Categorieën: Digitale Transformatie

5 posities die bedrijven nodig hebben om door de digitale transformatie te navigeren

“De afgelopen tien jaar hebben in het teken gestaan van het bouwen van een wereld die mobile-first is. In de komende tien jaar zullen we overgaan naar een wereld waarin AI voorop staat.”, Sundar Pichai, CEO van Google, oktober 2016

Kunstmatige intelligentie (AI) staat op een omslagpunt en leidt tot een keerpuntverschuiving naar digitale intelligentie door voorheen onzichtbare patronen te ontdekken, nieuwe conclusies te trekken en nieuwe relaties te identificeren uit enorme hoeveelheden gegevens.

Deze verschuiving van het huidige programmatische tijdperk naar het nieuwe AI-tijdperk zal transformatief zijn en bedrijven en hele markten ontwrichten. Om dit te bereiken zullen AI/cognitieve oplossingen geheel nieuwe vaardigheden en functiebeschrijvingen vereisen. Grote bedrijven moeten deze nieuwe banen voorbereiden en hun organisaties transformeren voor deze toekomst.

5 nieuwe banen waarvoor u moet aannemen om van het programmatische naar het cognitieve tijdperk te transformeren:

Uit: Programmatisch tijdperk Naar: AI/cognitief tijdperk
Databasebeheerder (DBA) Taxonomie (of digitale) curator
Systeemengineer Cognitieve architect
Data-analist DEADS: data-ingenieur en datawetenschapper
Inhoud beheerder Natuurlijke taalverwerking / cognitief wetenschapper
Programmeur Machine Learning-ingenieur

 

Als achtergrond creëert ieder mens elke dag een gigabyte aan digitale uitlaatgassen – web/zoeken, mobiel, locatie, sociaal, transactie, audio, visie, etc. Traditionele IT-afdelingen worden overweldigd door Big Data en uitgedaagd om bij te blijven. In combinatie met de vooruitgang op het gebied van cognitieve diensten creëert dit een aantrekkelijke zakelijke kans (en het bijbehorende risico) voor waardecreatie.

We bevinden ons momenteel in het tijdperk van 'programmatic computing', waarbij data-analyse het heuristisch zoeken naar patronen in beperkte datasets inhoudt en vervolgens bewerkingen uitvoert op het resultaat. Conventionele computers hebben moeite met het werken met Big Data omdat hun programmering gestructureerde informatie vereist (gegevens georganiseerd in spreadsheets, databases enz.), terwijl 80% van de informatie in de wereld deze ongestructureerde digitale uitlaat is.

Laten we ter illustratie zeggen dat u een online verkoper bent en een computerprogramma wilt dat afbeeldingen van een 'laars' identificeert. Momenteel is het niet mogelijk om algoritmisch alle kenmerken te specificeren die een correcte identificatie mogelijk maken. Bootafbeeldingen variëren per merk, type, stijl, geslacht, vorm, maat, kleur, achtergrond, verlichting en een groot aantal andere kenmerken. Er zijn te veel variabelen om een regelset te schrijven. Zelfs als we dat zouden kunnen, zou het niet schaalbaar zijn, omdat we een programma zouden moeten schrijven voor elk type boot en UPC dat we wilden identificeren.

Voer AI/Cognitive in, wat een nieuw tijdperk in computergebruik vertegenwoordigt.  De belofte van AI is om de complexiteit van het beheer van systemen te verschuiven van de programmeur naar het programma. Deze systemen hanteren een andere aanpak: ze begrijpen-reden-leren (URL).

Natural Language Processing (NLP) wordt bijvoorbeeld gebruikt om ongestructureerde informatie te begrijpen. Ontwikkelaars programmeren cognitieve systemen niet in conventionele zin, maar er wordt eerder een corpus van informatie gecreëerd voor een specifieke domeinset. Deze systemen zijn gebouwd door samengestelde waardeparen. Je leert bijvoorbeeld een cognitief systeem dat Argentinië een land is, dat Patagonië een regio is, enzovoort. Cognitieve systemen hebben de neiging om kennis op te doen, neurale verbindingen op te bouwen en in de loop van de tijd te verbeteren via begeleid leren. Naarmate de gebruikersinteractie toeneemt, wordt ervaring opgedaan en worden fouten geminimaliseerd. Er wordt aanzienlijke bedrijfswaarde gecreëerd via de vorming van dit domeinspecifieke corpus van IP-informatie.

