Kas tehisintellekti eksperdid on väljasuremise äärel? Miks asendavad intelligentsed tehisintellekti platvormid nüüd inimsilla?

Ettevõtte tehisintellekti arhitektuuri ümberkujundamine: inimese sobitamise paradigmast intelligentse konteksti integreerimiseni

Pikka aega oli tehisintellekti rakendamine ärikeskkonnas sünonüüm rätsepatööna valminud ja töömahukatele projektidele. Kui keeruline tarkvara põrkas kokku veelgi keerukama ärireaalsusega, oli läbiproovitud ja tõestatud lahendus: rohkem inimteadmisi. Selles olulises rollis paistsid silma nn ettepoole suunatud insenerid – kõrgelt spetsialiseerunud arendaja, konsultandi ja tootejuhi hübriidid, kes toimisid paindliku sillana jäiga tehnoloogia ja iga kliendi ainulaadsete nõuete vahel. Nad tõlkisid, kohandasid ja lõid keerulisi kohandatud lahendusi seal, kus standardtooted ebaõnnestusid. See mudel oli kuldstandard ja võimaldas murrangulisi digitaliseerimisprojekte.

Kuid see inimese vahendusel põhinev paradigma on jõudmas oma fundamentaalsete piirideni. Tehisintellekti tehnoloogia eksponentsiaalse arengu tõttu on tekkimas uus platvormide põlvkond, mis muudab mängu põhjalikult. Kallite spetsialistide käsitsi tehtavale tõlkele lootmise asemel on need intelligentsed süsteemid võimelised otse tõlgendama ja integreerima ärikonteksti – alates andmestruktuuridest ja äriprotsessidest kuni juhtimisreegliteni. See nihe tähistab pöördepunkti ja seab kahtluse alla mitte ainult inimese rolli, vaid ka väljakujunenud ärimudelid ja investeerimisstrateegiad.

See artikkel analüüsib seda sügavat üleminekut inimpõhiselt platvormikesksele tehisintellekti arhitektuurile. See toob esile käsitsi lähenemise struktuurilised nõrkused skaleeritavuse ajastul ja näitab, kuidas kontekstipõhised platvormid loovad masinloetava semantika ja automatiseeritud õppetsüklite kaudu suurepäraseid majanduslikke ja tegevusalaseid eeliseid. See on nihe, mis määratleb uuesti, kuidas ettevõtted loovad väärtust, kasvavad ja jäävad üha automatiseeritumas maailmas konkurentsivõimeliseks.

Miks intelligentsed platvormid muudavad individuaalse süsteemiintegraatori rolli?

Klassikaline vastus ettevõtte tehisintellekti projektide elluviimise vastuseisule oli palgata juurde töötajaid. Edasi paigutatud insenerid täitsid selle tühimiku pikka aega, toimides paindliku sillana tehnoloogia ja reaalsete ärirakenduste vahel. Nad tõlkisid tehnilise keerukuse rätsepatööna loodud lahendusteks ja muutsid funktsionaalseks süsteemid, mis algselt ei olnud mõeldud koos töötama. Pikka aega oli see lähenemisviis ettevõtteüleste digitaliseerimisprojektide rakendamise standardmudel. Kuid tehisintellekti hüppeliselt arenedes on muutunud ka ettevõtete põhinõuded. Kaasaegsete tehisintellekti platvormide võime tõlgendada ärikonteksti otse ilma ulatusliku käsitsi integreerimiseta tähistab pöördepunkti selles, kuidas organisatsioonid oma IT-infrastruktuuri üles ehitavad ja skaleerivad.

See areng mitte ainult ei sea kahtluse alla süsteemiintegraatorite ärimudeleid, vaid tekitab ka sügavamaid küsimusi käsitsi kohandamise kulutõhususe, õppeprotsesside skaleeritavuse ja investeeringute pikaajalise tasuvuse kohta. Ettevõtte tehisintellekti maastikul praegu käimasolevad peamised tehnoloogilised muutused näitavad, et organisatsioonid peavad oma strateegiad inimressursside, arhitektuuriliste otsuste ja ärimudelite osas ümber mõtlema.

Sobib selleks:

• Edasi suunatud insenerid ja tehisintellekt: muutuv roll käsitsi kohandamisest strateegilise konsultatsioonini

Süsteemi integreeriva lähenemisviisi funktsioonide ulatus ja operatiivne reaalsus

Edasisuunatud insener on sisuliselt inseneri, konsultandi ja tooteeksperdi hübriid, kelle missiooniks on sukelduda otse kliendikeskkonda ja pakkuda väga kohandatud lahendusi, mida tavalised tootemeeskonnad sageli ei suuda katta. See roll ei ole sama, mis traditsioonilisel tarkvaraarendajal või süsteemiadministraatoril, vaid pigem spetsialiseeritud funktsionaalset kategooriat, mis edeneb keerukates ja spetsiifiliste nõuetega keskkondades.

