Искусственный интеллект в SAFe®

Вольный перевод статьи Artificial Intelligence in SAFe — Scaled Agile Framework.

Искусственный интеллект, глубокое обучение, машинное обучение — что бы вы ни делали, если вы этого не понимаете — изучайте. Иначе вы станете динозавром…

— Марк Кьюбан, американский миллиардер-предприниматель

Растущее влияние ИИ

С каждым днем интеллектуальные системы помогают и поддерживают нас во все большем и большем количестве аспектов нашей личной жизни. Подача заявки на кредит, полет на самолете, покупка в интернет-магазине и планирование визита к врачу — это лишь несколько примеров повседневной деятельности с использованием искусственного интеллекта (ИИ). Кроме того, потребители — не единственные бенефициары решений на базе ИИ. Предприятия используют ИИ, чтобы лучше понимать своих клиентов и создавать более качественные продукты и услуги. Банки используют ИИ для выявления мошенничества и отмывания денег. Правительства предоставляют услуги своим гражданам с помощью ИИ. Даже военные и национальные системы безопасности используют эту новую технологию.

Тенденция очевидна:

• Поразительно, 72% руководителей считают, что ИИ станет самым значительным бизнес-преимуществом будущего.
• Согласно опросу PwC, проведенному в 2020 году, 86% респондентов заявили, что ИИ станет «основной технологией» в их компании в 2021 году.
• К 2025 году 70% организаций будут иметь используемую ИИ-архитектуру.

Критические факторы ускорили быстрый рост этих все более интеллектуальных технологий. Значительные достижения в аппаратном обеспечении общего назначения, облачных технологиях и оптимизированной инфраструктуре, такой как графические процессоры (Graphics Processing Units, GPU), обеспечивают беспрецедентную вычислительную мощность, которая поддерживает различные масштабы возможностей ИИ. Одновременно появились новые механизмы обучения и архитектуры ИИ, которые расширяют границы бизнес-задач, решаемых с помощью ИИ. Кроме того, пандемия COVID-19 вынудила многие предприятия ускорить свои многолетние планы цифровой трансформации до недель или месяцев, тем самым создав прочную основу для больших данных (Big Data) для широкого спектра бизнес-возможностей на основе ИИ. В результате согласно исследованию Gartner более 80% компаний из списка Global 2000 запустили инициативы в области ИИ. Многие из этих решений находятся в производстве и на рынке сегодня.

Становится все более очевидным, что любая организация должна серьезно оценивать и использовать возможности ИИ в своих продуктах и ​​услугах следующего поколения, чтобы оставаться конкурентоспособной.

В этой статье представлены основные сведения о применении ИИ на предприятии и о том, как SAFe может ускорить успешное внедрение этой передовой технологии. Основные затронутые темы включают:

• ИИ как конкурентное преимущество подчеркивает природу ценности ИИ для бизнеса и то, что требуется для создания устойчивого преимущества перед конкурентами.
• Применение ИИ для достижения лучших бизнес-результатов описывает типичные возможности применения ИИ в потоках разработки и поставки ценности, а также возможности, которые предприятия могут напрямую внедрять в продукты и услуги, предоставляемые конечному пользователю.
• Понимание основных типов ИИ описывает общие концепции и архитектуры ИИ, которые руководители технологий и бизнеса должны понимать, чтобы применять ИИ на своем предприятии.
• Факторы успеха для ИИ-инициативы в SAFe описывают основные практики и структуру принятия решений для успешных инициатив ИИ в SAFe.

ИИ как конкурентное преимущество

ИИ открывает различные возможности для расширения существующих решений и повышения их ценности и масштабируемости. Что еще более важно, он открывает границы для новых решений и качественно отличных возможностей, которые по-новому приносят пользу клиентам и бизнесу.

Но где именно ИИ наиболее полезен?

«Классические» программные решения хороши для решения хорошо понятных проблем; такие решения выполняют ограниченное количество сценариев на основе предопределенного списка правил. Однако, многие организационные рабочие процессы и сценарии клиентов включают параметры, которые невозможно учесть с помощью обычных, предварительно запрограммированных средств. ИИ решает многие из этих сложнейших сценариев и превращает их в жизнеспособные возможности для бизнеса. Ландшафт потенциальных приложений ИИ на предприятии широк и разнообразен (рисунок 1).