Deep Learning (een tak van Machine Learning) maakt gebruik van een 'neuraal netwerk' dat input ontvangt, analyseert, een beslissing neemt en wordt geïnformeerd of de vaststelling correct is. Als de output verkeerd is, worden de verbindingen tussen de neuronen algoritmisch aangepast, wat toekomstige voorspellingen zal veranderen. In eerste instantie zal het netwerk vele malen verkeerd zijn. Maar zoals we voorbeelden geven, zullen de verbindingen tussen neuronen zo worden samengesteld dat het neurale netwerk in de meeste gevallen de juiste beslissingen neemt.

Een cognitieve assistent voor de detailhandel is een voorbeeld van een cognitieve/AI-toepassing. Het doel is om een consument in staat te stellen een vraag in natuurlijke taal te stellen, zoals 'Welke laars moet ik kopen om in juni in Patagonië te gaan wandelen?'. De digitale assistent zou begrijpen/redeneren dat de reis tijdens het regenachtige winterseizoen plaatsvindt en dienovereenkomstig aanbevelen. . Deze systemen: leren op schaal, begrijpen met betekenis, redeneren met een doel en communiceren op natuurlijke manieren met mensen, met als doel verbetering klantenervaring.

Meer gedetailleerde functiebeschrijving van nieuwe functies die u moet inhuren voor:

  • Taxonomie (of digitale) curator:  Deze term komt uit de gezondheidswetenschappen, early AI adopters, waar een taxonoom gegevens identificeert en classificeert. Deze positie past het proces van contentcuratie toe van een domeinspecifiek corpus van informatie. Er worden gegevens opgenomen en de inhoud wordt samengesteld in de vorm van vraag/antwoord-paren. Bijkomende taken zijn onder meer het bouwen van indices, kennisgrafieken en voortdurende curatie op basis van gebruikersinteractie. Het proces omvat vaak het sorteren van grote hoeveelheden openbare en bedrijfseigen informatie en het presenteren ervan in een nuttig en betekenisvol formaat dat betrekking heeft op een specifiek domeinonderwerp. De samengestelde inhoud wordt vaak in digitaal formaat gepresenteerd, zoals in een leerportaal.
  • Cognitieve architect: Verantwoordelijk voor het ontwerpen, creëren, onderhouden en communiceren van de algemene roadmap en architectuur van de cognitieve oplossing. Dit omvat de Big Data-strategie (zowel interne gestructureerde als externe ongestructureerde data); identificeer datacomponenten, selecteer analyse-engines en alle systeem- en data-interacties. De stapel omvat Big Data, Advanced Analytics en AI-services. AI omvat een breed scala aan technieken, variërend van Machine Learning, Deep Learning, Cognitive Services, Natural Language Processing en spraak- en visieherkenningsdiensten. Cognitive Services worden aangeboden door toonaangevende softwarebedrijven zoals IBM (Watson), Microsoft, Google (DeepMind), Amazon (Lex), Facebook (FAIR), Salesforce (Einstein), start-ups en academische onderzoeksinstellingen.
  • DEADS (data-ingenieur en datawetenschapper: Verantwoordelijk voor het ontwerp en de implementatie van processen voor datasets die worden gebruikt voor modellering, datamining en meetdoeleinden. Denk hierbij aan Big Data-concepten zoals Data Swamps. Meren en reservoirs, elk met verschillende gradaties van de drie versus grote data: volume, variëteit en snelheid. Hadoop en Spark zijn populaire raamwerken.
  • Wetenschapper op het gebied van natuurlijke taalverwerking (of cognitief): Maakt gebruik van NLP-services zoals spraak-naar-tekst om ongestructureerde gegevens te ontginnen. Gegevensbronnen zijn vaak externe, ongestructureerde gegevens, zoals sociale gegevens, audio, internet, het weer, enz. Deze gegevens moeten worden omgezet naar een gestructureerd formaat voor rapportage, analyse en het creëren van inzichten. Technieken zijn onder meer: voorspellende modellering voor sentimentanalyse, clustering voor documentanalyse en anomaliedetectie. Een voorbeeld is Twitter, waar tweets worden geconverteerd om sentiment te meten, of om levensgebeurtenissen te detecteren (naar de universiteit gaan).
  • Machine Learning-ingenieur: Het doel van ML/DL is het ontwikkelen van een voorspellende engine voor een specifiek gebruiksscenario. Een algoritme ontvangt informatie over een domein (bijvoorbeeld films die iemand heeft bekeken) en weegt de input om een voorspelling te doen (de waarschijnlijkheid dat iemand in de toekomst een andere film gaat kijken). Door de taak van optimalisatie (weging) aan het algoritme door te geven, leert de computer in de loop van de tijd – de voorspellende kwaliteit verbetert met ervaring. Deep Learning (subset van ML) kent zelf meer dan 15 benaderingen, zoals Random Forest, Bayesiaanse netwerken en Support Vector Machines. Vereiste vaardigheden zijn onder meer Python (populaire ML-taal), waarschijnlijkheid/statistiek, Big Data en gedistribueerd computergebruik.
  • Bijkomende AI-gebieden met nieuwe functie-eisen zijn onder meer: Customer Experience (Digital) Agents die Chatbots bouwen, UI/IX (User Experience), Automation Engineer (robotica), Automotive (zelfrijdende voertuigen), waarbij de gezondheidszorg unieke vereisten heeft.

