Warum Sie KI als Teamsport betrachten sollten

Was bedeutet es, KI als Mannschaftssport zu betrachten? Wir erleben, dass sich KI-Projekte von einem Hype zu einer Wirkung entwickeln, vor allem weil die richtigen Rollen involviert werden, um den Geschäftskontext bereitzustellen, der bisher fehlte. Fachkompetenz ist der Schlüssel; Maschinen verfügen nicht über die Kontexttiefe wie Menschen, und Menschen müssen das Geschäft und die Daten gut genug kennen, um zu verstehen, welche Maßnahmen sie auf der Grundlage der gewonnenen Erkenntnisse oder Empfehlungen ergreifen müssen.

Wenn es um die Skalierung von KI geht, glauben viele Führungskräfte, dass sie ein Problem mit den Mitarbeitern haben – insbesondere, dass es nicht genügend Datenwissenschaftler gibt. Aber nicht jedes Geschäftsproblem ist ein datenwissenschaftliches Problem. Zumindest sollte nicht jede geschäftliche Herausforderung Ihrem Data-Science-Team auferlegt werden. Mit dem richtigen Ansatz können Sie die Vorteile der KI nutzen, ohne die Herausforderungen, die mit traditionellen Data-Science-Zyklen einhergehen.

Um KI-Lösungen bereitzustellen und zu skalieren, müssen Führungskräfte die Denkweise des Unternehmens dahingehend ändern, KI als Mannschaftssport zu betrachten. Bei manchen KI-Projekten sind andere Personen, Tools und Erwartungen erforderlich, damit erfolgreiche Ergebnisse aussehen. Wenn Sie wissen, wie Sie diese Chancen erkennen, können Sie erfolgreichere KI-Projekte angehen und Ihren Bestand an KI-Anwendern vertiefen, wodurch die Entscheidungsfindung in der gesamten Belegschaft schneller und leistungsfähiger wird. Lassen Sie uns untersuchen, warum und wie.

Organisationen demokratisieren fortgeschrittene Analysen mit KI

Der Einsatz von KI zur Lösung geschäftlicher Probleme liegt bislang weitgehend im Zuständigkeitsbereich von Datenwissenschaftlern. Oft sind Data-Science-Teams den größten Chancen und komplexesten Herausforderungen einer Organisation vorbehalten. Viele Unternehmen haben die Datenwissenschaft erfolgreich auf bestimmte Anwendungsfälle wie Betrugserkennung, Personalisierung usw. angewendet, bei denen fundiertes technisches Fachwissen und fein abgestimmte Modelle zu äußerst erfolgreichen Ergebnissen führen.

Die Skalierung von KI-Lösungen durch Ihr Data-Science-Team stellt für Unternehmen jedoch aus vielen Gründen eine Herausforderung dar. Die Gewinnung und Bindung von Talenten ist sehr kostspielig und kann in einem wettbewerbsintensiven Markt schwierig sein. Die Entwicklung und Bereitstellung traditioneller Data-Science-Projekte kann oft viel Zeit in Anspruch nehmen, bevor das Unternehmen einen Wert erkennt. Und selbst die erfahrensten und robustesten Data-Science-Teams können scheitern, wenn ihnen die notwendigen Daten oder der Kontext fehlen, um die Nuancen des Problems zu verstehen, das sie lösen sollen.

Der Gartner® 2021 Der Stand der Datenwissenschaft und des maschinellen Lernens In dem Bericht (DSML) heißt es: „Die Kundennachfrage verändert sich: weniger technisch versierte Zielgruppen möchten DSML einfacher anwenden, Experten müssen ihre Produktivität verbessern und Unternehmen benötigen eine kürzere Zeit bis zur Amortisation ihrer Investitionen.“¹.“ Auch wenn es viele geschäftliche Probleme gibt, die von der Geschwindigkeit oder Gründlichkeit der Analyse, die KI bieten kann, profitieren können, ist ein traditioneller datenwissenschaftlicher Ansatz möglicherweise nicht immer der beste Angriffsplan, um schnell einen Nutzen zu erkennen. Tatsächlich prognostiziert derselbe Gartner-Bericht, dass „bis 2025 der Mangel an Datenwissenschaftlern die Einführung von Datenwissenschaft und maschinellem Lernen in Unternehmen nicht länger behindern wird“.

Fachkompetenz ist für die Skalierung von KI im gesamten Unternehmen von entscheidender Bedeutung

KI trägt bereits dazu bei, Benutzern ohne datenwissenschaftlichen Hintergrund erweiterte Analysefunktionen bereitzustellen. Maschinen können aus den besten Prognosemodellen und Algorithmen auswählen, und zugrunde liegende Modelle können verfügbar gemacht werden, was die Möglichkeit bietet, sie zu optimieren und sicherzustellen, dass alles mit den Wünschen des Benutzers übereinstimmt.

