Czy menedżerowie odgrywają ważną rolę we wdrażaniu AI?
Oczywiście! Jak wynika z badań firmy Gartner, zdumiewająca liczba projektów AI kończy się niepowodzeniem. Można jednak tego uniknąć — jako menedżer masz wiele możliwości, by poprawić te statystyki. Przez ostatnie 12 lat miałam zaszczyt pracować na różnych stanowiskach kierowniczych w grupie zajmującej się sztuczną inteligencję w Intel IT. Zespół ten stworzył tysiące algorytmów AI i przekształcił je w produkty oraz wdrożył szereg niezawodnych metod zwiększających prawdopodobieństwo pomyślnej realizacji projektów AI, o których chcę opowiedzieć.
Jedną z inicjatyw jest uruchomiony w zeszłym roku program „AI Everywhere” firmy Intel. Ma on na celu zwiększenie skuteczności i wartości przy wdrażaniu AI w firmie, aby sprostać różnym wyzwaniom biznesowym. Prowadzimy szereg sesji konsultacyjnych i szkoleniowych, udostępniamy samoobsługowe narzędzia AI, tworzymy kompleksowe funkcje AI na żądanie, a także wspieramy dużą wewnętrzną społeczność użytkowników i entuzjastów sztucznej inteligencji.
W ciągu tego roku miałam okazję rozmawiać i konsultować się z wieloma osobami, zespołami i liderami w firmie w ramach procesu wdrażania technologii AI. Niektórzy dopiero zaczynają, a inni są już na bardziej zaawansowanym etapie. Mimo że pewne wyzwania i rozwiązania są typowe dla konkretnych domen, między różnymi zespołami istnieją wyraźne podobieństwa. Jednym z nich jest bardzo duże znaczenie stopnia i rodzaju zaangażowania menedżerów i liderów organizacji w proces wdrażania AI. Nie jest to bynajmniej jedyny czynnik wpływający na tempo wdrażania AI, ale jako menedżerowie możemy pomóc znacznie to przyspieszyć lub przynajmniej opracować realny i wykonalny plan „właściwej” realizacji tego procesu. W dalszej części postaram się opisać rolę, jaką menedżer lub lider musi odgrywać w projekcie wdrażania AI, oraz główne działania, które moim zdaniem są niezbędne, by został on szybciej i skuteczniej sfinalizowany.
Promowanie, planowanie i realizowanie projektu wdrażania AI — obszary, w których menedżerowie i liderzy odgrywają kluczową rolę
W firmie Intel zaobserwowałam dwa sposoby na rozpoczęcie procesu wprowadzania technologii AI przez organizację — „oddolnie”, gdy pracownik lub mała grupa pracowników podejmuje inicjatywę i przekonuje do niej kierownictwo, lub „odgórnie”, gdy menedżer dostrzega potencjał i podejmuje decyzje (oraz, co równie ważne, działania) w celu wspierania tego procesu. Z moich doświadczeń wynika, że sposób rozpoczęcia inicjatywy w zakresie technologii AI nie jest najlepszym prognostykiem tempa czy prawdopodobieństwa osiągnięcia sukcesu. W dużej mierze zależy to od tego, czy zaangażowani menedżerowie (bez względu na to, czy uczestniczą w procesie od początku, czy dołączyli do niego później) odgrywają właściwe role w promowaniu, planowaniu i realizacji projektu wdrażania AI. W związku z tym muszą określić odpowiednie zasoby, cele, działania i zachowania w ramach tego procesu. Poniżej podaję 7 głównych działań, które uważam za najważniejsze dla każdego menedżera chcącego pomóc przyspieszyć wprowadzanie technik AI w swojej organizacji:
1. Określanie przejrzystej strategii i celów w odniesieniu do zakresu i metod stosowania AI w organizacji
Gdy zespół dopiero zaczyna projekt AI, zwłaszcza, jeśli pierwsze inicjatywy były oddolne, nadal nie ma pilnej potrzeby zdefiniowania „strategii w zakresie AI”. Ważniejsze jest uzyskanie wymiernych wyników biznesowych. Jednak gdy tylko menedżerowie w organizacji będą chcieli zwiększyć inwestycje i przyspieszyć tempo wdrażania AI, powinni zacząć definiować strategię i cele dotyczące tego procesu.
Oczywiście w jego trakcie najprawdopodobniej będą występowały zmiany wymagające dostosowania strategii, ale wciąż lepsze to niż jej brak.
Oto kilka pytań, na które należy odpowiedzieć przy definiowaniu strategii i celów:
- Czy rozwiązania AI będą wdrażane przez członków zespołu czy zostanie to zlecone innym zespołom lub dostawcom?
