O grande salto em direção à IA em escala

After decades of false starts and unfulfilled expectations, artificial intelligence (AI) has now gone mainstream. Companies are successfully applying AI to Uma ampla variedade de processos, produtos e serviços atuais e novos , e esse sucesso vem nem muito cedo; A IA é essencial para os negócios abordarem a complexidade do balão provocada pela digitalização e big data. 

executivos visionários começaram a imaginar o potencial para Implementando ai ao longo de suas empresas. Por exemplo, o BCG estima que a IA possa ajudar os dez principais bancos a gerar US $ 150 bilhões adicionais a US $ 220 bilhões em ganhos operacionais anuais. Mas é diabolamente difícil avançar em direção a "Ai@escala". Todos os tipos de problemas surgem, ameaçando minar a revolução da IA ​​desde o início.

As pioneers across industries strive to reap these rewards by scaling up AI, however, they are stumbling against what we call the “AI paradox”: it is deceptively easy to launch AI pilots and achieve powerful results. But it is fiendishly hard to move toward “AI@scale.” All sorts of problems arise, threatening to undercut the AI revolution at its inception.

O paradoxo é fácil de explicar, mas difícil de resolver. A IA obriga os executivos de negócios a lidar simultaneamente com a infraestrutura tecnológica, bem como em questões de negócios mais tradicionais. O desafio do núcleo é um nó Gordiano apertado. Os sistemas de TI típicos consistem em entrada de dados, uma ferramenta e saída de dados. Esses sistemas são relativamente fáceis de modularizar, encapsular e escalar. Mas os sistemas de IA não são tão simples. Os algoritmos de IA aprendem ingerindo dados - os dados de treinamento são parte integrante da ferramenta de IA e do sistema geral. Esse emaranhamento é gerenciável durante pilotos e usos isolados, mas se torna exponencialmente mais difícil de abordar à medida que os sistemas de IA interagem e se desenvolvem. 

O que parece ser uma mera questão técnica tem implicações e desafios multifacetados para as empresas. Por exemplo, o gerenciamento de fornecedores se torna mais estratégico e mais complexo. No futuro próximo, os fornecedores desempenharão um papel importante na implantação da IA ​​porque contrataram muito talento da IA ​​e até prometeram ajudar no emaranhado. As empresas precisam se preparar para trabalhar com fornecedores de IA de maneiras que não colocam seus dados em risco ou criam dependências de longo prazo, mas, em vez disso, fortalecem a vantagem competitiva. Por um lado, as empresas enfrentam uma escassez de cientistas de dados de IA e engenheiros de sistemas; Por outro lado, os funcionários atuais estão preocupados em interagir com máquinas e até em perder seus empregos. 

People challenges also loom large for AI@scale. On one hand, companies confront a scarcity of AI data scientists and systems engineers; on the other hand, current employees are concerned about interacting with machines and even about losing their jobs. 

Além disso, as demandas organizacionais da IA ​​exigem um delicado ato de equilíbrio tridimensional. A governança de dados, a experiência principal da IA ​​e o gerenciamento do sistema devem ser centralizados. O desenvolvimento de casos de uso, aprendizado e treinamento deve ocorrer em unidades ou funções de negócios e ser gerenciado por equipes ágeis e multifuncionais. Finalmente, a ação da IA ​​permanece descentralizada - no mercado, no chão da loja ou no campo. 

abaixo, fornecemos um roteiro para resolver sistematicamente o paradoxo da IA. O programa AI@Scale é uma transformação completa em um novo modelo operacional. 

Uma abordagem sistemática para ai@escala

Enquanto os casos de uso da estratégia e da IA ​​não são o foco desta publicação, eles são críticos para as transformações de escala AI@. Então é aí que começamos. (Consulte Anexo 1.)

Estratégia para a escala Ai@| Portanto, embora faça sentido iniciar uma estratégia de IA dentro ou próxima ao atual modelo de negócios, as empresas também devem levar em consideração a evolução dos pools de valor no mercado mais amplo à medida que outros participantes adotam a IA. 

Strategy setting in an era of disruption is daunting, and AI is the epitome of disruption. So while it makes sense to initiate an AI strategy within or close to the current business model, companies must also take into account the evolution of value pools in the wider market as other players embrace AI. 