Veel van de functies in ML/DL vereisen geavanceerde wiskundige vaardigheden. Curatorbanen daarentegen expertise op het gebied van het waardedomein, waarvoor niet noodzakelijkerwijs een hogere graad vereist is. Ginni Rometty, CEO van IBM, introduceerde onlangs deze ‘New Collar’-banen in een open brief aan de nieuwe president Trump (https://www.ibm.com/blogs/policy/ibm-ceo-ginni-romettys-letter-us- verkozen president/). 

De komende jaren zal toegepaste AI standaard worden geïntegreerd in de meeste bedrijfsfuncties. Denk bijvoorbeeld eens aan de reeks processen die als volgt in de Human Resource (HR)-functie zullen worden opgenomen:

  • Werving kan worden verbeterd met verbeterde targeting, intelligente functiematching, afstemming van vaardigheden en gedeeltelijk geautomatiseerde beoordeling;
  • Externe ongestructureerde gegevens zoals publicaties op sociale media kunnen worden gebruikt om persoonlijkheidsprofielen van kandidaten te ontwikkelen die efficiënter kunnen worden afgestemd op de functie-eisen;
  • De inzetbaarheid van het personeel kan worden verbeterd als inhoud wordt aanbevolen die beter bij de werknemer past;
  • Het beheer van het personeelsbestand kan worden verbeterd door een voorspellende planning van de personeelsbehoeften en waarschijnlijke afwezigheden;
  • De toewijzing van personeel kan efficiënter worden. Winkelpersoneel kan bijvoorbeeld efficiënter worden gepositioneerd op basis van: lokale omstandigheden (bijv. regenval vermindert winkelbezoekers), lokale promotie-evenementen (bijv. Cinco de Mayo) creëren assortiments- en promotiemogelijkheden;
  • Het personeelsverloop kan worden verminderd door te voorspellen dat waardevolle werknemers het risico lopen te vertrekken.

Verwacht dat de adoptie van AI/Cognitive in de loop van de tijd genormaliseerd zal worden. AI zal een standaardonderdeel van de toolkit worden, waarbij in eerste instantie bestaande processen worden verbeterd en vervolgens opnieuw worden uitgevonden als onderdeel van een breder digitaal transformatieproces.

Dus waar te beginnen? Uiteindelijk is het eerder de strategie dan de technologie die de waardecreatie zal stimuleren. Een strategische beoordeling wordt aanbevolen om een overkoepelende visie op te bouwen, kansen te bepalen en lacunes in vaardigheden te identificeren. Van daaruit kunnen mogelijkheden voor laaghangend fruit worden geïncubeerd. Het transformatieve pad van incubatie naar integratie moet overwegingen op het gebied van leiderschap, cultuur en organisatorische verandering omvatten. Een belangrijke vraag is: ben jij de disrupter, of wil je verstoord worden? Bedrijven moeten het proces van cognitieve digitale transformatie versnellen en snel vaardigheden verwerven voor het creëren van bedrijfswaarde (of risicobemiddeling).

Zoals altijd ben ik geïnteresseerd in uw gedachten of vragen...

 

N2Growth wereldwijd

Leave a Comment