Рисунок 1. ИИ значительно расширяет спектр бизнес-решений

Например, банк может использовать ИИ для автоматизации обслуживания клиентов, выявления подозрительной активности по счетам, лучшего понимания потребностей клиентов и предложения соответствующих продуктов, извлечения важной информации из отзывов клиентов и социальных сетей, обеспечения соблюдения нормативных требований и т.д.

По мере того, как конкретные приложения ИИ становятся все более распространенными, компании выходят за рамки базовых решений ИИ, чтобы найти новые возможности там, где существуют сложные проблемы, которые можно решить с помощью ИИ. Конечная цель состоит в том, чтобы создать инновационную ценность для бизнеса, опережая конкурентов. Но создание успешных ИИ-решений — непростая задача. Хотя ИИ по-прежнему является программным обеспечением, природа разработки программного обеспечения для машинного обучения принципиально иная. Многие организации не знают, как эффективно использовать возможности ИИ, даже если они выделяют на решение этой проблемы значительные ресурсы. SAFe предоставляет операционную модель, которая помогает выявлять возможности, проверять новые возможности и преобразовывать их в ценные рабочие решения, которые приносят пользу клиенту. Первый шаг — понять, как ИИ помогает улучшить результаты деятельности организации.

Применение ИИ для достижения лучших бизнес-результатов

Как правило, возможности организации по использованию ИИ лежат в трех областях (рисунок 2):

Рисунок 2. Три основных способа применения ИИ в организации

1. Все более интеллектуальные решения для клиентов. Все больше и больше «интеллекта» внедряется в продукты и услуги, к которым мы получаем доступ каждый день. Типичные примеры включают в себя беспилотные автомобили и возможности помощи водителю, распознавание лиц на наших телефонах, персонализированные рекомендации по продуктам и более интеллектуальные устройства, поддерживающие Интернет вещей (Internet of Things, IoT). Кроме того, многие функции на основе ИИ теперь напрямую встроены в наши приложения для мобильных и настольных компьютеров.
2. Улучшенные Потоки Разработки и Поставки Ценности. Организационные процессы созрели для приложений ИИ, чтобы сделать внутренние корпоративные процессы более продуктивными или внедрить новые возможности. Решения ИИ могут применяться как к Потокам Поставки Ценности (Operational Value Streams), так и к Потокам Разработки Ценности (Development Value Stream). Управление складскими запасами и предсказанием спроса, персонализированный потребительский опыт и обнаружение мошенничества — вот примеры того, как искусственный интеллект может усилить операционные рабочие процессы. В случае потоков разработки ценности компании могут использовать ИИ для навигации по контексту решения, анализа производственных данных, определения оптимальных параметров для пользовательских сценариев и повышения эффективности тестирования.
3. Инсайты от клиентов. ИИ может помочь организациям выявлять новые возможности для бизнеса, больше узнавать о клиентах и ​​извлекать информацию о рынке, что позволяет создавать совершенно новые предложения в еще более широком масштабе. В этом последнем случае ИИ поддерживает запуск новых инициатив через BAVS (Business Agility Value Stream, поток ценности бизнес-гибкости), которые иначе невозможно было бы обнаружить.

Понимание основных типов ИИ

Искусственный интеллект (ИИ) — это широкий спектр интеллектуальных машин, способных выполнять задачи, которые обычно требуют человеческого интеллекта. Потенциальные приложения, представленные ИИ, обширны и затрагивают практически все аспекты деловой и потребительской жизни. Многие современные системы искусственного интеллекта основаны на машинном обучении (Machine Learning, ML). Решения на основе машинного обучения предназначены для улучшения на основе опыта и данных. Однако, некоторые архитектуры ИИ не используют машинное обучение и вместо этого основаны на всеобъемлющем наборе статических правил, которые кодируют некоторые сложные рассуждения. На рисунке 3 представлена ​​типология различных подходов к AI и ML. Он также иллюстрирует некоторые возможности, предоставляемые этими технологиями. Однако, некоторые возможности, показанные на рисунке 3, могут быть созданы с использованием более чем одного подхода к ИИ, а также может применяться комбинация методов.