O primeiro passo nesse processo envolve o estudo do potencial e do efeito geral dos casos de uso de IA para processos internos e ofertas externas. Quando executamos essa análise para os dez principais bancos do mundo, gerou a estimativa (mencionada anteriormente) de até US $ 220 bilhões em ganhos operacionais anuais adicionais com a IA. (Consulte “Como a IA pode engordá -lo.”)

A segunda etapa - entender a evolução dos pools de valor - é igualmente importante. O resto do mundo não está parado, observando passivamente essas recompensas sendo realizadas. Outras empresas dentro e fora da indústria tradicional de uma empresa estão se concentrando em como a IA pode ajudá -las a atacar pools de valor. 

Em uma publicação anterior, ilustramos mudanças potenciais de valor no setor de assistência médica entre empresas de biofarma, seguradoras, prestadores, empresas Medtech, novos participantes do setor de tecnologia e consumidores. (Ver  Colocando a inteligência artificial em funcionamento , BCG Report, setembro de 2017.) Um prenúncio de tais mudanças ocorreu em janeiro de 2018, quando os estoques de principais redes de farmácias e seguradoras de varejo caíram até 5% em relação ao S&P 500 após a Amazon, o JPMorgan Chase e a Berkshire Hathaway anunciaram sua entrada na assistência médica. Serviços financeiros, mídia, varejo e mobilidade e logística são outras indústrias suscetíveis à grande interrupção acionada pela IA. 

As empresas que formulavam sua estratégia precisam considerar o potencial da IA ​​usa e o risco de que os pools de valor de hoje podem mudar. Por um lado, as empresas cada vez mais precisarão negociar o acesso a dados fora de suas paredes - de fornecedores, parceiros e clientes, por exemplo. Além disso, estão surgindo novas abordagens que evitam a necessidade de enormes dados de dados. Redes adversárias generativas (GANs), por exemplo, são ambientes de aprendizado virtual nos quais os algoritmos se treinam para resolver problemas - como criar e discriminar imagens falsas de rostos. “Gêmeos digitais”, enquanto isso, são réplicas virtuais de ativos físicos que permitem que os algoritmos otimizem operações de ponta a ponta, por exemplo, sem os mesmos requisitos de dados do mundo real da IA ​​tradicional. 

Two warnings are in order in setting strategy.

It’s not all about amassing data. While critical for the success of AI, internal data is not the Holy Grail. For one thing, companies increasingly will need to negotiate access to data outside their walls—from suppliers, partners, and customers, for example. Also, new approaches are emerging that avoid the need for massive troves of data. Generative adversarial networks (GANs), for instance, are virtual learning environments in which algorithms train one another to solve problems—such as creating and discriminating false pictures of faces. “Digital twins,” meanwhile, are virtual replicas of physical assets that enable algorithms to optimize end-to-end operations, for example, without the same real-world data requirements of traditional AI. 

também não é suficiente para ser ágil e rápido. Para obter vantagem competitiva, as empresas precisam apontar em uma direção específica. Como pesquisa que realizamos com o Flexibility and speed are important, but they are not excuses to engage in a random walk through the AI wilds. To achieve competitive advantage, companies need to point in a specific direction. As research we have conducted with the MIT Sloan Management Review shows, the gap between companies believing in the transformational potential of AI and those actually having an AI strategy in place is stunning.

Identifying, Prioritizing, and Deploying AI Use Cases

Companies that have successfully piloted several AI use cases can get seduced into thinking that the move toward AI@scale is not that hard. Use cases can be powerful levers to boost performance. And they can help companies adopt agile test-and-learn methods; build transparency and cybersecurity measures into AI systems; and satisfy internal and regulatory requirements. 

, mas os casos de uso isolados fornecem orientações limitadas para os desafios de navegar pelo paradoxo da IA. Eles podem parar e interromper ao interagir em escala, a menos que as empresas transformem seus modelos operacionais. 

