For fire år siden skrev jeg en lignende artikel, og nu, som formand, præsident og CEO for DXC Technology, bliver jeg mindet om dens fortsatte relevans, når jeg læser de seneste overskrifter og taler med kunder over hele verden, som er ivrige efter at forsikre deres bestyrelser og investorer om, at de omfavner innovation for at skabe vækst.
Alle CIO'er ønsker at investere i de nyeste teknologier inden for kunstig intelligens (AI) og maskinlæring (ML) for at få en konkurrencemæssig fordel, opnå omkostningseffektivitet, fremskynde markedsføringen og forbedre den samlede oplevelse. Tro mig, du har ikke lyst til at komme for sent til denne fest. Men presset for at handle hurtigt kan hæmme din evne til at nå de ønskede forretningsmål.
Et aspekt, som mange CIO'er overser, når de begiver sig ud på deres AI/ML-rejse, er, hvordan de udvikler deres talentstrategi til effektivt at skalere deres initiativer på dette område.
Den nye 80/20-regel
Hos DXC har vi lært, at for at maksimere fordelene ved maskinlæring for din virksomhed, skal du anvende en hybrid tilgang, der kombinerer teknologi til at tage dig 80% af vejen derhen, og mennesker, der vil tage det resten af vejen.
Mange softwareprodukter kan i dag prale af indlejrede AI- og ML-funktioner, hvilket antyder, at virksomheder simpelthen kan stole på en plug-and-play-tilgang. Tag det ud af æsken, tilslut det, og så virker det på magisk vis.
Men den sande essens af maskinlæring - dens banebrydende natur og den værdi, den bringer til virksomheder - er umulig at levere uden menneskelig indgriben.
Et perfekt eksempel på dette er DXC Platform XTM, vores datadrevne intelligensplatform, der effektivt administrerer vores kunders it-aktiver. Platform X integrerer avancerede AI- og ML-teknologier med et stort katalog af automatiseringsbots. Men den er designet til at inkludere vores ingeniører, som opererer fra et virtuelt "kontrolrum" for at sikre optimal ydeevne.
Sådan fungerer ML
For at gøre maskinlæring effektiv skal du først føre dine data ind i platformen, rense dem, konfigurere ML-modellen og derefter kalibrere modellen, når den støder på data. Denne proces, hvor man kører data gennem modellen og løbende overvåger og indsamler feedback, forbedrer modellens ydeevne og genererer nøjagtige resultater.
For at sætte det i perspektiv, så tænk på den menneskelige hjerne. Folk er bedre til at tænke og drage konklusioner, når de har mere data, erfaring og akkumuleret visdom til at behandle disse data.
Hvis man udelukkende forlader sig på, hvad der står på ML's "varedeklaration" eller leverandørens svar på en RFP, kan man komme ud på et skråplan. Alle CIO'er bør prioritere tre kritiske succesfaktorer, når de implementerer ML i deres virksomhed.
1. En ML-model uden data er som en bil uden benzin.
For at træne machine learning-modeller effektivt har du brug for data af høj kvalitet og i store mængder. Disse data skal være let tilgængelige, i det rigtige format og varierede nok til at sikre objektive resultater.
Hos DXC er vores datamodel bygget på mere end 60 års håndtering af vigtige systemer for over 6.000 kunder. Denne rige historie gør det muligt for os at træne vores modeller med data af bedre kvalitet, hvilket resulterer i hurtigere og mere præcis genkendelse af servicepåvirkende problemer, hvilket fører til færre afbrydelser. Hver enkelt kunde drager ikke kun fordel af sine egne data, men også af den kollektive visdom fra vores kundebase. Med andre ord bliver vores data (sikrede og anonymiserede) til dine data.
2. Der findes ingen "sæt-dig-og-glem-det"-løsning.
Som tidligere nævnt kræver ML-modeller menneskeligt tilsyn. Selvom softwareløsningerne vil blive stadig bedre med tiden, afhænger ML's succes i erhvervslivet af dygtige fagfolk, der kan få det til at fungere effektivt.
Hos DXC har vi et elitehold af specialiserede dataforskere, der eksperimenterer, designer og skaber modeller. Vores globale tekniske arbejdsstyrke i 70 lande gør os i stand til at implementere, overvåge, revidere og optimere modeller i stor skala.
En afgørende evne, som vores ingeniører besidder, er evnen til at bestemme den rigtige blanding af ML-produkter og -funktioner. Mange produkter tilbyder lignende funktioner, men viden om, hvad der skal anvendes hvor og hvornår for at opnå optimale resultater, er en unik menneskelig egenskab, der kræver praktisk erfaring og dømmekraft.
Mens AI og ML kan forstyrre visse jobmarkeder, skaber de også nye og spændende muligheder for teknologikyndige personer, der omfavner forandring.
3. Glem ikke integrationen.
Et ofte overset aspekt ved plug-and-play-tilgangen er den indsats, der kræves for at konfigurere alle integrationerne. Det er kun nystartede virksomheder, der har den luksus at bygge en helt ny ejendom. De fleste af os står over for udfordringen med at integrere nye teknologier med eksisterende. De fleste Fortune 500-virksomheder har vidtstrakte og komplekse it-systemer, der omfatter tusindvis af servere, hundredvis af strategiske applikationer og distribuerede slutpunkter, der understøtter en dynamisk og ofte virtuel arbejdsstyrke.
Det er her, DXC Platform X udmærker sig. Den åbne, modulære arkitektur giver mulighed for nem integration og fleksible implementeringsmuligheder, der udnytter vores kunders nuværende og fremtidige IT-investeringer. Vi har gjort det tunge arbejde ved at levere prækonfigurerede integrationer til de bedste SaaS-platforme til virksomheder, ML-modeller, der er klar til brug, et katalog over hyperautomatiseringsaktiver og erfarne ingeniører, der problemfrit forbinder alle delene.
Sammenfatning
AI- og ML-revolutionen vil utvivlsomt fortsætte med at accelerere og drive fremskridt på tværs af alle brancher. Hos DXC er vi begejstrede for at være på forkant og omhyggeligt evaluere og anvende nye teknologier til gavn for vores kunder og vores medarbejdere.
Uanset din strategi - om du vælger at købe, bygge eller samarbejde om AI- og ML-fremskridt - skal du prioritere mere end bare ML i sig selv. Data af høj kvalitet, det rette talent og en velafrundet integrationsstrategi.