Streszczenie: Wybór odpowiednich narzędzi opartych na sztucznej inteligencji (AI) wymaga od menedżerów nie tylko analizy wyników raportów, ale także zrozumienia, na jakich danych wzorcowych (ground truth) trenowano i testowano dany model AI. Bez tej wiedzy łatwo dać się zwieść atrakcyjnym, ale niepełnym informacjom zawartym w materiałach sprzedażowych. Wielu liderów firm, nie będących ekspertami w dziedzinie AI, może zostać przekonanych do wdrożenia narzędzi, które ostatecznie nie spełniają oczekiwań, a nawet mogą być ryzykowne dla organizacji. Przykładem może być analiza pięciu narzędzi AI przeprowadzona w sektorze opieki zdrowotnej, gdzie mimo obietnic wysokiej skuteczności, kilka z nich wypadło słabo w pilotażach. Wnioski z tych doświadczeń wskazują, że kluczowe jest zrozumienie danych wzorcowych, na podstawie których model AI podejmuje decyzje, aby skutecznie ocenić jego jakość i potencjalne ryzyko związane z jego wdrożeniem. MIT Sloan Management Review Polska
Decyzja, czy dane rozwiązanie z zastosowaniem sztucznej inteligencji jest warte wdrożenia, wymaga od menedżerów nie tylko zapoznania się z wynikami raportów, ale bezpośredniej obserwacji, na podstawie jakich danych wzorcowych trenowano oraz testowano konkretny model AI.
W dynamicznie rozwijającym się i mocno konkurencyjnym obszarze sztucznej inteligencji (artificial intelligence, AI) zapewnienia programistów, jakoby narzędzia AI były w stanie dokonywać prognoz istotnych zjawisk, i to z dużą dozą dokładności, są głównym argumentem mającym przekonać potencjalnych klientów o wartości tych rozwiązań. A ponieważ liderom firm, jako osobom niebędącym ekspertami w tej dziedzinie, może być bardzo trudno ocenić narzędzia, mogą oni dać się omamić fantastycznym wskaźnikom skuteczności, podanym w materiałach sprzedażowych. Jednak często kończy się to wdrożeniami, które nie spełniają oczekiwań, a co gorsza, mogą być ryzykowne dla firmy.
Przez 11 miesięcy obserwowaliśmy działania menedżerów z wiodącej organizacji z sektora opieki zdrowotnej przy wewnętrznych projektach pilotażowych dla pięciu narzędzi AI. W przypadku każdego rozwiązania obiecywano fantastyczne wyniki, jednak kilka z nich wypadło naprawdę słabo w pilotażu. Analizując proces oceny tych narzędzi, doszliśmy do wniosku, że aby skutecznie określić jakość danego modelu wykorzystującego sztuczną inteligencję, trzeba poznać i zrozumieć jego dane wzorcowe (ground truth). W tym artykule wyjaśniamy, czym one są oraz w jaki sposób znajomość tych danych może pomóc menedżerom trafniej ocenić, na ile konkretne rozwiązanie AI poprawi lub pogorszy jakość podejmowanych w organizacji decyzji…
Materiał dostępny tylko dla subskrybentów
Dołącz do subskrybentów MIT Sloan Management Review Polska Premium!
Kup subskrypcję