Como conseqüência, as empresas devem abrir inicialmente o número de casos de uso, concentrando -se nos mais promissores. (Consulte “Como abordar os casos de uso da IA.”) Há perigo - não a segurança - em números ao ampliar casos e pilotos de uso da IA. Em vez disso, eles administram muitos pilotos e testes descoordenados, enfrentam tremendos desafios ao superar o paradoxo da IA ​​e geralmente devem revisitar e reestruturar seu trabalho anterior. 

Preparando -se para a escala AI@

Against that backdrop of strategy, priority setting, and piloting, let’s explore how companies can plan for a successful AI@scale transformation. 

Criando uma arquitetura de IA robusta

É frequentemente tratado como uma função independente que é trazida para implementar decisões já tomadas pelos líderes empresariais. Essa abordagem não funciona com a IA. Se os executivos desejam implantar a inteligência da máquina para resolver problemas de negócios essenciais, eles devem priorizar a arquitetura da máquina igualmente para "arquitetura de pessoas" ou questões organizacionais tradicionais. Caso contrário, as preocupações de emaranhamento descritas anteriormente interromperão seus planos. 

À medida que as empresas vão além da fase piloto, os algoritmos AI interagem sistemicamente entre si, aprendendo com dados, conforme explicado anteriormente. Pesquisadores do Google levantaram a questão do emaranhamento há vários anos, levando muitos usuários de IA proeminentes a desenvolver arquiteturas abrangentes de aprendizado de máquina. Por exemplo, o Michelangelo da Uber, nas palavras da empresa, é "um sistema de ponta a ponta que permite que usuários de toda a empresa construam e operem facilmente sistemas de aprendizado de máquina em escala". (Consulte a Figura 2.) Da mesma forma, um dos principais varejistas de moda on -line europeus construiu uma plataforma de IA que permite que sistemas individuais de IA trabalhem juntos e reutilizem componentes. 

Vendores como Amazon, Google, IBM e Microsoft agora lançaram ou anunciou ofertas de plataforma para usuários de IA. Se as organizações compram uma dessas plataformas emergentes de um fornecedor ou construem suas próprias, as empresas que desejam implantar IA em escala precisam de uma estrutura e sistema rigorosos e consistentes para gerenciar, documentar e monitorar o fluxo de trabalho da entrada de dados para a ação final. Além de abordar questões como emaranhamento e reutilização, por exemplo, as empresas precisam monitorar a segurança desses sistemas, bem como a integridade e a conformidade de ações automatizadas geradas pela IA. 

Além disso, as empresas precisam garantir que tenham o armazenamento, a computação e a largura de banda para lidar com vários motores de IA e suas ações oportunas. Devido à sua flexibilidade, a nuvem geralmente é uma opção preferida para atender a essas necessidades. Na automação industrial e nas redes da Internet of Things, no entanto, as restrições de latência e largura de banda podem impedir que a nuvem sirva como uma solução completa. Essas configurações requerem novas estruturas, como Computação de borda , em que parte do poder de processamento é mantida mais próxima da ação na periferia. Consequentemente, muitas empresas que expandem suas operações de IA precisam apenas de um pequeno número de cientistas de dados e especialistas da IA ​​no núcleo, mas exigem um grande número de engenheiros de dados e sistemas com experiência de IA para garantir o desempenho e a resiliência dos sistemas periféricos e periféricos. Por exemplo, com engenheiros e arquitetos experientes de dados, uma empresa líder em petróleo e gás construiu seu próprio centro de operações integradas, alavancando a IA para permitir a manutenção preditiva e otimizar a produção. A eficiência projetada ganha vários bilhões de dólares nos próximos anos. Pelo menos a curto prazo, é a única maneira de acessar os talentos e capacidades necessários da IA. Mesmo empresas com fortes antecedentes de IA dependem até certo ponto dos fornecedores. Os fornecedores precisam treinar suas ferramentas de IA, geralmente usando dados confidenciais do cliente. Os executivos devem visualizar essas opções à luz de duas perguntas:

Ultimately, the intelligent algorithms are a relatively small part at the core of the overall system. Consequently, many companies expanding their AI operations need only a small number of data scientists and AI experts at the core but require a large number of data and systems engineers with AI experience to ensure the performance and resilience of the pipeline and peripheral systems. For instance, with experienced data engineers and architects, a leading oil and gas company has built its own integrated-operations center, leveraging AI to enable predictive maintenance and optimize production. The projected efficiency gains amount to several billion dollars over the next few years.

