X, Y, Z ve Boomer kuşağının birleştirilmesi: Yapay zeka başarısının gözden kaçan sırrı

Modern organizasyonlar etkili bir şekilde yararlanma ihtiyacının son derece farkındadır. üretken yapay zeka iş operasyonlarını ve ürün rekabet gücünü artırmak. Buna göre araştırma Forrester’dan şirketlerin %85’i deneme yapıyor nesil yapay zekave bir KPMG ABD çalışmak Yöneticilerin %65’i bunun “önümüzdeki üç ila beş yıl içinde organizasyonları üzerinde diğer tüm gelişen teknolojilerden çok daha yüksek veya son derece yüksek bir etki yaratacağına” inandığını buldu.

Her yeni teknolojide olduğu gibi benimsenmesi ve gen AI’nın uygulanması şüphesiz zorluklar yaratacaktır. Pek çok kuruluş hâlihazırda kısıtlı bütçelerle, aşırı yüklenmiş ekiplerle ve daha az kaynakla mücadele ediyor; bu nedenle işletmelerin, yapay zekanın katılımı konusunda özellikle stratejik olmaları gerekir.

Yapay zeka neslinin başarısının kritik (ancak çoğu zaman gözden kaçırılan) yönlerinden biri, bu projelerdeki teknolojinin arkasındaki insanlar ve aralarındaki dinamiklerdir. Teknolojiden maksimum değer elde etmek için kuruluşlar, alana özgü bilgileri birleştiren ekipler oluşturmalıdır. Yapay zekaya özgü yetenek BT emektarlarının pratik ve uygulamalı deneyimiyle. Doğası gereği bu ekipler genellikle farklı nesillerden, farklı beceri gruplarından ve farklı iş anlayışı düzeylerinden oluşur.

Yapay zeka uzmanlarının ve iş teknoloji uzmanlarının birlikte etkili bir şekilde çalışmasını sağlamak çok önemlidir ve bir şirketin genel yapay zeka girişimlerinin başarısını veya eksikliklerini belirleyecektir. Aşağıda, konu teknoloji olduğunda bu rollerin iğneyi nasıl hareket ettirdiğini ve olumlu iş sonuçları elde etmek için en iyi şekilde nasıl işbirliği yapabileceklerini keşfedeceğiz.

Yapay zeka neslinin başarısında BT emektarlarının ve yapay zeka yerlisi yeteneklerin rolü

Ortalamada, Bir kuruluşun teknolojisinin %31’i eski sistemlerden oluşur. Bir işletme ne kadar kalıcı, başarılı ve karmaşıksa, ilk kez en az on yıl önce uygulamaya konulan teknolojinin geniş bir ayak izine sahip olma olasılığı da o kadar yüksektir.

Her türlü yeni teknolojinin iş vaadini gerçekleştirmek — gen AI dahil—bir kuruluşun ilk olarak mevcut yatırımlardan maksimum miktarda değer elde etme becerisine bağlıdır. Bunu yapmak, iş hakkında yüksek derecede bağlamsal bilgi gerektirir; sadece BT emektarlarının sahip olduğu özellikler. Eski sistem yönetimindeki deneyimleri, iş konusundaki derin anlayışla birleştiğinde, gen yapay zekasını ürünlere ve iş akışlarına dahil etmek için en uygun ortamı yaratırken aynı zamanda şirketin ileriye dönük momentumunu da destekler.

Veri bilimi mezunları ve yapay zekanın yerli yetenekleri de kritik becerileri ortaya koyuyor; yani yapay zeka araçlarıyla çalışma yeterliliği ve bu araçları etkili kılmak için gerekli veri mühendisliği becerileri. Yapay zeka tekniklerinin (doğal dil işleme (NLP), anormallik tespiti, tahmine dayalı analitik veya başka bir uygulama) bir kuruluşun verilerine nasıl uygulanacağı konusunda derinlemesine bir anlayışa sahiptirler. Belki de en önemlisi, bu araçlara hangi verilerin uygulanması gerektiğini anlıyorlar ve bu verileri söz konusu araçlar için kullanılabilir hale getirecek teknik bilgi birikimine sahipler.

Kuruluşların yeni yapay zeka yeteneklerini mevcut kurumsal profesyonellerine dahil ederken karşılaşabilecekleri birkaç zorluk var. Aşağıda bu potansiyel engelleri ve bunların nasıl azaltılabileceğini inceleyeceğiz.

Yapay zeka nesline yer açmak

Kuruluşların bu yeni ekipleri oluştururken karşılaşmayı bekleyebilecekleri temel zorluk kaynak kıtlığıdır. BT ekipleri halihazırda mevcut sistemlerin optimum performansta çalışmasını sağlama göreviyle aşırı yüklenmiş durumda; onlardan genel yapay zekaya yer açmak için tüm teknoloji ortamını yeniden tasarlamalarını istemek zorlu bir iş.