Lähetatud inseneri tüüpilised ülesanded hõlmavad ettevõtte integratsiooni mitut dimensiooni. Nad teevad tihedat koostööd klientide meeskondadega, et mõista nende äriprotsesse, töövooge ja institutsioonilisi eripärasid. See töö läheb kaugemale pealiskaudsest dokumentatsiooni uurimisest ja nõuab sügavaid, kaudseid teadmisi sellest, kuidas inimesed tegelikult organisatsioonilistes struktuurides tegutsevad. Lähetatud insener arendab spetsiaalselt iga kliendi organisatsiooni jaoks kohandatud integratsioone, andmekanaleid ja taristulahendusi. Need tegevused ulatuvad kaugemale eelnevalt määratletud konfiguratsioonidest ja nõuavad sageli uuenduslikke lähenemisviise probleemidele, mis pole varem sellisel kujul esinenud.

Peamine fookus on pakkuda spetsiifilisi võimalusi ühele organisatsioonile või isegi ühele osakonnale, mitte arendada üldistatavaid lahendusi, mida saab hõlpsasti teistele klientidele üle kanda. Selle tulemuseks on väga personaalne lähenemine, kus igal juurutusel on oma unikaalsed omadused. Põhimõtteliselt tegutsevad edasisuunatud insenerid vahendajatena tootemeeskonna ja tegeliku kliendireaalsuse vahel. See vahendaja roll on osutunud eriti väärtuslikuks kriitilistes valdkondades, kus integratsioon on keeruline, iga juurutus on ainulaadne ja ebaõnnestumise hind võib olla märkimisväärne.

Manuaalse integreerimise põhimõtte esiletõus tehisintellekti ärimaastiku algstaadiumis

Et mõista, miks edasisuunatud inseneri mudel sai ettevõtte tehisintellekti algatuste algstaadiumis keskseks elemendiks, tuleb arvestada tehnoloogilist maastikku nendes algfaasides. Ettevõtte tehisintellekti arendamise algstaadiumis puudusid saadaolevad tooted sageli paindlikkuses ja kohanemisvõimes olemasolevate ettevõttekeskkondade mitmekesisusega. Saadaval olevad süsteemid olid sageli jäigad, suunatud konkreetsetele kasutusjuhtudele ega suutnud tõhusalt toime tulla reaalse ettevõttemaastiku heterogeensusega.

Edasisuunatud juurutamise insenerid aitasid organisatsioonidel neid piiranguid ületada, kohandades tarkvara iga individuaalse juurutuse jaoks. See tugi oli eriti väärtuslik olukordades, kus süsteemid pidid suhtlema vananenud andmehoidlate, aastakümnete jooksul arenenud käsitsi tehisintellekti protsesside või rangelt reguleeritud nõuetega vastavust nõudvate keskkondadega. Nende inseneride asjatundlikkus oli asendamatu, kui oli vaja ühendada tänapäevaseid tehisintellekti süsteeme vanemate tehnoloogiliste kihtidega, mis olid sageli loodud täiesti erinevate paradigmade abil.

Edasisuunatud inseneridest sai loomulik lahendusstrateegia olukordades, kus tooted vajasid ulatuslikku kohandamist. Kliendiandmed olid sageli killustatud ja hajutatud mitme pärandsüsteemi vahel, mis polnud kunagi loodud tänapäevaseks andmeintegratsiooniks. Keerulisi andmekanaleid tuli käsitsi kavandada ja rakendada, kuna puudusid automatiseeritud lahendused iga kliendisüsteemi spetsiifiliste iseärasuste jaoks. Kommertsväärtuse realiseerimine nõudis kliendiorganisatsiooni, selle turgude, konkurentide ja strateegiliste eesmärkide sügavat kontekstuaalset mõistmist.

Pikemat aega osutus see lähenemisviis väga edukaks, eriti ajal, mil juurutused olid haruldased ja ärimahud kliendilepingute kohta olid tohutud. Suured finantsasutused maksid miljoneid kohandatud lahenduste eest, mis vastasid nende ainulaadsetele tegevusnõuetele. Tööstushiiglased, kes pidid kaitsma patenteeritud tootmisprotsesse, olid valmis tegema olulisi investeeringuid kohandatud integratsioonilahendustesse. Selles kontekstis oli ettepoole suunatud inseneride palkamine mitte ainult mõistlik, vaid ka sageli edukate äritehingute jaoks kohustuslik.