Рисунок 3. Ландшафт искусственного интеллекта

Как показано на этом рисунке, существует три основных категории машинного обучения, различающиеся по способу обучения. Все три подхода включают три основных компонента: данные, алгоритм обучения и модель обучения, как показано на рисунке 4.

Рисунок 4. Три важнейших компонента машинного обучения

В общем случае машинное обучение можно описать как один из четырех типов, как описано ниже.

Контролируемое обучение

Обучение под наблюдением использует тренировочные данные, чтобы научить модель производить желаемый результат (рисунок 5). Тренировочные данные должны содержать входные данные и желаемые выходные данные в виде меток. Алгоритм обучения пропускает входные данные через модель, сравнивает их с метками и вычисляет выходные данные модели.

Рисунок 5. Обучение под наблюдением

Алгоритм корректирует параметры модели и повторяет процесс до тех пор, пока не будет достигнуто достаточно малое количество ошибок. Он называется контролируемым, потому что желаемые результаты поставляются вместе с входными данными и используются для «надзора» или «направления» процесса обучения. Если данные изначально не включают как входные данные, так и метки, перед обучением модели требуется процесс «маркировки». Обучение под наблюдением может помочь обнаружить известные закономерности (мошеннические транзакции, спам-сообщения) и классифицировать данные (распознавание изображений, анализ тональности текста). В некоторых случаях выходные данные могут быть легко доступны или легко доступны автоматизированным способом (например, имя клиента рядом с фотографией профиля для распознавания лиц или пятизвездочный рейтинг рядом с текстом отзыва о продукте для определения тональности; ситуация часто называют обучением с самоконтролем). Выявление таких аспектов данных открывает прекрасные возможности для применения контролируемого обучения к организационным процессам.

Неконтролируемое обучение

В отличие от предыдущего подхода, неконтролируемое обучение не использует какой-либо механизм обратной связи. Вместо этого он извлекает ценную информацию, просто анализируя внутреннюю структуру данных.

Рисунок 6. Обучение без учителя

Неконтролируемое обучение имеет значительное преимущество, поскольку входные данные не нужно маркировать, что позволяет алгоритмам обучения использовать огромные объемы данных. Этот подход поддерживает более простое масштабирование возможностей обучения без присмотра. Этот тип алгоритма ИИ применяется для кластеризации данных, обнаружения аномалий, анализа ассоциаций и задач извлечения скрытых переменных. Эти процессы разделяют данные по сходству и устанавливают существующие отношения в данных, которые будут использоваться другими возможностями или функциями решения. Некоторыми распространенными вариантами использования таких задач являются сегментация клиентов или продуктов, обнаружение сходства и системы рекомендаций. Неконтролируемое обучение также можно использовать в качестве звена в более широкой цепочке контролируемого процесса обучения для распространения маркировки данных на немаркированные наборы данных.

Обучение с подкреплением

Обучение с подкреплением похоже на контролируемое обучение, поскольку оно также включает механизм обратной связи, который проверяет модель. Однако, в этом случае обратная связь не опирается на размеченные данные. Вместо этого система действует в определенной среде и снабжена функцией вознаграждения, которая помогает модели узнать, какое действие приводит к успешным результатам. Таким образом, алгоритм обучения генерирует исследовательскую активность и выбирает сценарии, которые приводят к наибольшему вознаграждению.

Рисунок 7. Обучение с подкреплением

Обучение с подкреплением находит применение в робототехнике, играх, системах поддержки принятия решений, персонализированных рекомендациях, торгах и рекламе, а также в других контекстах, где моделируемое исследовательское поведение может быть оценено с точки зрения его ценности.