Tecrit cazip gelebilir gen yapay zeka ekipleri işgücü kapasitesinin eksikliğinden dolayı kuruluşlar teknolojiyi temel uygulama yığınlarına entegre etmede zorluk riskiyle karşı karşıya kalırlar. Şirketler, doktoralıları işle bağlantısı olmayan bir köşe ofiste izole ederek gen yapay zeka konusunda anlamlı ilerlemeler kaydetmeyi bekleyemez; bu ekiplerin birlikte çalışması hayati önem taşıyor.

Kuruluşların bu değişiklikler karşısında beklentilerini ayarlamaları gerekebilir: BT’nin mevcut önceliklerini korurken aynı zamanda yeni ekip üyeleriyle çalışmayı öğrenmesini ve onları denklemin iş tarafında eğitmesini beklemek mantıksız olacaktır. Şirketlerin, yeni nesil yapay zeka girişimleri için içeriden kapasite yaratmak amacıyla önceki yatırımları kesme ve birleştirme konusunda muhtemelen bazı zor kararlar alması gerekecek.

Sorunun netleşmesi

Herhangi bir yeni teknolojiyi getirirken problem alanı konusunda son derece net olmak çok önemlidir. Takımlar çözecekleri problem, elde etmek istedikleri sonuç ve bu sonucun kilidini açmak için hangi araçların gerekli olduğu konusunda tam bir fikir birliğine sahip olmalıdır. Ayrıca bu kaldıraçlar arasındaki engellerin neler olduğu ve bunların üstesinden gelmek için nelerin gerekli olacağı konusunda da aynı fikirde olmaları gerekiyor.

Ekipleri aynı fikirde buluşturmanın etkili bir yolu, kaynakların uyumlaştırılmasını ve çıktılara ilişkin beklentilerin netliğini sağlamak için hedef sonucu destekleyici kaldıraçlara ve engellere açıkça bağlayan bir sonuç haritası oluşturmaktır. Sonuç haritası, yukarıdaki faktörleri kapsamanın yanı sıra, ölçülebilir ölçümler yoluyla ekibin iş etkisine karşı sorumlu tutulması için her bir unsurun nasıl ölçüleceğini de ele almalıdır.

Şirketler, olası çözümler hakkında spekülasyon yapmak yerine sorun alanını derinlemesine inceleyerek olası başarısızlıkları ve olay sonrasında aşırı yeniden çalışmayı önleyebilir. Bu, yaklaşık on yıl önceki büyük veri patlaması sırasında gözlemlenen boşa harcanan yatırımlara benzetilebilir: Şirketlerin kolayca uygulayabilecekleri bir fikir vardı. büyük veri ve analiz araçları kurumsal verilerine aktaracak ve veriler onlara fırsatları ortaya çıkaracaktır. Bunun ne yazık ki bir yanılgı olduğu ortaya çıktı, ancak bu yeni teknolojileri uygulamadan önce sorun alanlarını derinlemesine anlamaya zaman ayıran ve özen gösteren şirketler, benzeri görülmemiş bir değerin kilidini açmayı başardılar ve aynı şey, yapay zeka nesli için de geçerli olacak.

Anlayışı geliştirmek

BT profesyonellerinin, veri bilimi becerileri kazanmak ve kuruluşlarındaki genel yapay zeka girişimlerini daha etkili bir şekilde desteklemek için eğitimlerine devam etme eğilimi var; ben de onlardan biriyim.

Günümüzün veri bilimi yüksek lisans programları, yeni üniversite mezunlarının, kariyer ortasındaki profesyonellerin ve üst düzey yöneticilerin ihtiyaçlarını aynı anda karşılamak üzere tasarlanmıştır. Ayrıca, iş yerindeki BT emektarları ile yapay zekanın yerli yetenekleri arasındaki anlayışın ve işbirliğinin iyileştirilmesinin ek faydasını da sağlarlar.

UC Berkeley Bilgi Okulu’ndan yeni mezun olan biri olarak, grubumun çoğunluğu kariyerinin ortasındaki profesyonellerden, birkaçı C düzeyindeki yöneticilerden ve geri kalanı da lisans eğitiminden yeni mezun olanlardan oluşuyordu. Bu programlar, yapay zeka neslinin başarısı için bir gereklilik olmasa da, deneyimli BT profesyonellerine, kuruluşlarında yapay zeka genini güçlendirecek teknik veri bilimi kavramları hakkında daha fazla bilgi edinmeleri için mükemmel bir fırsat sunuyor.

Teknolojik öncüllerinin her biri gibi, gen yapay zeka da hem yeni fırsatlar hem de zorluklar yaratıyor. Kıdemli BT profesyonelleri ile yeni yapay zeka yetenekleri arasındaki kuşak ve bilgi boşluklarını kapatmak, bilinçli bir strateji gerektirir. Şirketler yukarıdaki tavsiyeleri dikkate alarak kendilerini başarıya hazırlayabilir ve kuruluşlarında yeni nesil yapay zeka inovasyon dalgasını yönlendirebilirler.

Jeremiah Stone, CTO’dur SnapLogic.