Manuaalse integreerimise põhimõtte struktuurilised piirangud skaleeritavuse nõuete ajastul

Ettevõtete tehisintellektiga seotud ärimaastik on aga drastiliselt muutunud. Kaasaegsed tehisintellekti platvormid hakkavad konteksti otse analüüsima ja mõistma, jäädvustades andmekogumites tähendust, struktuuri ja seoseid ilma samaväärse käsitsi tõlkimiseta. Selles uues tehnoloogilises keskkonnas seisab täis- ja osatäisväärtuslikkust arvestav teenusmudel silmitsi oluliste väljakutsetega, mida ei saa lahendada ainult parema värbamise või koolitusega.

Esimene kriitiline piir on see, kui andmete varieeruvus ja mudeli keerukus ületavad skaleeritava inimintegratsiooni taseme. Edasijõudnud insenerid on silmatorkavalt tõhusad siis, kui varieeruvus peitub töövoogudes – see tähendab, kui klientide erinevused seisnevad peamiselt selles, kuidas inimesed oma tööd korraldavad. Tehisintellekti süsteemid aga toovad kaasa varieeruvust mitmel tasandil, mis ulatuvad kaugemale organisatsiooniliste protsesside erinevustest. Variatsioon esineb toorandmetes endi, nende andmete statistilistes omadustes, erinevate andmeelementide tähendustasemetes, andmete uuendamise sageduses ning nende andmete kvaliteedis ja järjepidevuses aja jooksul. Variatsioon esineb nende andmete töötlemiseks kasutatavates mudelites, nende mudelite hüperparameetrites, mudeli täpsuse nõuetes ja mudeli toimivuse hindamise kriteeriumides.

Juhtimisnõuded toovad kaasa omaette varieeruvuse kihi. Erinevates jurisdiktsioonides kehtivad erinevad andmekaitseseadused. Erinevatel tööstusharudel on erinevad vastavusnõuded. Üksikutel organisatsioonidel on oma sisemised juhtimisstruktuurid, mis piiravad usaldust automatiseeritud otsustussüsteemide vastu. Selle keerukuse haldamine ainult inimintegratsiooni abil ei ole skaleeritav. Selle keerukusega sammu pidamiseks on vajalikud automatiseeritud, kontekstipõhised andme- ja mudelikihid.

Teine kriitiline piir peitub õppetsükli dünaamikas, mis tekib automatiseeritud ja käsitsi vahendatud teadmiste edastamise vahel. Tehisintellekti süsteemid täiustuvad pidevate tagasisideahelate kaudu. Mida kiiremini need süsteemid suudavad tagasisidet koguda, mudeleid ümber õpetada ja muudetud versioone tootmisse juurutada, seda kiiremini nad reaalse äriväärtuseni jõuavad. Kui tootesüsteemi ja kliendikonteksti vahel on inimvahendajad, aeglustuvad need tagasisideahelad oluliselt. Automatiseeritud õppekanalid võimaldavad toodetel kiiremini areneda ja suurema täpsusega edasi liikuda. Tootesüsteemi telemeetriat saab pidevalt kombineerida kliendispetsiifilise kontekstuaalse teabega, et genereerida teadmisi, mis parandavad kogu tooteportfelli.

Manuaalses FDE mudelis on tagasiside sageli episoodiline ja anekdootlik. Lähetatud insener teatab pärast mitut kuud kohapeal, et klientidel on lahendusega probleem X, mis viib ad hoc kohandamiseni. Seda teavet ei koguta süstemaatiliselt, ei liideta teiste klientide probleemidega ega kanoniseerita tootearendusprotsessi käigus. Õppetsükkel on killustatud, mitteoptimaalne ja ei suuda tootemeeskonda süstemaatiliselt paremate disainiotsuste tegemise suunas suunata.

Kolmas kriitiline piir seisneb tootepiiride hägustumises, mis tekib siis, kui insenerid on iga kliendi juurutuse sügavalt sisse ellu viidud. Tõelise toote peamine omadus on selle korratavus. Toodet saab juurutada erinevatele klientidele ilma, et iga juurutus nõuaks täielikku nullist ülesehitust. Kui edasijuurutatud insenerid on iga kliendi juurutuse sisse ellu viinud, riskivad nad iga juurutuse muutmisega ühekordseks ja ainulaadseks, mis nõuab unikaalseid disainilahendusi ja patenteeritud lahendusi. See on tehisintellekti platvormi jaoks põhimõtteliselt murranguline, kuna see on mõeldud õppima ja üldistama koondatud konteksti mitmes organisatsioonis. Kui iga juurutus on täiesti ainulaadne, puudub kanooniline tee juurutustele, mis üksteist tugevdaksid.

Tehnoloogiline pöördepunkt: kontekstipõhised platvormid kui uus alus

Ettevõtte tehisintellekti platvormide uus põlvkond toob kaasa põhimõttelise arhitektuurilise nihke, manustades kontekstuaalsed kaalutlused otse süsteemi arhitektuuri tuuma. See saavutatakse mitmesuguste tehnoloogiliste mehhanismide, sealhulgas ontoloogiate, semantiliste kihtide ja adaptiivsete pistikute abil, mis võimaldavad süsteemidel automaatselt kohaneda mis tahes keskkonnaga ilma ulatusliku inimese sekkumiseta.

