Mengapa Anda Harus Memikirkan AI Sebagai Olahraga Tim

Apa artinya menganggap AI sebagai olahraga tim? Kami melihat proyek AI bergeser dari sensasi ke dampak, sebagian besar karena peran yang tepat terlibat untuk menyediakan konteks bisnis yang sebelumnya tidak ada. Keahlian domain adalah kuncinya; mesin tidak memiliki kedalaman konteks yang dimiliki orang, dan orang perlu mengetahui bisnis dan data dengan cukup baik untuk memahami tindakan mana yang harus diambil berdasarkan wawasan atau rekomendasi apa pun yang muncul.

Ketika berbicara tentang penskalaan AI, banyak pemimpin berpikir mereka memiliki masalah orang—khususnya, tidak cukup ilmuwan data. Tetapi tidak setiap masalah bisnis adalah masalah ilmu data. Atau setidaknya, tidak setiap tantangan bisnis harus dilemparkan ke tim ilmu data Anda. Dengan pendekatan yang tepat, Anda dapat menuai manfaat AI tanpa tantangan yang datang dengan siklus ilmu data tradisional.

Untuk menerapkan dan menskalakan solusi AI, para pemimpin perlu mengubah pola pikir organisasi untuk menganggap AI sebagai olahraga tim. Beberapa proyek AI membutuhkan sekumpulan orang, alat, dan harapan yang berbeda untuk mendapatkan hasil yang sukses. Mengetahui cara mengenali peluang ini akan membantu Anda mendekati proyek AI yang lebih sukses dan memperdalam kelompok pengguna AI Anda, menambah kecepatan dan kekuatan untuk pengambilan keputusan di seluruh angkatan kerja. Mari kita telusuri mengapa dan bagaimana.

Organisasi mendemokratisasi analisis lanjutan dengan AI

Menggunakan AI untuk memecahkan masalah bisnis sebagian besar telah menjadi bidang ilmuwan data. Seringkali, tim ilmu data dicadangkan untuk peluang terbesar dan tantangan paling kompleks organisasi. Banyak organisasi telah berhasil menerapkan ilmu data untuk kasus penggunaan tertentu seperti deteksi penipuan, personalisasi, dan banyak lagi, di mana keahlian teknis yang mendalam dan model yang disesuaikan dengan baik mendorong hasil yang sangat sukses.

Namun, penskalaan solusi AI melalui tim ilmu data Anda merupakan tantangan bagi organisasi, karena berbagai alasan. Menarik dan mempertahankan talenta sangat mahal dan bisa jadi sulit di pasar yang kompetitif. Proyek ilmu data tradisional seringkali membutuhkan banyak waktu untuk dikembangkan dan diterapkan sebelum bisnis melihat nilainya. Dan bahkan tim data science yang paling berpengalaman dan kuat pun bisa gagal jika mereka tidak memiliki data atau konteks yang diperlukan untuk memahami nuansa masalah yang harus mereka pecahkan.

Gartner® 2021 Keadaan Ilmu Data dan Pembelajaran Mesin (DSML) laporan menyatakan bahwa “permintaan klien berubah, dengan audiens yang kurang teknis ingin menerapkan DSML dengan lebih mudah, para ahli perlu meningkatkan produktivitas dan perusahaan membutuhkan waktu yang lebih singkat untuk menilai investasi mereka¹.” Meskipun mungkin ada banyak masalah bisnis yang dapat mengambil manfaat dari kecepatan atau ketelitian analisis yang dapat diberikan oleh AI, pendekatan ilmu data tradisional mungkin tidak selalu menjadi rencana serangan terbaik untuk melihat nilai dengan cepat. Faktanya, laporan Gartner yang sama memprediksi bahwa “pada tahun 2025, kelangkaan ilmuwan data tidak akan lagi menghalangi adopsi ilmu data dan pembelajaran mesin dalam organisasi.”

Keahlian domain sangat penting untuk menskalakan AI di seluruh bisnis

AI sudah membantu menghadirkan kemampuan analisis lanjutan bagi pengguna yang tidak memiliki latar belakang ilmu data. Mesin dapat memilih dari model dan algoritme peramalan terbaik, dan model yang mendasarinya dapat diekspos, menawarkan kemampuan untuk menyetelnya dan memastikan bahwa semuanya cocok dengan apa yang dicari pengguna.