Глубокое обучение

Глубокое обучение — это название моделей машинного обучения, основанных на искусственных нейронных сетях (ИНС). Глубокое обучение может быть эффективно применено к контролируемому, неконтролируемому обучению и обучению с подкреплением, и во многих практических задачах оно дало результаты, сравнимые или превосходящие результаты человека-эксперта. Искусственная нейронная сеть в общих чертах моделируется по структуре нейронов в головном мозге. ИНС имеет входы, выходы и состоит из связанного набора нейронов. Примером такой модели может быть нейронная сеть, которая принимает цвета пикселей изображения в качестве входных данных и определяет тип объекта в этом изображении в качестве выходных данных.

Рисунок 8. Глубокая нейронная сеть для распознавания образов

Каждое соединение имеет определенный вес, который либо усиливает, либо подавляет сигнал. Когда все соединители, ведущие к конкретному нейрону, передают достаточно сильный кумулятивный сигнал, нейрон активируется и передает сигнал другим нейронам ниже по течению. Нейронная сеть с несколькими скрытыми слоями называется глубокой нейронной сетью и является базовой архитектурой для глубокого обучения.

Генеративный ИИ

Генеративный ИИ — это область искусственного интеллекта, которая фокусируется на создании нового контента и опыта с помощью алгоритмов машинного обучения. У него есть потенциал, чтобы произвести революцию в том, как бизнес работает и создает ценность. И предприятия, и широкая общественность узнали о генеративном ИИ практически за одну ночь с выпуском ChatGPT в конце ноября 2022 года. Первоначально предложенный как бесплатный инструмент, ChatGPT привлек более миллиона пользователей за первые пять дней и превысил 100 миллионов пользователей к концу января 2023 года.

Генеративный ИИ отличается от других типов ИИ своей направленностью на создание нового контента и опыта. В отличие от других приложений ИИ, таких как контролируемое обучение и обучение с подкреплением, алгоритмы генеративного ИИ обучены генерировать уникальные выходные данные, такие как изображения, видео или текст. Это делает генеративный ИИ мощным инструментом для компаний, стремящихся автоматизировать творческие задачи, создавать цифровые активы и внедрять инновации. В то время как другие приложения ИИ предназначены для распознавания шаблонов в существующих данных, генеративный ИИ фокусируется на создании нового уникального контента, которого нет в обучающих данных.

Одним из основных применений генеративного ИИ является создание реалистичных изображений продуктов или написание привлекательных рекламных текстов. Это может значительно сократить время и ресурсы, необходимые предприятиям для создания высококачественных цифровых активов. Еще одна область, в которой генеративный ИИ может оказать значительное влияние, — это автоматизация повторяющихся задач и процессов. Например, алгоритмы генеративного ИИ можно научить выполнять такие задачи, как выставление счетов, ввод данных и создание отчетов, освобождая сотрудников, чтобы они могли сосредоточиться на более важных задачах. Генеративный ИИ также может стимулировать инновации и разработку новых продуктов. Комбинируя алгоритмы генеративного ИИ с другими технологиями, такими как моделирование и автоматизированное проектирование, предприятия могут быстро создавать и тестировать концепции новых продуктов, что помогает ускорить процесс разработки.

Однако, для бизнеса важно знать о потенциальных этических последствиях генеративного ИИ, таких как создание поддельного, вводящего в заблуждение или предвзятого контента. Для организаций крайне важно иметь надежные управленческие и этические рамки, чтобы гарантировать, что использование ими генеративного ИИ соответствует их ценностям и миссии. Также необходимо принять меры предосторожности, чтобы не допустить раскрытия данных клиентов, персональных данных (Personally Identifiable Information, PII) или конфиденциальных данных компании общедоступным генеративным инструментам ИИ.

Примечание: предыдущее описание генеративного ИИ было сгенерировано ChatGPT!

Факторы успеха для инициатив ИИ в SAFe

Разработка и поставка успешных ИИ-решений — сложная задача для многих организаций. Следующие факторы имеют решающее значение для организации продуктивного процесса разработки решений для систем ИИ.