Esimene oluline erinevus seisneb selles, et kontekst muutub nendes tänapäevastes platvormides masinloetavaks. Vanemad süsteemid jäädvustasid konteksti kontseptsiooniarendajate kaudu: inimesed mõistsid kliendi äriprotsesse ja seejärel säilitasid selle arusaama mitteametlikult oma meeles või salvestasid struktureerimata dokumentatsiooni. Uued platvormid jäädvustasid tähenduse igal kihil ja kaardistasid selle süsteemide vahel, võimaldades tehisintellekti süsteemidel andmeid tähendusrikkalt tõlgendada. Näiteks semantiline kiht võib jäädvustada seose erinevate kliendiandmete elementide vahel: et süsteemis A on "kliendinumber" samaväärne süsteemis B oleva "kliendi ID-ga", et mõlemad viitavad samadele äriüksustele ja et süsteemis A salvestatud tehingud tuleb süsteemis B valideerida.

Teine oluline nihe on see, et kohandamine liigub inimestelt süsteemidele. Vanemas mudelis oli kohandamine käsitsi tehtav tegevus: insener vaatas kliendi koodi, mõistis pärandliideseid ja kirjutas seejärel uue koodi, et kahte maailma ühendada. Kontekstiteadlikes süsteemides saavutatakse kohandamine konfigureerimise ja masinõppe, mitte käsitsi kodeerimise abil. Süsteem suudaks automaatselt ära tunda erinevaid andmeallikaid, mõista nende struktuuri ja formuleerida sobivaid teisendusi, seda kõike ilma, et insener peaks kliendi koodiga suhtlema.

Kolmas oluline nihe seisneb õppeprotsesside järjepidevuses. FDE-mudelis oli iga juurutamine lähtestamine. Teadmised, mida insener oli kliendi A juures kuude jooksul kohapeal kogunud, ei olnud kliendi B juures juurutamisel süstemaatiliselt rakendatavad. Kontekstipõhises mudelis kogunevad teadmised. Kui platvorm juurutatakse saja kliendi juures, on nende üheksakümne üheksa eelmise juurutamise käigus saadud teadmised sajanda juurutamise kontekstiks.

Neljas oluline nihe seisneb juhtimisprotsesside skaleeritavuses. Manuaalses mudelis pidi juhtimisjuht tagama poliitikate järgimise otsese auditeerimise kaudu. Automatiseeritud mudelis on metaandmed ja andmete päritolu integreeritud platvormi endasse, võimaldades juhtimisnõudeid algoritmiliselt jõustada, samal ajal kui süsteem skaleerub automaatselt.

Siit saate teada, kuidas teie ettevõte saab kiiresti, turvaliselt ja ilma kõrgete sisenemisbarjäärideta rakendada kohandatud tehisintellekti lahendusi.

Hallatud tehisintellekti platvorm on teie igakülgne ja muretu tehisintellekti pakett. Keerulise tehnoloogia, kalli infrastruktuuri ja pikkade arendusprotsesside asemel saate spetsialiseerunud partnerilt teie vajadustele vastava võtmed kätte lahenduse – sageli juba mõne päeva jooksul.

Peamised eelised lühidalt:

⚡ Kiire teostus: Ideest rakenduseni päevade, mitte kuude jooksul. Pakume praktilisi lahendusi, mis loovad kohest väärtust.

🔒 Maksimaalne andmeturve: Teie tundlikud andmed jäävad teie kätte. Garanteerime turvalise ja nõuetele vastava töötlemise ilma andmeid kolmandate osapooltega jagamata.

💸 Finantsriski pole: maksate ainult tulemuste eest. Suured esialgsed investeeringud riist- ja tarkvarasse või personali jäävad täielikult ära.

🎯 Keskendu oma põhitegevusele: Keskendu sellele, mida sa kõige paremini oskad. Meie tegeleme sinu tehisintellekti lahenduse kogu tehnilise juurutamise, käitamise ja hooldusega.

📈 Tulevikukindel ja skaleeritav: teie tehisintellekt kasvab koos teiega. Tagame pideva optimeerimise ja skaleeritavuse ning kohandame mudeleid paindlikult uutele nõuetele.

Lisateavet selle kohta siin:

• Hallatud tehisintellekti platvorm

Majanduslik ümberkujundamine: sõltuvusest üksikisikutest platvormide efektiivsuseni

Edasijõudnud inseneridele tuginevate organisatsioonide ärimudel erineb põhimõtteliselt kontekstipõhiseid platvorme kasutavate organisatsioonide omast. See majanduslik dünaamika selgitab, miks tehnoloogiliste muutustega kaasneb selline majanduslik surve.