Kemampuan ini memberi analis dan pakar domain bisnis yang terampil kemampuan untuk merancang dan memanfaatkan aplikasi AI mereka sendiri. Menjadi lebih dekat dengan data, para pengguna ini memiliki keunggulan dibandingkan banyak rekan ilmuwan data mereka. Menempatkan kekuatan ini di tangan mereka yang memiliki keahlian domain dapat membantu menghindari waktu pengembangan yang lama, beban sumber daya, dan biaya tersembunyi yang terkait dengan siklus ilmu data tradisional. Plus, orang-orang dengan keahlian domain harus menjadi orang yang memutuskan apakah prediksi atau saran AI berguna atau tidak.

Dengan proses pembuatan model yang lebih berulang, merevisi, dan menerapkan ulang, orang-orang dengan konteks bisnis dapat memperoleh nilai dari AI lebih cepat—bahkan menerapkan model baru ke ribuan pengguna dalam hitungan hari hingga minggu, bukan dari minggu ke bulan. Ini sangat kuat untuk tim yang tantangan uniknya mungkin tidak menjadi prioritas tinggi bagi tim ilmu data, tetapi dapat mengambil manfaat dari kecepatan dan ketelitian analisis AI.

Namun, penting untuk dicatat bahwa sementara solusi ini dapat membantu mengatasi kesenjangan keterampilan antara analis dan ilmuwan data, itu bukan pengganti yang terakhir. Ilmuwan data tetap menjadi mitra penting dengan pakar bisnis untuk memvalidasi data yang digunakan dalam solusi yang mendukung AI. Selain kolaborasi ini, pendidikan dan keterampilan data akan sangat penting dalam menggunakan alat semacam ini dengan sukses dalam skala besar.

Literasi data memberdayakan lebih banyak orang untuk memanfaatkan AI

Strategi data dasar Anda memainkan peran besar dalam menyiapkan organisasi Anda untuk sukses dengan AI, tetapi membawa solusi AI ke lebih banyak orang di seluruh bisnis akan membutuhkan dasar literasi data. Memahami data apa yang sesuai untuk diterapkan pada masalah bisnis, serta bagaimana menginterpretasikan data dan hasil rekomendasi AI akan membantu orang untuk berhasil mempercayai dan mengadopsi AI sebagai bagian dari pengambilan keputusan mereka. Bahasa data bersama dalam organisasi juga membuka lebih banyak pintu untuk kolaborasi yang sukses dengan para ahli.

Survei global terbaru McKinsey tentang AI mengungkapkan bahwa dalam 34% organisasi berkinerja tinggi “pusat pelatihan khusus mengembangkan keterampilan AI personel nonteknis melalui pembelajaran langsung”, dibandingkan dengan hanya 14% dari semua organisasi lain yang disurvei. Selain itu, di 39% organisasi berkinerja tinggi “ada saluran komunikasi dan titik kontak yang ditentukan antara pengguna AI dan tim ilmu data organisasi”, dibandingkan dengan hanya 20% lainnya.

Pemimpin dapat mengambil berbagai pendekatan untuk membangun literasi data, mulai dari pendidikan dan pelatihan, program bimbingan, kontes data pembangunan komunitas, dan banyak lagi. Pikirkan tentang menormalkan akses dan berbagi data, serta bagaimana Anda merayakan dan mempromosikan kesuksesan, pembelajaran, dan pengambilan keputusan dengan data.

“Literasi data dan pendidikan tentang visualisasi dan ilmu data perlu lebih umum, dan diajarkan lebih cepat,” kata Vidya Setlur, kepala Tableau Research. “Ada semacam tanggung jawab sosial dan organisasi yang datang dengan ketergantungan pada penggunaan data. Orang-orang harus lebih siap untuk memahami, menafsirkan, dan memanfaatkan data sebaik-baiknya karena AI hanya akan menjadi lebih canggih, dan kita harus beberapa langkah di depan permainan.”

Terus membangun budaya data organisasi Anda menciptakan peluang yang kuat untuk memelihara keterampilan dan mendorong solusi baru di seluruh bisnis. Banyak organisasi telah meningkatkan investasi mereka dalam data dan analitik dalam beberapa tahun terakhir, seiring dengan percepatan transformasi digital. Memikirkan data sebagai olahraga tim bukanlah suatu jangkauan—dan sekarang kami memiliki sarana untuk memperluas pola pikir itu ke AI.