасли с опытом внешних экспертов в области ИИ для более быстрого создания, более быстрого обучения и, в конечном итоге, получения всех преимуществ от внедрения 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.