- Czy jest planowane utworzenie centrum doskonałości na potrzeby projektu AI lub dystrybuowanie prac w tym zakresie w organizacji? (Również w przypadku zlecania niektórych lub wszystkich zadań zewnętrznym podwykonawcom)
- Zaplanowany wstępny zakres: czy projekt na początku będzie realizowany stopniowo i w prosty sposób (np. przy użyciu gotowych narzędzi i w ramach łatwo osiągalnych celów) czy zostaną określone poważne cele i utworzone specjalnie dostosowane rozwiązania?
- Jak będzie mierzone powodzenie projektu wdrażania AI? Na podstawie wskaźnika ROI? Liczby możliwości wprowadzonych do produkcji? A może w inny sposób?
- Tempo wdrażania — czy organizacja zdaje się na los i stawia wszystko na jedną kartę czy stopniowo rozwija inwestycje?
Jedną z bezpośrednich konsekwencji definiowania strategii w zakresie AI jest konieczność opracowania jasnego planu służącego poszerzaniu wiedzy na temat AI w organizacji:
2. Definiowanie „piramidy” umiejętności w obszarze AI w organizacji oraz planu poszerzania wiedzy na temat AI
AI jest na dobrej drodze, by stać się podstawową technologią we wszystkich aspektach naszego życia zarówno w domu, jak i w pracy. Mając to na uwadze, jestem przekonana, że wszyscy pracownicy muszą poszerzać swoją wiedzę i rozwijać umiejętności w obszarze AI. Nie chodzi o zmuszanie żadnego pracownika do aktywnego korzystania z AI. Postrzegam to jako piramidę — jej podstawą jest wiedza na temat AI, jaką powinni mieć wszyscy pracownicy, a jej kolejne warstwy tworzą różne „role w projekcie AI”, które organizacja powinna zdefiniować odpowiednio do strategii i celów związanych z AI. Organizacyjna „piramida wiedzy na temat AI” powinna odzwierciedlać, jak „agresywny” jest plan wdrażania AI oraz w jakim stopniu kompetencje w zakresie AI będą rozwijane wewnętrznie względem współpracy z partnerami zewnętrznymi.
W poniższym przykładzie (rysunek 1) są pokazane trzy główne role w projekcie AI: „wszyscy”, „mistrzowie AI” oraz „eksperci AI”.
W tym przypadku założenie (które dotyczy wielu organizacji w firmie Intel) jest takie, że każdy pracownik musi zrozumieć podstawowe zagadnienia na temat AI. W ten sposób możemy zwalczać poczucie strachu i wątpliwości oraz pomagać dostrzegać możliwości. Co więcej, gdy do tego dojdzie, a jest to pewne, pracownicy będą bardziej otwarci na wprowadzanie zmian w sposobie ich pracy z wykorzystaniem technologii AI. Przynajmniej w pewnym zakresie.
Konkretne definicje kolejnych dwóch warstw piramidy poniżej różnią się w zależności od zespołów — mogą być bardziej rozbudowane lub inne.
Najważniejsze jest zrozumienie, kto powinien zdobywać konkretne umiejętności oraz jak je zdobywać. Niektóre organizacje opracowują ambitne, „rewolucyjne” plany podnoszenia kwalifikacji w zakresie AI, podczas gdy inne wolą realizować ten proces wolniej i bardziej organicznie. Wszystkie metody podnoszenia kwalifikacji w zakresie AI muszą być jednak zgodne ze strategią i celami organizacji w tym obszarze.
3. Wykorzystywanie istniejących danych i inteligentne inwestowanie w ich udoskonalanie
Dane są prawdopodobnie najważniejszym czynnikiem umożliwiającym pomyślne wdrożenie technologii AI. Nie oznacza to, że bez dopracowania do perfekcji wszystkich danych w organizacji jest to niemożliwe. W rzeczywistości jednak, jak wynika z mojego doświadczenia, gdy organizacje decydowały się na długie i kosztowne „projekty fundamentu danych”, jednocześnie zapominając o wyraźnej wartości biznesowej zapewnianej przez ich dane, zwykle wycofywały się z nich, wywołując tylko frustrację u wszystkich zaangażowanych. Sugeruję zacząć od posiadanych danych lub takich, które można uzyskać względnie łatwo, opracować na ich podstawie rozwiązania AI najwyższej wartości, a następnie stopniowo rozwijać inwestycje w zakresie pozyskiwania większej ilości danych w miarę osiągania sukcesów. Zdecydowanie zalecam dopilnować, aby na żadnym etapie „ewolucja danych” nie stała się „pożeraczem danych”. Lepiej jest zbierać dane w zasięgu wzroku, biorąc pod uwagę sposób ich zbierania i potencjalne zastosowanie oraz zapewniając ciągły wzrost wartości biznesowej przez rozwijanie zestawów danych. Im więcej dowodów potwierdzających wartość danych i im większa pewność co do nich, tym śmielsze cele można stawiać, w tym takie, jak zbieranie danych obecnie niedostępnych w żadnym systemie, wprowadzanie poważnych zmian w narzędziach i metodach pracy związanych ze zbieraniem danych, a nawet utworzenie zupełnie nowej platformy danych.