FDE-sõltuvas mudelis kujutab iga tund, mille insener kliendi integratsioonile kulutab, endast alternatiivkulu, mida ei kanta teistele klientidele üle. Insener veedab kliendi A juures kuusteist nädalat, õppides tundma nende süsteeme, protsesse ja juhtimisnõudeid. See kuusteist õppenädalat kaob pärast juurutamist praktiliselt ära. Kui see insener seejärel kliendi B juurde kolib, peab ta kogu õppeprotsessi nullist alustama. Kuigi võib esineda teatud ülekandumist (vanemate süsteemide integreerimise tehnikad, üldised parimad tavad), läheb suurem osa kontekstist sõltuvatest teadmistest kaotsi.

Lisaks muutub iga inseneri kirjutatud kohandus organisatsiooni jaoks pikaajaliseks kohustuseks. Kui klient A saab kohandatud integratsiooniskripti, mis töötab ainult tema konkreetse andmebaasi versiooniga, vajab see skript aastaid hooldust. Andmebaasi versiooni värskendamisel, äriprotsesside muutumisel või uute integratsioonipunktide vajalikkuse korral tuleb skripti uuesti kohandada. See hooldus on püsikulu, mis iga täiendava kliendiga suureneb. Sada klienti, kellel kõigil on sada kohandatud skripti, loovad tehnilise võlakoorma, mis kasvab eksponentsiaalselt.

Lisaks annab edasijuurutatud inseneridele toetumine turule ja klientidele märku, et toode pole veel päriselt valmis. Tõeline toode peaks olema juurutatav minimaalse kohandamisega. Kui organisatsioon ütleb klientidele, et tehisintellekti lahenduse täielik juurutamine nõuab kõrgelt kvalifitseeritud inseneri kolmekuulist pühendumist, saadab see signaali: see pole tegelikult toode, vaid pigem teenusepõhine lähenemisviis. See piirab seda, kui paljudele klientidele organisatsioon saab oma tegevust skaleerida. Tüüpiline organisatsioon kümne kõrgelt kvalifitseeritud edasijuurutatud inseneriga võib olla võimeline teenindama kahtekümmet kuni neljakümmet klienti (sõltuvalt ülesannete keerukusest). See kujutab endast oluliselt piiratud kasvupotentsiaali.

Kontekstiteadlikud platvormid seevastu loovad mastaabisäästu. Finantsteenuste ontoloogia esialgne juurutamine nõuab märkimisväärseid investeeringuid arhitektuurilistesse otsustesse, semantilisse modelleerimisse ja tehnoloogilisse infrastruktuuri. See esialgne juurutamine muudab aga järgnevad juurutused eksponentsiaalselt kiiremaks ja kulutõhusamaks. Teine finantsklient saab olemasolevale semantilisele mudelile tugineda, kohandades seda ainult oma konkreetsetele vajadustele ja säästes kuude kaupa arendusaega. Sajandik klient saab kasu platvormi sisse põimitud üheksakümne üheksa aasta pikkusest õppest.

See mastaabisääst võimaldab sama arvu töötajatega organisatsioonil teenindada sadu või tuhandeid kliente. Majanduslik eelis on märkimisväärne. Organisatsioon, mis investeerib miljoneid kontekstipõhise platvormi arendamisse, saab seda investeeringuväärtust jaotada eksponentsiaalselt suuremale kliendisegmendile.

Teadmiste struktuuri arhitektuur: tehnoloogiline teostus

Selle arhitektuurilise nihke praktikas rakendamise mõistmiseks on kasulik vaadata konkreetset tehnoloogilist näidet. Kaasaegsetes ettevõtte tehisintellekti platvormides rakendatud teadmistebaasi arhitektuur saab selle nihke paradigmaatiliseks näiteks.

Teadmusstruktuur ühendab andmeallikad, äritaksonoomiad ja operatiivsed metaandmed ühtseks tähendusgraafiks. See graafistruktuur võimaldab tehisintellekti mudelitel, agentidel ja otsustussüsteemidel mõelda ettevõttele endale. Tehisintellekti mudel, mis varem ei teadnud, mida "kliendigrupp" tähendab või kuidas see on seotud "klienditüübiga", saab nüüd need mõisted otse teadmusgraafikult hankida. Otsustussüsteem, mis ei teadnud, kuidas erinevad äriüksused on omavahel seotud, saab nüüd neid struktuure teadmusstruktuurist lugeda.

FDE tegevuste konkreetne asendamine teadmusbaasi funktsionaalsusega toimub mitmel kujul. Edasi juurutatud insener teisendas klientide töövood käivitatavateks süsteemideks. Teadmusbaasi ekvivalent kodeeriks valdkonna semantika ontoloogiateks, mis on mõistete ja nende seoste formaalsed esitused, mida saab masintöödelda. Insener normaliseeriks andmeid süsteemide vahel, kirjutades teisendusi erinevate andmevormingute ühildamiseks. Teadmusbaasi ekvivalent kasutaks adaptiivseid skeemi- ja metaandmete kihte, mis tuvastavad automaatselt andmevormingute erinevusi ja pakuvad välja sobivad teisendused.