Примените четкую структуру принятия решений с использованием ИИ

Многие инициативы в области искусственного интеллекта не дают хороших результатов, обещанных сторонниками инвестиций в эту технологию. Эта неспособность оправдать ожидания часто вызвана неправильным принятием решений о том, как и почему будет использоваться ИИ. Организации часто хотят «задействовать ИИ», потому что «все остальные делают», не понимая, какие усилия необходимы для внедрения и масштабирования этой технологии, ее влияния на организацию или даже того, принесет ли она предполагаемые преимущества. У организаций SAFe уже есть мощные инструменты для принятия более эффективных решений о надлежащем использовании ИИ. Некоторые из них выделены на рисунке 9.

 Рисунок 9. Платформа принятия решений с использованием ИИ на базе SAFe

1. Согласование со стратегией гарантирует, что инициативы в области ИИ будут приносить пользу бизнесу. Согласование дорожной карты ИИ со стратегией портфеля является важным шагом в этом направлении. Некоторые инициативы в области искусственного интеллекта могут потребовать большей финансовой поддержки; другие, возможно, придется перепрофилировать или отменить на основе постепенной оценки экономической целесообразности. Эффективное управление расходами требует Lean-бюджетирования. Использование Kanban Портфеля и Lean Business Case помогает лучше согласовывать стратегию. Кроме того, PI-планирование обеспечивает основу для периодического согласования стратегии ИИ с фактической реализацией. 
2. Клиентоориентированность имеет решающее значение для обеспечения того, чтобы инициатива ИИ действительно решала проблему клиента. Например, встроенные возможности искусственного интеллекта (такие как распознавание изображений или обработка естественного языка) должны быть соответствующим образом интегрированы в благоприятный для клиента сценарий. Четкое определение проблемы клиента — важный шаг, и применение дизайн-мышления к возможностям ИИ дает огромные преимущества.
3. Непрерывное изучение прокладывает путь к успешному решению на основе ИИ. Разработка решения всегда содержит значительную степень неопределенности. Однако, в случае с ИИ уровень неопределенности при создании правильного решения и его правильной реализации исключительно высок. Именно здесь цикл SAFe Lean Startup очень полезен. Создание четкой бизнес-гипотезы, построение MVP (Minimum Viable Product) ИИ и проверка его по соответствующим показателям — вот основа успешного исследования.
4. Эмпирические вехи направляют развитие успешного решения ИИ. Возможности искусственного интеллекта должны постоянно интегрироваться с остальной частью решения на протяжении всего процесса поэтапной разработки. Инкременты решения используются для получения важной обратной связи от клиентов.

Организуйте поставку решений ИИ

Организация вокруг ценности является важным фактором потока и одним из принципов работы SAFe. В случае с решениями на основе ИИ это имеет особые последствия для организаций SAFe. Мы наблюдали три стадии зрелости и эволюции организации, как показано на рис. 10.

Рисунок 10. Наблюдаемые организационные модели зрелости ИИ в SAFe

1. Этап 1. Первый шаг — создать критическую массу опыта в области ИИ. Этот шаг включает в себя набор и развитие навыков в области искусственного интеллекта и машинного обучения, а также сопутствующих навыков в области науки о данных (Data Science), анализа данных (Data Analytics) и обработки данных (Data Engineering). Эта централизованная команда взаимодействует с профильными экспертами. Это может потребовать создания и развертывания некоторых первоначальных доказательств концепции, пилотных проектов или даже MVP для ожидаемой инициативы ИИ. На этом этапе предприятие начинает мыслить об ИИ и показывает потенциал для расширения диапазона и типов приложений ИИ.
2. Этап 2. Быстро становится очевидным, что эти новые возможности необходимо развивать и интегрировать в продукты, предлагаемые предприятием. Интеграция возможностей искусственного интеллекта в существующие продукты требует привлечения ART, ответственных за корпоративные решения. В результате центральная команда ИИ переместила свое внимание с разработки возможностей ИИ на создание возможностей для этих Agile Release Train (ART). На этом этапе команда может включить в состав каждого поезда несколько профильных экспертов, чтобы упростить процесс. Как правило, централизованная функция также продолжает развивать определенные типы возможностей ИИ, особенно те, которые пересекают потоки создания ценности и вызывают создание более зрелых данных корпоративного уровня.
3. Этап 3. Со временем в Agile Release Trains встраивается больше функций ИИ. Включение этих наборов навыков в ART помогает управлять интеграционными рисками, создает более надежный конвейер поставки и способствует получению критически важных знаний. Однако, децентрализованные усилия, как правило, выигрывают от наличия централизованной экспертизы. Центральная группа по архитектуре ИИ может продолжать изучать новые технологии ИИ, реализовывать сквозные инициативы портфеля и предприятия, а также обеспечивать организационное управление, обеспечивающее надлежащее управление данными клиентов и этическими и деловыми последствиями ИИ на рынке.

