REstart Program
DE Model

AI - jak wdrożyć?

19-06-07 00:15

CIONET community event o AI planowaliśmy z myślą o sceptykach - tych, którzy uważają, że AI nie jest dla ich firm. Moglibyśmy tu zastosować kuszący chwyt erystyczny i przytoczyć tezę, którą obroniliśmy w toku debaty 17 kwietnia:

AI nie jest dla nikogo, bo nie ma AI.

Ale proste odpowiedzi są dla TED Talks.

Kiedy rozmawiamy o realnych zastosowaniach AI w pierwszej połowie 2019 roku, mamy na myśli Machine Learning. Dlatego jeśli w tym tekście pojawi się “AI”, to prawdopodobnie wina autokorekty.

Choć ankieta, którą przeprowadziliśmy podczas debaty wskazuje, że w naszej społeczności może być ok 20% firm-liderów, którym nieobce są wdrożenia ML, w bezpośrednich rozmowach częściej słyszymy o problemach, jakie generuje ML i barierach, które powstrzymują przejście od PoC do produkcyjnego wdrożenia. I o tym w pierwszej kolejności rozmawialiśmy z bohaterami kwietniowej debaty.

Na co się przygotować?

Problemy zaczynają się dosłownie na wejściu: wdrożenia giną już na etapie PoC, bo brakuje odpowiednio ustrukturyzowanych danych, albo data scientists, albo business case, który uzasadni serię potencjalnie nieudanych eksperymentów, wiążących się z budowaniem modelu ML. Jak się przygotować na pokonanie tych problemów?

 

Najpierw biznes, później technologia: jak CIO może poprowadzić rewolucję AI

AI nie zaczyna się od technologii, tylko od analizy biznesowej. Dlatego często CIO przyjmuje rolę wsparcia infrastrukturalnego we wdrożeniu i utrzymaniu rozwiązań opartych na ML, które przychodzą od jednostki BI albo innego działu biznesu. Ale CIO nie musi pozostawać tylko pomocnikiem, jeśli zna możliwości ML i przejmie inicjatywę w analizie potrzeb biznesu – czy to samodzielnie, czy to we współpracy z odpowiednimi osobami w firmie. Zapytaliśmy naszych prelegentów od czego zacząć przygotowania do udanego wdrożenia AI.

Maciej Skrzos, Chief Innovation Officer w BEST S.A.: Zacząłbym od przeanalizowania obecnych procesów. Wybrałbym jeden, gdzie jasno jestem w stanie określić zakres, mam cel biznesowy oraz dostępne dane. Zbudowałbym prototyp – nie w najlepszej technologii, tylko takiej, w której moi pracownicy czują się dobrze, ograniczyłbym się mocno czasem – 1-2 miesiące.

 

Marcin Choiński, Head of Big Data & Analytics Ecosystem w TVN: Przede wszystkim radziłbym znaleźć wsparcie w postaci eksperta / konsultanta z doświadczeniem, który poprowadzi ten proces.

Kluczowe aspekty to zrozumienie potrzeb biznesowych oraz identyfikacja business case. Najlepiej zaczynać od rozwiązań najprostszych do wykonania, a dających relatywnie największy impact biznesowy. Pierwsze quick wins pozwolą zbudować pozytywną atmosferę wokół inicjatyw tego typu, rozwinąć kompetencje, zbudować zespół oraz zapoznać się z technologią. Będzie to silny fundament do świadomego wdrażania strategii ML w organizacji.

 

Bogumił Kamiński, Kierownik Zakładu Wspomagania i Analizy Decyzji, Profesor nadzwyczajny SGH: Kluczowym wyzwaniem przy wdrożeniu AI zwykle nie jest samo budowanie modelu, tylko jego wdrożenie i utrzymanie. Z tego względu uważam, że warto zacząć od niewielkiego projektu, żeby wspólnie z biznesem wypracować model współpracy w tym zakresie oraz standardy procesowe i technologiczne.

W zakresie barier, przed krótymi stają wdrożenia ML w biznesie, moim zdaniem najczęstszym zagadnieniem jest budowa modeli ML bez dobrego zaplanowania jak zmienią się procesy biznesowe firmy po ich wdrożeniu.