Insener integreeris kohandatud torujuhtmeid, vahetades süsteemide vahel ühenduspunkte. Teadmusbaas kasutaks ühtseid andmekonnektoreid ja API-sid, mis on üldistatud konnektorid, mis töötavad paljudes süsteemides. Insener haldas käsitsi haldust, kontrollides, et teatud andmeelemendid ei satuks valedesse kätesse, et juurdepääsukontroll oleks jõustatud ja et andmete päritolu oleks jälgitav. Teadmusbaas automatiseeriks päritolu ja poliitika jõustamise, manustades need nõuded otse andmevoo arhitektuuri.

See tehnoloogiline ümberkujundamine ei ole tühine. See nõuab märkimisväärseid investeeringuid arhitektuuri, semantikasse ja infrastruktuuri. Kuid kui need investeeringud on tehtud, muutub mastaabisääst ilmseks.

Mõju organisatsioonidele ja nende strateegilistele otsustele

Tehisintellekti platvorme hindavate ärijuhtide jaoks tekitab üleminek lõplikult lõpptulemusest sõltuvatelt mudelitelt kontekstipõhistele mudelitele mitmeid strateegilisi küsimusi, mida tuleb hoolikalt kaaluda.

Esimene küsimus on, kas uuritav platvorm tekitab juba tõelist mastaabisäästu või on see alles projektifaasis kinni. Lihtne diagnostiline test: kui platvorm väidab, et iga kliendipoolne juurutus nõuab edasijuurutavat inseneri, siis pole platvorm veel päriselt muutunud skaleeritavaks tooteks. See võib olla suurepärane toode, mis vastab väga spetsialiseeritud nõuetele, kuid see ei ole skaleeritav toode.

Teine küsimus on see, kas ettevõtte investeeringud tehisintellekti tehnoloogiasse viivad tõepoolest korduvkasutatava aluse loomiseni või jääb iga investeering eraldatuks. Kui ettevõte investeerib kliendi A jaoks konkreetse tehisintellekti rakenduse väljatöötamisse ja see investeering ei hõlbusta kliendi B jaoks selle rakendamist, siis on ettevõte investeerinud eraldatud valdkondadesse. Kontekstiteadlikud platvormid peaksid tagama, et investeeringuid ontoloogilistesse struktuuridesse, semantikamudelitesse ja juhtimisraamistikesse taaskasutatakse iga uue kliendi puhul.

Kolmas küsimus on, millist talenti organisatsioon tulevikus vajab. Vajadus tulevaste inseneride järele ei kao täielikult, kuid vajaliku töö iseloom muutub dramaatiliselt. Selle asemel, et vajada insenere, kes veedavad kuid kohapeal koodi kirjutades, vajavad organisatsioonid rohkem arhitekte, kes on võimelised kujundama abstraktseid semantilisi mudeleid, üldistama kontekstuaalseid konstruktsioone ja looma ontoloogilisi struktuure, mis võimaldavad teistel inseneridel neid taaskasutada. Tähelepanu keskmes on individuaalsete probleemide lahendamine ja teadmiste süstemaatiline struktureerimine.

Uue arhitektuuri juhtimine ja vastavus nõuetele

Levinud vastuväide üleminekule inimkeskselt juhtimiselt platvormikesksele juhtimisele on see, et juhtimisnõuded takistavad seda. Reguleeritud tööstusharude ettevõtted väidavad, et kogu andmete kasutamine peab olema auditeeritav ja kontrollitav ning et juhtimisotsuste tegemiseks on vajalik inimeste ekspertiis. See on mõistetav vastuväide, kuid see annab sageli valesti aru mehhanismidest, mille abil kontekstipõhised platvormid juhtimist rakendavad.

Traditsioonilises lähenemisviisis tagatakse haldus inimeste poolt teostatava ülevaatuse kaudu. Andmekaitseametnik kontrollib käsitsi, et teatud andmekategooriaid ei kasutataks kindlatel eesmärkidel. Vastavusjuht kontrollib, et andmetele juurdepääsud oleksid auditilogides ühtsed. See on aeganõudev, veaohtlik ja ei ole hästi skaleeritav.

Kontekstiteadlikus platvormis on juhtimine automatiseeritud. Andmeelementide klassifikatsiooni kirjeldavad metaandmed on platvormi sisse põimitud. Juhised, mis kirjeldavad, milliseid andmekategooriaid millistel eesmärkidel saab kasutada, kodeeritakse käivitatavate reeglitena. Seejärel saab süsteem enne tehisintellekti toimingu käivitamist automaatselt kontrollida, kas see toiming kuulub haldusraamistikku. Kui ei kuulu, blokeerib süsteem toimingu või küsib enne selle teostamist heakskiitu.