На всех трех этапах в группу ИИ должны входить специалисты в области инженерии и бизнеса. Это жизненно важно для организации, чтобы определить и использовать продуктивные возможности для решений с поддержкой ИИ.

Упреждающее управление данными

Данные являются важным звеном в большинстве реализаций ИИ, и при неправильном обращении они приводят к провалу инициативы ИИ. Каждая организация должна установить эффективный процесс управления данными.

Данные важны для ИИ по нескольким причинам. Во-первых, большинству систем ИИ требуется набор обучающих данных, который должен быть достаточно большим (и поэтому называется большими данными — Big Data), чтобы модель ИИ научилась правильно выполнять свою задачу. Например, системе обнаружения мошенничества могут потребоваться десятки или даже сотни тысяч транзакций, пока она не научится надежно распознавать среди них мошеннические. Чтобы проверить, успешно ли обучена система, необходим целый отдельный набор данных — набор данных для тестирования, который должен быть легко доступен.

Но большие проблемы связаны не только с размером больших данных. Еще более серьезной проблемой является то, что данные редко существуют в готовой к использованию форме. Данные часто рассредоточены по нескольким разрозненным источникам внутри и за пределами предприятия. Кроме того, фактический формат данных может быть неприемлемым. У него могут отсутствовать некоторые критические атрибуты, без которых обучение невозможно. Любой подход к ИИ будет зависеть от портфельной стратегии, которая признает, что систематический подход к сбору и нормализации больших данных практически всегда является прецедентом для приложения ИИ. Это включает в себя проверку предположений о данных в качестве первого порядка бизнеса в каждой инициативе ИИ. На рисунке 11 показаны некоторые основные элементы того, как SAFe направляет предприятия в этом параллельном путешествии.

Рисунок 11. Цикл больших данных

Если вы дочитали до этого абзаца, то точно любите полезный контент про современные практики управления. Еще больше материалов, видео и экспертных советов от Agile-коучей, анонсы бесплатных вебинаров и митапов в Телеграм-канале ScrumTrek

Создайте организационную компетенцию вокруг ИИ

Искусственный интеллект представляет собой новый тип технологии для многих организаций. И даже те компании, у которых есть какие-то инициативы в области искусственного интеллекта, не имеют нужного опыта, применяемого в нужном месте. ИИ — это сложная технология, требующая хорошего понимания возможностей ИИ и ландшафта потенциальных бизнес-приложений. Для использования критически важных возможностей требуется, чтобы бизнесовые и технические специалисты в организации работали вместе над развитием навыков ИИ.

SAFe подчеркивает важность постоянного взаимодействия профессионалов бизнеса и технологий. Это взаимодействие достигается несколькими способами, включая стратегические усилия в Kanban Портфеля, такие мероприятия, как PI-планирование (PI Planning), Системные и Демонстрации Решений (System and Solution Demos), а также Инспекция и Адаптация (Inspect and Adapt). Кроме того, различные активности по непрерывному изучению, дизайн-мышлению и определениям работы усиливают пересечение между представителями бизнеса и технологий. В случае с ИИ все эти методы необходимо использовать еще более строго, поскольку нестыковки могут быть очень дорогостоящими.