Diese Funktionen geben Analysten und erfahrenen Branchenexperten die Möglichkeit, ihre eigenen KI-Anwendungen zu entwerfen und zu nutzen. Da diese Benutzer näher an den Daten sind, haben sie gegenüber vielen ihrer Datenwissenschaftler-Kollegen einen Vorteil. Wenn Sie diese Macht in die Hände von Personen mit Fachkenntnissen legen, können Sie die langen Entwicklungszeiten, Ressourcenbelastungen und versteckten Kosten vermeiden, die mit herkömmlichen Data-Science-Zyklen verbunden sind. Darüber hinaus sollten Personen mit Fachkenntnissen in diesem Bereich entscheiden, ob eine KI-Vorhersage oder ein KI-Vorschlag überhaupt hilfreich ist.

Mit iterativeren Prozessen zur Modellerstellung, bei denen das Überarbeiten und erneute Bereitstellen von Modellen durchgeführt wird, können Menschen mit Geschäftskontext schneller von der KI profitieren – und sogar neue Modelle innerhalb von Tagen bis Wochen statt Wochen bis Monaten für Tausende von Benutzern bereitstellen. Dies ist besonders wirkungsvoll für Teams, deren einzigartige Herausforderungen für Data-Science-Teams möglicherweise keine hohe Priorität haben, die aber von der Geschwindigkeit und Gründlichkeit der KI-Analyse profitieren können.

Es ist jedoch wichtig zu beachten, dass diese Lösungen zwar dazu beitragen können, die Qualifikationslücke zwischen Analysten und Datenwissenschaftlern zu schließen, sie jedoch keinen Ersatz für Letztere darstellen. Datenwissenschaftler bleiben ein wichtiger Partner von Geschäftsexperten, um die Daten zu validieren, die in KI-basierten Lösungen verwendet werden. Und zusätzlich zu dieser Zusammenarbeit werden Bildung und Datenkenntnisse entscheidend für den erfolgreichen Einsatz dieser Art von Tools in großem Maßstab sein.

Durch Datenkompetenz können mehr Menschen KI nutzen

Ihre grundlegende Datenstrategie spielt eine große Rolle beim Aufbau Ihres Unternehmens für den Erfolg mit KI. Um KI-Lösungen jedoch mehr Menschen im gesamten Unternehmen zugänglich zu machen, sind grundlegende Datenkompetenzen erforderlich. Wenn Sie verstehen, welche Daten für ein Geschäftsproblem geeignet sind und wie die Daten und Ergebnisse einer KI-Empfehlung zu interpretieren sind, können Menschen erfolgreich auf KI vertrauen und sie als Teil ihrer Entscheidungsfindung übernehmen. Eine gemeinsame Datensprache innerhalb der Organisation öffnet auch mehr Türen für eine erfolgreiche Zusammenarbeit mit Experten.

Die jüngste globale Umfrage von McKinsey zu KI ergab, dass in 34 % der leistungsstarken Unternehmen „ein spezielles Schulungszentrum die KI-Fähigkeiten von nichttechnischem Personal durch praktisches Lernen entwickelt“, verglichen mit nur 14 % aller anderen Befragten. Darüber hinaus gibt es in 39 % der leistungsstarken Organisationen „festgelegte Kommunikationskanäle und Berührungspunkte zwischen KI-Benutzern und dem Data-Science-Team der Organisation“, im Vergleich zu nur 20 % der anderen.

Führungskräfte können eine Vielzahl von Ansätzen zum Aufbau von Datenkompetenz verfolgen, von Bildung und Schulung über Mentoring-Programme bis hin zu Datenwettbewerben zum Aufbau von Gemeinschaften und mehr. Denken Sie darüber nach, den Zugriff und die gemeinsame Nutzung von Daten zu normalisieren und darüber nachzudenken, wie Sie Erfolge, Erkenntnisse und Entscheidungsfindung mithilfe von Daten feiern und fördern.

„Datenkompetenz und Aufklärung über Visualisierung und Datenwissenschaft müssen stärker verbreitet und früher vermittelt werden“, sagte Vidya Setlur, Leiterin von Tableau Research. „Mit der Verwendung von Daten geht eine Art soziale und organisatorische Verantwortung einher. Die Menschen sollten besser in der Lage sein, Daten zu verstehen, zu interpretieren und das Beste aus ihnen zu machen, denn die KI wird immer ausgefeilter und wir sollten dem Spiel ein paar Schritte voraus sein.“

Durch den weiteren Ausbau der Datenkultur Ihres Unternehmens ergeben sich wirkungsvolle Möglichkeiten zur Förderung von Fähigkeiten und zur Förderung neuer Lösungen im gesamten Unternehmen. Viele Unternehmen haben ihre Investitionen in Daten und Analysen in den letzten Jahren bereits erhöht, da sich die digitale Transformation beschleunigt hat. Es ist nicht möglich, Daten als Mannschaftssport zu betrachten – und jetzt haben wir die Möglichkeit, diese Denkweise auf KI auszudehnen.