4. Zarządzanie zmianą: odgórnie i oddolnie
Nieważne, czy chodzi o tworzenie lepszych danych czy zachęcanie do wdrażania AI, często można spotkać się ze sprzeciwem. Może to wynikać ze strachu lub konserwatywności, lecz w wielu przypadkach da się tego uniknąć, jeśli proces wdrażania AI jest właściwie zarządzany. Z mojego doświadczenia wynika, że nie wystarczy tylko zarządzać zmianą „odgórnie” — to znaczy definiując przejrzystą strategię i cele, przekazując je pracownikom i zakładając, że wprowadzenie każdego nowego rozwiązania AI pójdzie gładko. Najbardziej wartościowe rozwiązania AI, jakie widziałam, wymagają pewnego poziomu współpracy między człowiekiem-ekspertem a sztuczną inteligencją. Może być tak, że od eksperta oczekuje się wykorzystania zaleceń AI do poprawienia wyników, lub po prostu musi on przekazać informacje zwrotne lub udoskonalone dane, aby technologia AI mogła z powodzeniem zostać wdrożona, czy też zwyczajnie wymaga się od niego, by nie wyłączał rozwiązania opartego na sztucznej inteligencji przy pierwszej okazji. W każdym przypadku, jeśli użytkownik końcowy nie jest zaangażowany w proces, nie ma odpowiedniej wiedzy na ten temat i odpowiedzialności oraz nie jest przekonany, że korzystanie z AI leży w jego najlepszym interesie — wdrożenie prawdopodobnie się nie powiedzie. Dlatego należy włączyć użytkowników końcowych i ekspertów do projektu na początkowym etapie, informując ich o konkretnych możliwościach i ogólnym kierunku, w jakim zmierza organizacja. Nie tylko znacznie zmniejszy to opór przed zmianą, a co za tym idzie — zwiększy prawdopodobieństwo sukcesu — ale także najprawdopodobniej przyniesie niesamowite pomysły i znacznie przyspieszy proces.
5. Wybór odpowiednich przypadków użycia z jasno określonym wskaźnikiem ROI i celami biznesowymi
Z mojego doświadczenia wynika, że wielu, jak nie większości niepowodzeń projektów AI można było uniknąć, gdyby poświęcono odpowiednio dużo energii i uwagi na etapie wyboru przypadków użycia. Czego oczekuję od menedżerów? Przede wszystkim muszą zadbać o to, by zarówno zespół, jak i wszystkie osoby decyzyjne w pełni rozumiały wykonalność (rysunek 2), ryzyko i potencjalną wartość koncepcji AI. Widzę menedżerów jako strażników, którzy muszą unikać uprzedzeń w stosunku do konkretnej koncepcji AI lub całej technologii i nie mogą dostrzegać potencjalnych problemów. Nie wystarczy być sumiennym przy realizacji określonych koncepcji AI, żeby uniknąć wszystkich przeszkód i trudności, jakie przyniesie przyszły projekt, ale przynajmniej będzie znane ryzyko. Co ważniejsze, trzeba zadawać sobie i zespołowi trudne pytania, aby mieć pewność, że potencjalna wartość biznesowa pozwoli wytrzymać i przezwyciężyć ewentualne problemy.
6. Przydzielanie odpowiednich osób według znaczenia i złożoności zadania
Teraz powinno już być jasne, że według mnie nie wszystkie koncepcje AI są sobie równe. Dlatego też nie ma uniwersalnego podejścia w kwestii wymaganych umiejętności. Z moich obserwacji wynika jednak, że zwykle menedżerowie przydzielają do pracy nad jakąś koncepcją tylko analityków danych — zarówno doświadczonych, jak i początkujących. Chociaż analitycy danych często są odpowiednim wyborem w odniesieniu do algorytmu, zazwyczaj trzeba zaangażować więcej osób. Szczególnie w przypadku bardziej złożonych, integracyjnych i transformacyjnych projektów AI. Oto główne role, które powinny zostać zaangażowane, aby zwiększyć prawdopodobieństwo wprowadzenia bardziej złożonych koncepcji AI do produkcji i uzyskania wysokich wyników biznesowych:
- Analitycy danych: odpowiadają przede wszystkim za opracowanie najlepszego algorytmu do rozwiązania problemu z uwzględnieniem zdefiniowanego zakresu i celów.