Установите путь решения ИИ

Движимое потоком Business Agility, решение AI продвигается через следующие логические этапы:

 Рисунок 12. Пример пути решения ИИ

• Определение – Этот шаг включает в себя определение возможностей для бизнеса и понимание потребностей клиента. Первоначальная оценка определяет, насколько подходящие архитектуры ИИ могут удовлетворить потребности бизнеса. На этом этапе активно участвуют как технологические, так и коммерческие заинтересованные лица.
• Пилот – Этот шаг обычно включает в себя создание минимально жизнеспособного продукта (Minimum Viable Product, MVP) для возможностей ИИ и дальнейшие действия на основе выводов MVP. Крайне важно убедиться, что MVP решает бизнес-проблему, а не просто демонстрирует техническую осуществимость. На этом этапе применяется базовый уровень мониторинга и измерения возможностей ИИ. Пилоты должны быть разработаны так, чтобы как можно быстрее получить MVP, который сможет проверить гипотезу о возможностях ИИ.
• Запуск – На этом этапе возможности искусственного интеллекта (если они доказали свою жизнеспособность на предыдущем этапе) проектируются и внедряются, чтобы обеспечить полную интеграцию с существующей экосистемой решений и обеспечить полноценную поддержку необходимых бизнес-сценариев. Эксплуатация требует больших затрат при разработке решения и может привести к значительным потерям, если MVP не подтвердит жизнеспособность интеграции с существующими системами. Организация также должна планировать инвестиции, необходимые для непрерывного мониторинга, настройки и переобучения компонентов ИИ.
• Масштабирование – Возможности искусственного интеллекта успешны, если они расширяются для поддержки увеличивающихся объемов клиентов. В случае с ИИ — в отличие от обычных решений — масштабирование создает некоторые уникальные проблемы. Таким образом, с увеличением объема обработки фактические бизнес-параметры, данные и модель ИИ могут выйти из строя (что называется «дрейфом» в терминологии ИИ). Часто требуется постепенная корректировка модели, алгоритма обучения и обработки данных, чтобы поддерживать модель в процессе масштабирования и за его пределами. Кроме того, в результате масштабирования могут возникать или включаться в решение некоторые качественно новые сценарии. Иногда это может привести к значительному обновлению возможностей ИИ или даже радикальному изменению модели машинного обучения или алгоритма обучения.
• Управление – Предприятиям часто предоставляется множество возможностей для применения ИИ, и они могут делать это в разных областях. Со временем в различных решениях, работающих в одном и том же пуле больших данных, появляется экосистема интеллектуальных возможностей, которая обеспечивает потенциальную функциональную совместимость для создания корпоративной ценности более высокого уровня. Для этого требуется процесс управления, охватывающий несколько цепочек решений в портфеле или даже несколько портфелей на предприятии. Этот процесс управления может быть частью общего управления портфелем и предприятием. Тем не менее, он должен особенно учитывать некоторые области, которые становятся гораздо более важными с появлением ИИ. К таким областям относятся эффективное управление данными, конфиденциальность и безопасность, вычислительная мощность, проблема предвзятости и отслеживаемость. Этическое внедрение ИИ является доминирующей темой в этой области и требует серьезных инвестиций со стороны организаций, использующих эту технологию.

Из-за присущей решениям ИИ сложности и отсутствия адекватных устоявшихся практик, поддерживающих разработку и эксплуатацию ИИ, многие организации сталкиваются с серьезными проблемами, связанными с эксплуатацией, масштабированием и надлежащим управлением своими решениями ИИ. Это значительно сокращает количество инициатив, создающих какую-либо ценность для бизнеса. Вот почему организация должна установить продуктивный путь решения, который способствует быстрой обратной связи и эффективно выявляет технологические и бизнес-риски и управляет ими.

Краткое содержание 

Успех с ИИ имеет решающее значение для выживания и процветания в эпоху цифровых технологий. SAFe предоставляет различные инструменты, которые позволяют успешно разрабатывать и поставлять решения на базе ИИ. Организуя команды и обучая их для использования возможностей ИИ, используя практические, стратегически обоснованные решения и активно создавая необходимые возможности облака и больших данных, предприятия создают основу для продуктивной работы с ИИ. Крайне важно, чтобы специалисты в области технологий и бизнеса совместно развивали компетенции в области искусственного интеллекта и понимали, где искусственный интеллект может помочь организации воспользоваться критически важными возможностями для бизнеса.

SAFe and Scaled Agile Framework are registered trademarks of Scaled Agile, Inc.