Liderzy organizacji muszą umieć dokonywać trafnych wyborów dotyczących skali wdrażania modeli sztucznej inteligencji. Warto przy tym zadać kilka niełatwych pytań.

Potęga sztucznej inteligencji (artificial intelligence, AI) i bazujących na niej modeli uczenia maszynowego (machine learning, ML) nieustannie zmienia reguły gry w biznesie. Jednak zbyt wiele projektów AI spala na panewce – niejednokrotnie już po wdrożeniu, co jest szczególnie kosztowne i deprymujące. Proszę tylko zapytać firmę Amazon o jej wpadki z technologią rozpoznawania twarzy albo Microsoft o poczynania czatbota Tay. Nader często analitycy i specjaliści od danych uznają te niepowodzenia za jednorazowe, odrębne anomalie, nie starając się nawet znaleźć żadnych prawidłowości, które pomogłyby zapobiegać takim problemom w przyszłości. Menedżerowie, zwłaszcza ci wyższego szczebla, mają dziś możliwość – a także odpowiedzialność – zapobiegania powdrożeniowym porażkom rozwiązań AI. Ale by móc to zrobić, muszą lepiej zgłębić tematykę zbiorów i modeli danych, bo dzięki temu będą w stanie zadawać właściwe pytania twórcom modeli, czyli deweloperom, a następnie prawidłowo oceniać uzyskane odpowiedzi.

Być może w tej chwili właśnie myślisz: „Ale czy analitycy dużych zbiorów danych nie mają doskonałego wykształcenia i przygotowania?”. Dzisiaj większość kursów i programów nauczania dla takich analityków, tzw. naukowców danych (data scientists), koncentruje się na mechanice procesów uczenia maszynowego, a nie na ograniczeniach tej technologii. Przez to naukowcy danych nie są uczeni, jak zapobiegać wpadkom sztucznej inteligencji ani jak diagnozować problemy. Twórcy modeli AI muszą przewidzieć skuteczność danego modelu w przyszłości i jego działanie na zbiorach danych innych niż treningowe, co określane jest mianem generalizowalności (generalizability). Obecnie ta koncepcja jest słabo zdefiniowana i mało rygorystyczna.

Istnieje pewne powiedzenie w dziedzinie analityki, mówiące o tym, że deweloperów AI i artystów cechuje ten sam zły nawyk zakochiwania się we własnych modelach. Tymczasem dane są lekceważone. Przykładowo, twórcy modeli sztucznej inteligencji bardzo łatwo godzą się na zastosowanie zbiorów danych, które akurat są pod ręką, zamiast szukać danych bardziej adekwatnych do problemu, jaki dany algorytm ma rozwiązać.

Menedżerowie wyższego szczebla bez formalnego wykształcenia w dyscyplinach technicznych mają jeszcze mniej kompetencji i narzędzi, by wychwycić problemy drzemiące w modelach sztucznej inteligencji i zbiorach danych, którymi są one zasilane. Ale właśnie oni jako liderzy decydują o tym, na ile szeroko organizacja wdroży te modele. Nasz artykuł powstał z myślą o menedżerach i menedżerkach chcących podejmować trafniejsze decyzje w tym obszarze.

Napięcie pomiędzy biznesem a IT nie jest nieuniknione. Można nim zarządzać w taki sposób, by budować wzajemny szacunek dla kompetencji każdej ze stron, a przy okazji otwierać nowe drzwi.

Wystarczy sięgnąć po publikację biznesową z dowolnej branży, by zostać zalanym treściami wychwalającymi cyfrową transformację. Jej orędownicy sprzedają nowe kompetencje jako absolutną konieczność. “Wszystkie organizacje muszą stać się firmami technologicznymi”– to często słyszany refren. “Organizacje, które będą coraz szybciej budować swoje kompetencje w dziedzinie inteligencji decyzyjnej, przetrwają. Pozostałe upadną” – to inny.

Sam zaliczam się do grona entuzjastów tej narracji. Dostrzegam ogromny potencjał nowych, cyfrowych kompetencji. Uważam, że pomogą one poprawiać biznesową efektywność, tworzyć bardziej satysfakcjonujące miejsca pracy oraz rozwiązywać niektóre istniejące od dawna problemy, których nie dało się pozbyć przy wykorzystaniu tradycyjnych metod.

Jednak, adaptacja i zmiana wciąż pozostają dużym wyzwaniem dla wielu firm. Wszelka zmiana, nawet ta najmniejsza wymaga bowiem zaufania. Jak, zauważył George Shultz, były sekretarz stanu w administracji Reagana: “zaufanie jest walutą”. Kiedy pomiędzy uczestnikami negocjacji pojawia się zaufanie, zdarzają się dobre rzeczy, w przeciwnym wypadku jest to niemożliwe.

Wyzwanie polega na tym, że nader często działy biznesowe w organizacjach nie ufają działom odpowiedzialnym za IT. Dopóki ten problem nie zostanie rozwiązany, kluczowe inicjatywy związane z transformacją cyfrową pozostaną zamrożone.

IT jest w trudnym położeniu

Kiedy przed kilku laty, temat zaufania po raz pierwszy pojawił się na moim radarze, zacząłem, początkowo nieśmiało, pytać o tę kwestie różne osoby. Byłem zaskoczony, że tak często przedstawiciele działów biznesowych mieli negatywne odczucia względem działów IT. Słyszałem od nich komentarze w stylu: “Nie można im ufać, gdy trzeba zrobić coś naprawdę ważnego” oraz “Są najmniej lubianą grupą w mojej firmie”. Nawet w pierwszych miesiącach pandemii, gdy przedstawiciele działów IT dwoili się i troili by zapewnić możliwość odbywania wideokonferencji czy realizowania zamówień on‑line oraz wdrażali wszelkie inne rozwiązania pozwalające pracować w sposób niezakłócony, takie komentarze były powszechne. (Optymistyczne było tylko to, że negatywne uwagi dotyczyły działów IT a nie poszczególnych, pracujących w nich osób).

Dlaczego poziom zaufania na linii biznes – IT jest tak niski?

Moim zdaniem poniższa grafika pomaga zrozumieć tę kwestię. Pochodzi z książki z “The Modern Firm” (Współczesna firma), klasycznej pozycji z 2004 roku, autorstwa Johna Robertsa.

Udane projekty wymagają następujących kroków

Indeks górny Źródło: na podstawie książki Johna Robertsa „The Modern Firm” Indeks górny koniec^{Źródło: na podstawie książki Johna Robertsa „The Modern Firm”}