Structuring an Ecosystem

The question is not if companies will work with vendors and partners but how. At least for the short term, it is their only way to access necessary AI talent and capabilities. Even companies with strong AI backgrounds rely to some extent on vendors.

With AI, however, these relationships could jeopardize core sources of competitive advantage for the companies. Vendors need to train their AI tools, often using sensitive client data.

Companies can work with AI vendors in many ways, from outsourcing an entire process to buying selected services, seeking help in building in-house solutions, or training internal staff. Executives should view these options in light of two questions:

• Quão valioso é o processo ou a oferta para o nosso sucesso futuro? Uma estratégia diferente:
• How strong is our ownership, control, or access to high-quality, unique data, relative to the AI vendor’s?

By analyzing the AI landscape this way, companies will discover that their AI efforts land in one of four quadrants that each requires a different strategy:

• Commodities (potencial de baixo valor, baixo acesso a dados diferenciados). Gerencie as relações do fornecedor para reduzir custos e melhorar o desempenho nas funções de suporte e em outros lugares. Desenvolver ou adquirir fontes de dados competitivas para transformar zonas de perigo em minas de ouro. Aproveite a experiência técnica dos fornecedores para gerar vitórias e insights rápidos. Capitalize o acesso superior de dados em áreas estrategicamente relevantes e desenvolva IA de forma independente. Portanto, as empresas precisam de recursos suficientemente sólidos de IA para selecionar e gerenciar esses relacionamentos. Muitos líderes empresariais optam por contratar um consultor independente para avaliar as compensações enquanto aumentam a capacidade interna de trazer trabalho internamente. 
• Danger Zones (high-value potential, low differentiated data access). Develop or acquire competitive data sources to turn danger zones into gold mines.
• Hidden Opportunities (low-value potential, high differentiated data access). Leverage technical expertise of vendors to generate quick wins and insights.
• Gold Mines (high-value potential, high differentiated data access). Capitalize on superior data access in strategically relevant areas and develop AI independently.

Beyond the critical issues of trust and confidentiality, the overall commercial offerings of vendors—including their newly launched platforms—differ widely in capabilities, integration abilities, and ease of use. So companies need sufficiently solid AI capabilities to select and manage these relationships. Many business leaders ultimately choose to hire an independent advisor to assess the tradeoffs while they build up the internal capability to bring work in-house. 

Desenvolvimento de pessoas, habilidades e processos

As empresas que se movem em direção à escala de IA@devem considerar cuidadosamente como a transformação afetará sua força de trabalho através da criação de escassez de habilidades, eliminação de empregos ou ambos. Este tópico complexo requer intensivo planejamento estratégico da força de trabalho, reciclagem e reengenharia de processos para acomodar um mundo de máquina humana. 

A necessidade mais imediata são habilidades técnicas críticas. Enquanto muitas empresas se concentram na contratação de cientistas de dados, estão encontrando uma maior escassez de pessoas que têm habilidades comerciais e uma compreensão da IA, bem como sistemas e engenheiros de dados, como mencionado anteriormente. (Consulte o Anexo 3.) Quando a IA estiver focada no aumento dos funcionários em suas funções atuais, as alterações na força de trabalho e nos processos são relativamente modestas. De fato, a introdução do aumento em muitos processos internos e funções de serviço geralmente melhora a experiência dos funcionários. Nos serviços financeiros, por exemplo, o uso da IA ​​está reduzindo a carga, enquanto aumenta a qualidade de muitos processos.

Longer term, companies need to understand the fundamental and nuanced shifts in the workplace that occur as humans and machines work side by side. (See Exhibit 3.) When AI is focused on the augmentation of employees in their current roles, changes to the workforce and processes are relatively modest. Indeed, the introduction of augmentation in many internal processes and service functions often improves employees’ experience. In financial services, for example, the use of AI is reducing the burden, while enhancing the quality of many processes.