See automatiseeritud juhtimismudel pole mitte ainult tõhusam, vaid ka tegelikult rangem kui käsitsi juhtimine. Inimlik ülevaataja võib väsimuse või tähelepanematuse tõttu vea teha. Automatiseeritud süsteem teeb sama ülevaatust identselt kümneid tuhandeid kordi. See tähendab, et kontekstipõhised platvormid suudavad tegelikult pakkuda paremaid juhtimistulemusi kui lähenemisviisid, mis põhinevad etteantud inseneridel või muudel käsitsi protsessidel.

Reguleeritud tööstusharude jaoks tähendab see, et üleminek kontekstitundlikele platvormidele ei ole juhtimiskvaliteedi langus, vaid pigem edasiminek. Audiitorid peaksid suutma näha iga tehisintellekti toimingu täielikke ja muutmatuid jälgi, sealhulgas teavet selle kohta, milliseid andmeid kasutati, milliseid mudeleid rakendati ja milliseid juhtimisreegleid läbi vaadati. See on tõepoolest tugevam auditipositsioon kui käsitsi tehtud inimlikule ülevaatusele lootmine.

Mõju erinevatele kliendisegmentidele

Kuigi üldine nihe FDE-sõltuvatelt mudelitelt kontekstipõhistele mudelitele on vältimatu, avaldub see erinevates kliendisegmentides erinevalt.

Keskmise suurusega organisatsioonide jaoks on see muutus murranguline. Ajalooliselt ei saanud need organisatsioonid sageli endale lubada etteantud inseneride palkamist, mis jättis nad ettevõtte tehisintellekti lahendustest välja. Kontekstiteadlikud platvormid, mis on skaleeritavad ja vajavad minimaalset kohandamist, avavad neid turge. Keskmise suurusega finantsteenuste pakkuja saab nüüd juurde pääseda platvormile, mis juba mõistab finantsteenuste toimimist, ilma et peaks kohandamisele miljoneid kulutama.

Suurettevõtete klientide jaoks ei tähenda see muutus vähemat ümberkujundamist. Suur organisatsioon saaks endale endiselt lubada märkimisväärse FDE kohaloleku kulusid. Kuid selline organisatsioon saaks nüüd valida, kas investeerida selles suunas või võtta kasutusele kontekstipõhine platvorm ja keskenduda oma sisemisele ekspertiisile platvormi jälgimisele, valideerimisele ja pidevale täiustamisele, mitte tüütule kohandatud koodi kirjutamisele.

Süsteemiintegraatorite ja konsultatsioonifirmade jaoks tähendab see muutus nende ärimudelite põhjalikku ümberkujundamist. Ettevõtted, kes traditsiooniliselt lõid väärtust käsitsi kohandamise ja integreerimise kaudu, avastavad, et see väärtuse allikas on hääbumas. See ei ole paratamatult saatuslik, vaid pigem nõuab ümberpositsioneerimist. Konsultatsioonifirmad saavad oma rolli muuta "rakendajast, kes kirjutab koodi", "strateegiliseks nõustajaks, kes juhib ettevõtte ümberkujundamist". Nad saavad hallata ülekandmist olemasolevatesse organisatsioonilistesse protsessidesse, koolitada meeskondi uute süsteemide tõhusaks kasutamiseks ja läbi viia äriprotsesside disaini, et luua väärtust uutest tehnoloogilistest võimalustest.

Platvormi küpsuse ja juurutamise kvaliteedi mõõtmine

Kui organisatsioonid valivad erinevate tehisintellekti platvormide vahel, muutub üha olulisemaks nende platvormide küpsuse ja tegeliku skaleeritavuse hindamine. Ainuüksi edasijõudnud inseneride olemasolu ei ole iseenesest negatiivne signaal (suured organisatsioonid võivad ajutiselt vajada spetsialiseerunud insenere), kuid see peaks tekitama küsimusi. Õige diagnostiline küsimus ei ole "Kas see platvorm vajab edasijõudnud insenere?", vaid "Miks see platvorm neid vajab?".

On mõistetav, kui platvorm vajab FDE-d (funktsionaalset andmeintegratsiooni), kuna kliendiorganisatsioonidel on nõuded, mis jäävad platvormi ulatusest täiesti välja. Kui platvorm aga vajab FDE-d seetõttu, et sellel puudub kontekstiteadlikkus, see ei suuda saavutada konfigureerimise kaudu kohandatavust ja heterogeensusega toime tulla, siis see annab märku, et platvorm pole veel tootmisküpseni jõudnud.

