Krönika: AI-ögonblicket – sju affärsutmaningar som AI kan fixa (…men inte på egen hand)

Av Hans Roth, SVP & General Manager, EMEA, Red Hat

AI:s uppkomst kan spåras tillbaka till 1950-talet, och även om AI har förbättrats under flera decennier, jämfört med andra teknologier som exempelvis telefoni, hemdatorer och Internet, har dess framsteg varit relativt långsamma.

AI tycks vara tillgängligt för de allra flesta och teknikindustrin har tagit klivet in i en ny tidsera, då vi alla måste fråga oss själva hur den kan hjälpa oss att göra mer med mindre. Tillämpningen av AI för vardagliga uppgifter, såsom att skriva, generera bilder och producera musik, representerar en vattendelare när det kommer till allmänhetens medvetande.

I mina samtal med företag uppmuntrar jag dem att titta bortom hajpen med AI, och behandla den som vilken teknik som helst. Med andra ord som ett verktyg för att åtgärda problem och ta vara på möjligheter. Precis som cloud computing har hanterat utmaningen när det gäller skalbarhet, blockchains har tacklat frågorna kring centralisering och digital reklamprogramvara har säkerställt att marknadsbudgetar används mer effektivt, så bör AI bedömas utifrån de resultat den kan generera.

Så vilka är då dessa utmaningar och möjligheter? På Red Hat har vi börjat rama in AI-konversationen kring sju viktiga affärsverkligheter:

1. Effektivitet kontra innovation: I strävan efter operationell effektivitet inser företag ofta att de är tvungna att åstadkomma mer med mindre. Att maximera produktionen med ett begränsat antal anställda innebär att bättre utnyttja befintlig kompetens genom att överbrygga kunskapsluckor, utveckla nya färdigheter och skapa förutsättningar för sparsam innovation.

2. Hantera komplexitet: Den obevekliga utvecklingen av mjukvaruinnovation utlovar gränslös potential, men det kan också skapa invecklade komplexiteter. Varje nytt system och integration kommer med risker, såsom säkerhetshot, tjänsteavbrott eller plötsliga ökningar i efterfrågan. Populariteten för hybrid molnberäkning kan adderas till dessa. Även om övervakningssystem för händelser erbjuder en viss kontrollnivå, kan IT-avdelningar snabbt bli överrumplade av omfattningen av deras växande ekosystem och datamängder.

3. Möjliggör automatisering: Mot bakgrund av de två aspekterna ovan har automatisering blivit en huvudprioritet. Genom automatisering kan personalen befrias från vardagliga uppgifter och ägna sig åt arbetsuppgifter med högre värde. Dock väcker automatisering frågor om vad man ska automatisera, med vilka verktyg och hur man kan lita på att det fungerar?

4. Skalbarhet baserat på efterfrågan: Att arbeta med begränsade resurser är bara en del av utmaningen som IT-avdelningar står inför. De har samtidigt till uppgift att skala sin verksamhet för att möta den skyhöga efterfrågan på applikationer och tjänster. Att hålla jämna steg med efterfrågan på både DevOps och fullfjädrade produktionsmiljöer handlar inte bara om aktivering, utan också hur du sedan hanterar det du aktiverar.

5. Ansluta till edge: Om ovanstående punkter inte redan var utmaningar nog för IT-avdelningar, kliv då in på edge computing-området för att göra livet ännu svårare. Datacenter är inte längre det enda navet för att behandla data. Vid kanten (edge) är inte bara en annan “plats” att bearbeta data på, utan ett helt annat tillvägagångssätt. Utmaningens kärna är hur man tillämpar standarder inom databehandling, tillgänglighet och säkerhet på edge-infrastrukturer och maskiner som är designade för att vara mångsidiga.

6. Balansera innovation med säkerhet: Ohämmad innovation riskerar säkerheten; ändå kommer överambitiös säkerhet att kväva viljan och medlen för kreativitet. Företag måste bestämma sin egen sweet spot på detta spektrum och ständigt anpassa sin verksamhet och kultur för att överensstämma med den. Att bädda in säkerhetsfunktioner och protokoll inom mjukvaruförsörjningen övervinner synen på säkerhet och innovation som en avvägning. Istället positionerar detta tillvägagångssätt dem som kompletterande funktioner, samt ger utvecklare försäkringar och förtroende för säkerheten i deras arbete.

7. Att planera för hållbarhet: Regeringar, aktieägare, kunder och anställda kräver att organisationer tar hänsyn till sitt hållbarhetsansvar som aldrig förr. Det kan skapa ett blandat budskap till IT-avdelningar; å ena sidan att göra mer, medan de å andra sidan ska spara energi. Nyckeln är förmågan att spåra och rapportera hållbarhetsinsikter och anpassa arbetsmönster för att främja mer hållbara metoder.

AI fungerar som ett mångsidigt verktyg som kan hjälpa organisationer att hantera dessa utmaningar. Dock, det som verkligen kopplar samman dessa sju verkligheter är inte bara att AI kan tillämpas på dem alla, utan framför allt att enbart AI inte är tillräckligt. Det är människor som är det verkliga vapnet. Utan människor som kan identifiera, prioritera, konstruera och utvärdera problemen och korrigeringarna kommer AI i bästa fall inte att ha någon inverkan alls; och i värsta fall få stora negativa konsekvenser.

En viktig faktor som jag ofta uppmanar chefer att reflektera över är att en AI-applikation endast är lika bra som den data den är tränad på. Datavolym bör inte vara ett kriterium. Det som verkligen betyder något är fokus; hur relevant utbildningsdata är för din organisations sammanhang.

Vi kallar detta “domänspecifik AI”, vilket påvisar en vattendelare i utvecklingen av AI. När en AI-applikation är tränad på privat, riktad data och anpassad till standarder och praxis för en specifik verksamhet eller bransch, har den större förmåga att leverera unika och differentierade tjänster.

Öppen källkod är det bästa alternativet för att bygga domänspecifika AI-lösningar. All öppen programvara gynnas av ett bredare utbyte av idéer och samarbete med fler talanger. Faktum är att i stort sett alla AI-baserade affärslösningar som jag kan komma på är exempel på öppen källkodsteknik. (Ja, ChatGPT också!) Det som jag tror förvirrar och oroar företagsledare är ett missförstånd av betydelsen “öppen källkod”. Det är programvarans kodbas (i det här fallet AI-applikationen) som är öppen och tillgänglig för alla att se och dela. Själva datan som den tränas på och genererar är så privat som du vill att den ska vara.

Slutligen så ligger AI:s verkliga kraft inte enbart i dess algoritmer utan i synergierna av mänskliga insikter och samarbeten, datarelevans och databehandling. Chefer och ledare som förstår denna grundläggande sanning kommer mycket snart att kunna hävda att de går i bräschen för något nytt.