- Eksperci w danej dziedzinie: mają bogatą wiedzę biznesową na temat rozwiązywanego problemu i mogą zakwestionować decyzje, aby zmaksymalizować wynik biznesowy (np. w jaki sposób i jakie przetwarzać dane, jak prawidłowo zdefiniować problem do rozwiązania, jak integrować i wdrażać rozwiązanie AI jako część procesów biznesowych itd.).
- Inżynierowie ML/inżynierowie platform AI: odpowiadają za architekturę i realizację kompleksowego rozwiązania AI zoptymalizowanego pod kątem problemu biznesowego i algorytmów opracowanych przez analityków danych. Muszą być biegli w zakresie nowoczesnego oprogramowania AI i praktyk MLOPs.
- Menedżerowie produktu/projektu AI: osoby specjalizujące się w zarządzaniu produktem/projektem, a także w technologiach AI. Muszą mieć doświadczenie w kierowaniu interdyscyplinarnym zespołem, definiując i realizując koncepcję AI aż do wprowadzenia jej do produkcji oraz maksymalizując trwałe wyniki biznesowe z biegiem czasu.
- Integratorzy: w stosownych przypadkach bardzo korzystna jest ścisła współpraca z osobami i zespołami mogącymi integrować rozwiązania AI z istniejącymi procesami oraz dokonywać niezbędnych zmian, aby integracja AI przebiegła jak najbardziej sprawnie.
- Promotor AI: osoba na stanowisku kierowniczym, która może pomóc wywierać wpływ oraz usuwać przeszkody podczas pracy nad koncepcją AI. Obejmuje to między innymi przydzielanie zasobów, podejmowanie decyzji w zakresie POR oraz kształtowanie decyzji na odpowiednich poziomach, aby zmaksymalizować szanse na powodzenie. Często jest to najbardziej kluczowa rola, jaką menedżer może odegrać w celu przyspieszenia całego procesu wdrażania AI.
7. Ustalanie oczekiwań i cierpliwość: transformacja wymaga czasu i inwestycji
To ostatnie jest prawdopodobnie najważniejszą radą, szczególnie dla menedżerów i liderów. Jeśli ktoś dotarł do tej części artykułu, zapewne dokonał już poważnej inwestycji, dążąc do wprowadzenia AI do swojej organizacji, lub poważnie ją rozważa. W związku z tym ważne jest, by mieć pewność, że zwrot z inwestycji (wskaźnik ROI) będzie wystarczająco wysoki, a także szybki. Moje doświadczenia pokazują jednak, że osiągnięcie „wystarczającego wskaźnika ROI” jest dłuższym i bardziej złożonym procesem niż większość przewiduje. Powodów jest wiele: AI wciąż jest nową i często inwazyjną technologią — niesie ze sobą potencjalne i realne zagrożenia dla firmy, jeśli nie zostanie prawidłowo wdrożona. Ponadto droga od pomyślnej weryfikacji koncepcji (ang. proof of concept, POC) do wprowadzenia do produkcji zawsze jest dłuższa, niż zakładano. Ostatecznie jednak po uwolnieniu pełnego potencjału technologii AI może ona diametralnie przekształcić sposób prowadzenia działalności. Transformacja ta wymaga czasu, inwestycji i cierpliwości. Na rysunku 3 poniżej jest typowy wykres dojrzałości AI z różnymi etapami wdrażania, ich cechami i typowym czasem trwania. Nie chodzi o to, by kogoś zniechęcić, lecz uświadomić bardziej realistyczne oczekiwania w zakresie wyników i tego, jak szybko zostaną osiągnięte.
Co dalej?
Pytanie, które może się teraz nasuwać: „czy po przeczytaniu i wykonaniu wszystkich siedmiu kroków mogę oczekiwać przyspieszenia procesu?” Odpowiedź brzmi: „być może”. Jak wspomniałam, nawet odpowiednio kierowane wdrażanie AI często jest dłuższym i wymagającym większej ilości zasobów procesem niż zakładano na początku. Jeśli jednak zostanie on przeprowadzony prawidłowo, bez względu na to, jaką odgrywasz rolę w organizacji — promując, planując lub realizując projekt albo wszystko na raz — znacznie wzrasta prawdopodobieństwo powodzenia, a także osiągnięcia oczekiwanych wyników biznesowych. Są to doskonałe czynniki motywujące.