Zdaję sobie sprawę, że zapewne każdy CIO powie, że to jest oczywista kwestia, ale w praktyce bardzo często widzę, że są tu spore problemy.

 

Kultura innowacji – kogo na to stać?

Choć nasi prelegenci wszyscy twierdzą, że ich wdrożenia AI wykazują pozytywne ROI, nie uważają, że każda firma jest na takie wdrożenie gotowa.

Pierwszym wyznacznikiem gotowości są procesy związane z danymi: ich odpowiednie ustrukturyzowanie, pozyskiwanie i przetwarzanie. Choć ciągle mówimy, że dane są ropą naftową XXI wieku, w rzeczywistości mało która firma praktykuje zarządzanie danymi na poziomie kultury organizacji, na przestrzeni całej działalności. Kto z Was może szczerze powiedzieć, że pracuje w data-driven company? Jak powiedział Olaf Piotrowski (CDO Allegro): Niepełne, nieustrukturyzowane i trudno dostępne dane szybko zniechęcą do wyników, które dostarczą algorytmy.

A okazji do zniechęcenia się jest sporo przy rozwijaniu własnych algorytmów ML. Dlatego poza kulturą opartą na danych, ważna jest kultura innowacji – gotowość na radzenie sobie z nieudanymi eksperymentami i wyciąganie z nich wniosków.

Maciej Chwiłoc, Dyrektor ds. Produktu, Grupa Pracuj: Nie powinniśmy się zastanawiać czy stać nas na AI, ale na innowację w ogóle – na testowanie nowych rozwiązań. 

AI opłaca się długoterminowo, ale nie możemy liczyć na szybki zwrot z inwestycji. Może być tak, że na 10 projektów zwróci się jeden, ale przy okazji zdobędziemy doświadczenie i za kilka lat nie będziemy musieli kupować dużo droższego gotowego rozwiązania.

Marcin Kurczab, Dyrektor ds. Innowacji w PZU:Warto zastanowić się nad stworzeniem środowiska/ekosystemu do szybkich eksperymentów, ponieważ jest równie dużo wartościowych use casów wykorzystania AI co tych gdzie AI się nie sprawdzi. Warto wobec tego posiadać kompetencję do szybkiego i taniego walidowania pomysłów na wykorzystanie AI w firmie.

Olaf Piotrowski, Chief Data Officer Allegro: Kultura organizacji traktująca porażki jako element procesu uczenia i doskonalenia daje przestrzeń na inkubację projektów radykalnie zmieniających perspektywy biznesu. Bez takiej przestrzeni wysiłki w zakresie ML będą desperacką próbą stania się Netfliksem w kwadrans. Desperacja i praca koncepcyjna nie idą w parze. ML w takich warunkach nie da spodziewanych efektów.

 

Wiele problemów może powstać na linii współpracy między IT a zespołem analityków i data scientists. Rozwijanie ML jest karkołomne bez współpracy agile’owej, a więc takiego planu działania, w którym IT uczestniczy od samego początku.

IT nie zawsze jest katalizatorem projektów ML – czasem nawet jest ich blokerem. Ale trudno podpisać się pod projektem, którego wymogi technologiczne nie zostały wcześniej ustalone z zespołem odpowiedzialnym za technologię.

A jak wygląda Wasza rola w rozwijaniu machine learning w firmie?

Jakie przeszkody napotkaliście w trakcie wdrożenia, o których powinni wiedzieć inni CIO?

 

To jest pierwsza część rozmów, które prowadziliśmy z uczestnikami debaty “AI/ML w 60 minut”. Jeśli nie dotarliście na Community Event 17 kwietnia – produkujemy podsumowanie jej wniosków. Prosimy wyregulować odbiorniki mailowe i appkowe jeśli chcecie się dowiedzieć więcej o tym, jakie korzyści i wyzwania czekają na tych, którzy planują wdrożenie ML.

Zapraszamy też jak zwykle do fotorelacji:

Tutaj daj znać, jeśli chcesz otrzymywać od nas informacje o nowych inicjatywach