Essas alterações se tornam mais extremas à medida que os processos começam a ser reimaginados para a verdadeira colaboração humana-máquina. Na radiologia, médicos e hospitais já estão começando a preparar seus processos e modelos de negócios para um momento em que os reguladores aceitam máquinas como uma segunda opinião - e, finalmente, uma primeira opinião - para diagnósticos, com um humano em loop para corrigir erros em potencial. 

Finalmente, no que chamamos de "hiperlearning", as máquinas são capazes de ensinar a si mesmas em um ambiente virtual com pouca ou nenhuma intervenção humana e sem depender de contribuições de dados maciços do mundo real. Como discutido anteriormente, Gans e gêmeos digitais são esses ambientes. É concebível que os algoritmos não precisem de treinamento humano ou mesmo dados do mundo real nesses ambientes em um futuro próximo. Essa evolução já ocorreu no ambiente relativamente restrito do xadrez, mas também, por exemplo, em simuladores de voo para Drones  e otimização da cadeia de suprimentos de ponta a ponta. A Renault já embarcou nesse caminho com sua transformação digital e com a criação de seu

As companies move along this continuum, they will need to address new and novel change management and reskilling demands. Renault has already embarked on this path with its digital transformation and with the creation of its Hub digital , um grande centro dedicado ao desenvolvimento de produtos digitais, treinamento e inovação. Mas todas as transformações de escala AI@requerem a estrutura tridimensional geral mencionada na introdução. (Consulte o Anexo 4.)

Designing Governance and Organizational Structures

Governance and organization of any major transformation are heavily dependent on context and goals. But all AI@scale transformations require the general three-dimensional structure mentioned in the introduction. (See Exhibit 4.)

Centro corporativo. Estes incluem hubs de excelência que abrigam especialistas em muitos dos (horizontais) AI Certain types of expertise and governance should be centralized. These include excellence hubs that house experts in many of the (horizontal) AI Os blocos de construção de inteligência artificial= -Como visão de máquina, processamento de linguagem natural e alguns tópicos gerais de fronteira no aprendizado de máquina-e suportam iniciativas de IA e avaliação de fornecedores em toda a empresa. 

Os dados são a matéria -prima da IA, mas também contém algumas das informações mais sensíveis da empresa. Uma função de governança de dados de classe mundial, que define permissões de dados em toda a organização, é fundamental em um mundo da IA, para garantir vantagem competitiva e conformidade regulatória. 

Finalmente, os arquitetos de dados, que gerenciam tópicos globais, como estruturas e plataformas de industrialização, bem como fornecedores, devem ser centralizadas junto com especialistas em segurança cibernética. 

Unidades e funções de negócios. Essas equipes devem incluir especialistas em IA e especialistas em tópicos. O roving “equipes da SWAT”, incluindo especialistas em RH e especialistas em alterações, também deve estar disponível para ajudar as unidades descentralizadas afetadas por casos de uso de IA com implementação, treinamento e outros problemas. Essas unidades precisarão entender as novas ferramentas e como elas afetam os processos e os requisitos de habilidade e levarão o ônus principal da mudança. As equipes da SWAT estarão disponíveis para aumentar essas pessoas sobre como aproveitar a nova tecnologia e ajudar na transformação. As a general rule, cross-functional agile teams situated within business units or functions should be responsible for the development of AI-enabled processes, products, and services. These teams should include both AI experts and topic specialists. Roving “SWAT teams,” including HR experts and change specialists, should also be available to help decentralized units affected by AI use cases with implementation, training, and other issues.

Field Level. The employees responsible for managing the processes and actions modified by AI are, of course, decentralized, located close to the market, shop floor, or field. These units will need to understand the new tools and how they affect processes and skill requirements and will carry the principal burden of change. The SWAT teams will be available to bring these people up to speed on how to leverage the new technology and assist with the transformation.

= (Aprenda a reunir uma transformação com a escala AI@do BCG.)

---

AI é uma tecnologia promissora e atraente. Muitas empresas tiveram sucesso precoce com os pilotos, mas foram vítimas do paradoxo da IA. Um programa de escala AI@ajuda a garantir que as empresas abordem metodicamente as dimensões multifacetadas de uma transformação completa e colham os tremendos benefícios.