Каждые несколько лет на небосводе новых технологий вспыхивает яркая звезда. Она привлекает всеобщее внимание и на какое-то время становится излюбленной темой заголовков в СМИ.
Спектр технологий, которые помогают развивать и масштабировать бизнес, действительно впечатляет. Они сулят большие выгоды и серьезные преимущества на рынке, но порой их век недолог. Чаще всего их вытесняют новые, еще более яркие технологии, которые просто работают лучше, быстрее и эффективнее. Программное обеспечение для управления бизнесом — всего лишь один из сегментов рынка, который традиционно извлекает выгоду из новых технологий, и где можно найти немало примеров неудачных решений, которые так и не смогли адаптироваться к его требованиям.
В Harvard Business Review недавно была опубликована статья о том, с какими опасностями столкнется бизнес, если он не поторопится с внедрением ИИ. Изначально это кажется нагнетанием страха с помощью броских заголовков, но в тексте есть несколько очень тонких и точных замечаний. Авторы не утверждают, что ИИ — это неизбежность, они говорят о том, но он представляет собой этап естественного развития. Все новейшие впечатляющие технические инструменты со временем созревают для создания и использования инструментов ИИ, которые существуют сегодня. Это прогресс, а не революция. С другой стороны, компании могут сталкиваться с рисками негативного или даже разрушительного влияния технологии на бизнес.
А вы готовы начать использовать ИИ? Или собираетесь подождать?
Мой совет: начинайте сейчас.
Теперь позвольте пояснить, почему.
Во-первых, реализация решений на базе ИИ требуют действий. Никто не просыпается однажды с докторской степенью, не становится сразу победителем чемпионата Ironman Kona и не внедряет полностью успешные системы ИИ. Сначала нужно научиться ползать, потом ходить и лишь затем – бегать. Аналогично, компании могут перейти от внедрения ИИ к реализации успешных моделей, а затем – к построению полностью успешной масштабной реализации ИИ.
Масштабные реализации ИИ — это не то, что делают несколько специалистов по обработке данных с несколькими графическими процессорами, которые время от времени создают успешные модели, реализующие единичные результаты. Существует целостная среда, с помощью которой ученые и инженеры по обработке данных могут маркировать и обрабатывать данные, визуализировать результаты, создавать модели и оценивать эффективность этих моделей в большом масштабе.
Последний анонс #RapidsAI от Nvidia для GPU, используемых в задачах обработки данных (Data Science and Engineering), наверняка вновь всколыхнет эту изменчивую среду. Это очередная смена правил игры, которая модернизирует инструменты Data Science и Data Engineering. Однако, чтобы эффективность ускорения и масштабирования задач Data Engineering с использованием графических процессоров нашла практическое применение в той или иной среде, нужно время. Это особенность постепенного построения больших сред. За Rapids последуют другие инновации.
Во-вторых, управление (Governance) не формируется в одночасье. Не путайте управление ИИ и продвинутой аналитикой с нормативно-правовым регулированием. Они дополняют, а не исключают друга друга. Надлежащее управление расширенной аналитикой включает в себя проверки на смещенность (или вероятность того, что модель имеет некоторые некорректные предположения и связи), на устаревание модели (когда набор демографических или исторических данных, на котором они были построены, существенно изменился) и приведение в соответствие (когда модель и результаты соответствуют миссии компании и не передают неверного утверждения о ней).
Во время моей работы в автомобильной промышленности, связанной с ADAS (усовершенствованными системами помощи водителю), большинство основных систем моделирования для OEM-производителей и производителей ADAS первого уровня требовали ежедневной калибровки. Точнее говоря, были созданы SLA и среда, в которой можно заново обучить модель (всю симуляцию) за один день…. Это пример отрасли, в которой регулирующее управление (в плане обеспечения безопасности) в настоящее время ограничено (но формируется). Предвидя необходимость быстрого реагирования, ее руководство, отвечающее за ИИ, готово к любым будущим требованиям регуляторов. Возможность быстрее выводить продукты на рынок — это бонус. Так выглядит зрелое управление ИИ.
В-третьих, вероятно, наиболее продуманным является инвестиционный путь к ИИ. Регулярно ко мне обращаются менеджеры по технологиям, которые всеми силами стараются задействовать ИИ в своей работе. Нередко компании спешат успеть «на уходящий поезд» ИИ, не запланировав точно свой маршрут. Начиная свой путь, эти компании слишком часто полагаются на стороннюю полностью встроенную технологию искусственного интеллекта. Это ускоряет их первые шаги в среде ИИ и позволяет быстрее пройти описанный выше первый этап.
К сожалению, часто это не позволяет компании получить в свое распоряжение какую-либо интеллектуальную собственность. Все права на нее принадлежат третьей стороне, а дифференциация продуктов компании контролируется чужой технологией. Стратегически это нередко оказывается сложной проблемой и часто приводит к незапланированным затратам или трудностям превращения технологии в собственное предложение. Компания на такое превращение не способна, поскольку не владеет интеллектуальной собственностью. В этом разница между моделью «платформа как услуга» (PaaS), в которой вы используете инфраструктуру и владеете технологией, и моделью «программное обеспечение как услуга» (SaaS), где у вас есть только конкретные модели, созданные на основе чужой технологии. Важно понимать разницу и ее влияние на ваш бизнес.
Ну как, готовы попробовать?
Автор статьи — Кит Мантей, CTO, HPC, Analytics, и FSI в компании Dell EMC
Публикуется по просьбе представительства Dell
