Rossz példát mutat a Meta a mesterséges intelligencia felhasználására?

Hiba, hogy a vállalati szervezetek gyakran egyetlen üzleti egység által irányított kezdeményezésként kezdik meg a mesterséges intelligenciával való foglalkozást.

A Meta átszervezi mesterséges intelligencia (MI) műveleteit, hogy a tevékenységet kivonja a központi szervezetből, és szétossza az egyes üzleti egységek között. Ez pedig hiba lehet. Mit kellene tennie a vállalatoknak ehelyett, hogy maximalizálják az MI által kínált értéket? – teszi fel a kérdést az InformationWeek.

A Meta (a Facebook anyavállalata) június elején jelentette be, hogy decentralizálni fogja az MI-t a cégnél, és Andrew Bosworth technológiai igazgató szerint a társaság termékcsoportjai között osztja szét a feladatokat. “Úgy véljük, hogy ez felgyorsítja a fontos új technológiák bevezetését az egész vállalaton belül, miközben lehetővé teszi számunkra, hogy a határokat feszegessük” – írta Bosworth a változást kommentálva.


A bejelentés a Meta MI-szervezésének átrendeződését jelzi, mivel Jerome Pesenti, az MI-alelnök elhagyta a vállalatot, és más változások, például több különálló MI-csapat összevonása is megtörtént. A cégnél bekövetkezett változások felvetik a kérdést: “Vajon a Meta MI átszervezése vajon követendő példa? Hogyan kellene gondolkodnunk a saját mesterséges intelligencia-kutatásunk és működésünk strukturálásáról?” – írja az InformationWeek.

“A vállalati szervezetek gyakran egyetlen üzleti egység által irányított kezdeményezésként kezdik meg a mesterséges intelligenciával való foglalkozást. A vállalatokon belüli marketingszervezetek például már régóta alkalmaznak MI-technikákat” – jelezte Erick Brethenoux, a Gartner vezető MI-elemzője. Ezután a szervezetek szétoszthatják MI-gyakorlatukat az üzleti egységek vagy termékcsoportok között, ahogyan most a Meta. A centralizáltról a decentralizáltra váltás gyakori a vállalatok életében, ezt már mindenféle más képességgel és kompetenciával is megtették. A HR például tipikusan ilyen. Brethenoux-t azonban meglepte, amikor azt hallotta, hogy a Meta a jövőben decentralizált MI-modellre áll át.

“Az egyik legfejlettebb, legérettebb vállalatnak kellene lenniük. Meglepett, hogy olyasmit csinálnak, amit az ügyfeleim már korábban is, de végül elálltak tőle” – mondta. Ehelyett ezek a vállalatok, amelyek kipróbálták és elhagyták a Meta által alkalmazott megközelítést – Brethenoux a legérettebb ügyfeleinek nevezi őket -, egy olyan modell szerint működnek, amely a centralizált és a decentralizált MI hibridje.

Ezek a vállalatok jellemzően egy adott üzleti egységgel kezdik meg az MI-gyakorlatukat, majd ez fejlődik tovább. Igyekeznek megtalálni a módszert, hogy az MI-tudást egy központi (fizikai vagy virtuális) helyre hozzák össze, amelyet gyakran kiválósági központnak, MI-labornak vagy adattudományi laboratóriumnak neveznek. Ahelyett azonban, hogy hagynák, hogy ez az MI labor önmagában működjön, az érett vállalatok létrehoznak egy irányító testületet, amelynek valódi hatásköre van az MI labor projektjeiről való döntéshez.

Ez az MI labor ezután egy vállalati funkciónak, nem pedig egy üzleti egységnek riportol. A szakember szerint ez a jelentési struktúra két fontos dolgot hoz létre. Az első a semlegesség a különböző üzleti egységek között. A második, hogy a kiválasztott projektek összhangba kerülnek a vállalat általános stratégiájával.

De ezek a vállalatok nem állnak meg itt – mondta Brethenoux. A MI labor szakértőit rotálni kezdik a különböző üzleti egységekben. Ezek a szakértők 6-12 hónapot töltenek az egyik üzleti egységnél, majd átkerülnek egy másik üzleti egységhez, és ugyanennyi időt töltenek ott, és így tovább. Egy teljes körút után visszamennek az MI-laborba 3-6 hónapra, mielőtt ismét visszatérnének a rotációhoz.

“A terepen tanulnak, mivel az MI-szakértő szembesül az egyes üzleti egységek valóságával, hogy megértse, mi történik valójában a helyszínen. Mi több, továbbadják a tudást. A rotációs MI-szakértők az egyik üzleti egység megoldott problémáit továbbítják más üzleti egységeknek, amelyek hasonló problémákkal szembesülhetnek. Amikor pedig bevezetik ezt a modellt, rájönnek, hogy ez fokozza a megtartást. Mivel a mesterséges intelligencia szakértői sok különböző problémával szembesülnek és sok különböző problémát oldanak meg, a tudásmegosztás pedig intenzív. Ez segít az olyan emberek megtartásában, akik általában kíváncsiak, és az MI-szakértők általában kíváncsi emberek” – állapította meg Brethenoux, aki ezt a megközelítést ajánlja kis és nagy ügyfeleinek egyaránt, ha az MI optimális beállítását keresik egy szervezeten belül. Ilyen körülmpények között ugyanis “az emberek elkezdenek arra az eredményre összpontosítani, amit az MI produkálhat, és kevésbé magára a technológiára” – mutatott rá a Gartner szakértője.

Hardverek, szoftverek, tesztek, érdekességek és színes hírek az IT világából ide kattintva!

ComputerWorld.hu