Καθώς προχωρά η χρήση Τεχνητής Νοημοσύνης από τις επιχειρήσεις, γίνονται ολοένα και πιο φανερά σφάλματα, τα οποία μπορεί να γίνονται κατά τις πρωτοβουλίες που λαμβάνονται. Στο παρόν Special Report θα δούμε τις προκλήσεις που αντιμετωπίζουν οι IT Leaders και τις βασικές κατευθύνσεις για την αποτελεσματικότερη ενσωμάτωσή της AI σε νέες λύσεις.

Καθώς προχωρά η χρήση Τεχνητής Νοημοσύνης από τις επιχειρήσεις, γίνονται ολοένα και πιο φανερά σφάλματα, τα οποία μπορεί να γίνονται κατά τις πρωτοβουλίες που λαμβάνονται. Στο παρόν Special Report θα δούμε τις προκλήσεις που αντιμετωπίζουν οι IT Leaders και τις βασικές κατευθύνσεις για την αποτελεσματικότερη ενσωμάτωσή της AI σε νέες λύσεις.

Η πανδημία COVID-19 έχει δύο όψεις σε ό,τι αφορά την επίδρασή της στην τεχνολογία. Από τη μία μεριά, χωρίς αυτό να σηκώνει αμφισβήτηση, έχει δώσει ώθηση στην υιοθέτηση νέων τεχνολογιών, έχει επιταχύνει τον ψηφιακό μετασχηματισμό σε βαθμό πρωτοφανή σε ορισμένες περιπτώσεις -χαρακτηριστικότερο, ίσως, παράδειγμα είναι αυτό του Ελληνικό Δημοσίου-, οδηγώντας, παράλληλα, σε έκρηξη τον αριθμό των χρηστών. Από την άλλη μεριά -ούτε εδώ χωρά αμφιβολία- οι ιδιαίτερες συνθήκες που έχουν δημιουργηθεί, έχουν αναδείξει τις όποιες αστοχίες υπάρχουν, τόσο εγγενώς στις τεχνολογίες, όσο και στις επιμέρους υλοποιήσεις. Λύσεις που αναπτύχθηκαν για να λειτουργήσουν μέσα σε ένα συγκεκριμένο περιβάλλον δείχνουν άστοχες όταν οι συνθήκες άλλαξαν. Αλήθεια είναι ότι οι συνθήκες που έχει διαμορφώσει η πανδημία, τα μέτρα που λαμβάνονται για τον περιορισμό της εξάπλωσής της, έχουν αποδειχθεί πρόκληση για τις τεχνολογίες IT, αναδεικνύοντας τα λειτουργικά, κατά περίπτωση, όρια, αλλά και τα ενδεχομένως περιορισμένα πλαίσια στα οποία οι λύσεις που σχεδιαστεί για να λειτουργούν.

Ιδιαίτερα εύστοχα περιέγραψε το παραπάνω πλαίσιο ο Μιχάλης Γεωργακόπουλος, CEO & Founder της Satori Analytics, σε συνέντευξη του στο τεύχος Σεπτεμβρίου 2020 (437) του netweek. Στην ερώτησή μας, αν τα Big Data και η Ανάλυσή (τους) είναι το κλειδί εν μέσω πανδημίας, ο κ. Γεωργακόπουλος ανέφερε χαρακτηριστικά «το περιβάλλον είναι τόσο ρευστό που η εξαγωγή συμπερασμάτων από την ανάλυση δεδομένων μπορεί να είναι σωστή για τις επόμενες εβδομάδες και τελείως παραπλανητική για μερικούς μήνες αργότερα. Η πανδημία είναι περισσότερο μια ευκαιρία να καταλάβουμε ότι πλέον το περιβάλλον στο οποίο λειτουργούμε είναι πολύ δυναμικό και χρειάζεται μεγαλύτερη ευελιξία από ό,τι έχουν συνηθίσει μέχρι τώρα οι περισσότερες εταιρείες». Για να συμπληρώσει σε άλλο σημείο της συνέντευξής του «όπως όλες οι επενδύσεις, έτσι και μια επένδυση σε νέες τεχνολογίες θέλει το χρόνο της για να αποφέρει καρπούς. Φερ ειπείν, στο παράδειγμα του IoT για να συλλέξεις αρκετά δεδομένα για να βγουν χρήσιμα συμπεράσματα χρειάζονται αρκετές εβδομάδες ή κάποιοι μήνες τουλάχιστον.
Μόλις όμως περάσει αυτό το αρχικό στάδιο, τα οφέλη είναι συνεχή year in year out, όποτε και το return on investment καταλήγει να είναι πολλές φορές της κλίμακας του 3-4 φορές πάνω από την αρχική επένδυση σε λίγο μόλις χρονικό διάστημα».