Teine diagnostiline test on see, kui kiiresti saab teist ja kolmandat juurutust teatud tüüpi kliendiorganisatsioonide jaoks läbi viia. Kui esimene juurutus finantsasutuses võtab aega kuus kuud, kuid teine ​​ja kolmas kuus nädalat, on see hea märk platvormi skaleerimisest ja teadmiste kogumisest valdkonna kohta. Kui iga juurutus võtab aega kuus kuud, olenemata juurutuste arvust, annab see märku, et tegelikku skaleerimist ei toimu.

Pikaajalised tagajärjed tehisintellekti tööstuse struktuurile

Üleminek FDE-sõltuvatelt mudelitelt kontekstipõhistele mudelitele avaldab laiaulatuslikku mõju tehisintellekti tööstuse struktuurilisele arengule.

Platvormipakkujad eristuvad tugevamalt oma võime põhjal kodifitseerida sügavat kontekstuaalset teavet konkreetsete valdkondade või tööstusharude jaoks. Pakkujal, kellel on finantsteenuste valdkondades tõelised teadmised ja võime kodifitseerida need teadmised oma ontoloogiatesse, semantikamudelitesse ja juhtimisstruktuuridesse, on märkimisväärne konkurentsieelis üldiste lähenemisviisidega pakkujate ees.

See omakorda tähendab, et spetsialiseeritud vertikaalsed platvormid on tõenäoliselt paremad kui üldised horisontaalsed platvormid. Spetsialiseerunud finantsteenuste pakkuja saab aru, et vastavusnõuded on valdkonnapõhised, et riskide modelleerimise meetodid on erinevad ja et klientide klassifitseerimine järgib valdkonna standardeid. Üldine pakkuja laia kliendibaasiga peaks neid eripärasid üldistama, mis tooks kaasa optimaalsetest madalamaid tulemusi.

See viitab ka sellele, et tehisintellekti tööstusharu on läbimas omamoodi konsolideerumist, kus sügav valdkonnaekspertiis on muutumas kaitstavaks eristavaks teguriks. Nišipositsiooniga idufirmad kindlates tööstusharudes võiksid laiemalt asjakohaseid platvorme edestada lihtsalt seetõttu, et nad on sügavamalt spetsialiseerunud.

See viitab veelgi sellele, et tööstusharu arendab omamoodi kahetasandilist struktuuri, kus infrastruktuuri kihi pakkujad (kes pakuvad alusvõimalusi) ja valdkonnapõhised kihi pakkujad (kes kodifitseerivad valdkonnaalaseid teadmisi) eksisteerivad koos ja täiendavad teineteist. Organisatsioon võib valida pakkuja A alusmudeli, samas kui valdkonnapõhist intelligentsust kodifitseerib pakkuja B.

IT pöördepunkt: FDE-dest kontekstitundlike platvormideni

Üleminek ettepoole suunatud inseneridelt kontekstitundlikele platvormidele ei ole pelgalt tehnoloogiline areng, vaid ka põhimõtteline muutus selles, kuidas ettevõtted oma IT-infrastruktuuri kontseptualiseerivad ja üles ehitavad. Seda nihet ajendavad majanduslikud imperatiivid (platvormide skaleeritavus vs inimesed), tehnoloogilised imperatiivid (tänapäevaste tehisintellekti süsteemide võime konteksti mõista) ja strateegilised imperatiivid (platvormi intelligentsusesse tehtud investeeringute pikaajaline tasuvus vs projektipõhine kohandamine).

Ettevõtete juhtide jaoks tähendab see, et tehisintellekti platvormide hindamise viis peab muutuma. Enam ei piisa küsimusest: "Kas see platvorm suudab lahendada meie konkreetset probleemi?". Õige küsimus on: "Kas see platvorm on skaleeritav ja kui mitte, siis miks mitte?". Nendele küsimustele antud vastused kujundavad strateegilisi investeerimisotsuseid veel aastaid.

Aitan teid hea meelega isikliku konsultandina.

minuga ühendust võtta Wolfenstein ∂ xpert.digital

Helistage mulle lihtsalt alla +49 89 674 804 (München)

Linkedin
 

 

Tööstusharu fookus: B2B, digitaliseerimine (tehisintellektist XR-ini), masinaehitus, logistika, taastuvenergia ja tööstus

Lisateavet selle kohta siin:

• Xpert Business Hub

Teemakeskus koos teadmiste ja ekspertiisiga:

• Teadmisplatvorm globaalse ja regionaalse majanduse, innovatsiooni ja tööstusharude suundumuste kohta
• Analüüside, impulsside ja taustteabe kogumine meie fookusvaldkondadest
• Koht ekspertiisi ja teabe saamiseks äri- ja tehnoloogiavaldkonna praeguste arengute kohta
• Teemakeskus ettevõtetele, kes soovivad õppida turgude, digitaliseerimise ja valdkonna uuenduste kohta