Η κατάσταση σήμερα
Γενικά μιλώντας, μπορούμε να πούμε ότι η τεχνητή νοημοσύνη βρίσκεται αυτή τη στιγμή στη φάση που μειώνονται οι διογκωμένες προσδοκίες σχετικά με την ωριμότητα της και την υιοθέτηση σχετικών με αυτή εφαρμογών, για την επίλυση πραγματικών επιχειρηματικών προβλημάτων και την αξιοποίηση νέων ευκαιριών. Αντίθετα, η COVID-19 έχει αποτελεσματικά φέρει στην επιφάνεια την επιπόλαια, σε πολλές περιπτώσεις, ικανότητα λύσεων ΑΙ να είναι αποτελεσματικές σε μια σειρά από εφαρμογές. Για παράδειγμα, η ικανότητα της τεχνητής νοημοσύνης να προστατεύει μέσω της έγκαιρης ανίχνευσης απάτης δεν ήταν η αναμενόμενη· οι επιδόσεις της σε ό,τι αφορά τις προτάσεις και τη διαχείριση εφοδιαστικών αλυσίδων την έθεσαν, πρακτικά, εκτός λειτουργίας, καθώς έπαψε να λειτουργεί αποτελεσματικά όταν το input των δεδομένων αιφνίδια άλλαξε.

Από την άλλη μεριά, η AI έδωσε λύσεις σε πολλές περιπτώσεις, όπως στην περίπτωση των chatbot, που έδωσαν λύση σε ό,τι αφορά την απάντηση των ερωτήσεων που ετίθοντο από τον κόσμο στην πρώτη φάση της πανδημίας. Εφαρμογές AI χρησιμοποιήθηκαν για τη διατήρηση, μέσω υπολογιστικών οπτικών συστημάτων, των απαιτούμενων κοινωνικών αποστάσεων, όπως και στο modeling για την εξάπλωση της πανδημίας και στα αποτελέσματα σε διάφορα σενάρια επανεκκίνησης των οικονομιών.

H υιοθέτηση τεχνολογιών AI έχει επιτευχθεί σε project σχετικά με την ιατρική φροντίδα, τις βιοεπιστήμες, τις κατασκευές, τις οικονομικές υπηρεσίες και τις εφοδιαστικές αλυσίδες που συνεχίζουν κανονικά τη λειτουργία τους παρά τα οικονομικοκοινωνικά θέματα που έχουν ανακύψει.
Σε ό,τι αφορά τις επενδύσεις στην AI, ένα μικρό μόνο ποσοστό από τις προγραμματισμένες έχουν παγώσει προσωρινά μέσα στο 2020, ενώ αντίθετα, πολλοί περισσότεροι επενδυτές σχεδίασαν την επέκταση των επενδύσεών τους στον τομέα. Ένα πολύ μικρό μόνο ποσοστό (εκτιμάται σε κάτω από 10%) έχει μειώσει τις επενδύσεις.

Μια κύρια τάση στην AI, πάνω στην οποία βασίζεται η ανάλυση που ακολουθεί στις επόμενες παραγράφους είναι, ο «εκδημοκρατισμός της AI», υπό την έννοια ότι αυτή έχει πάψει να βρίσκεται σε χέρια αποκλειστικά ειδικών και χρησιμοποιείται για διαφορετικούς σκοπούς από χρήστες με διαφορετικά επίπεδα ικανοτήτων και βάθος γνώσεων. Μια δεύτερη τάση είναι η βιομηχανοποίηση των AI platforms, που προωθεί την χρήση της, την επεκτασιμότητα της και την ασφάλεια – στοιχεία που επιταχύνουν την προσαρμογή και την ανάπτυξη. Φυσικά, εμείς θα επικεντρωθούμε στο περίγραμμα των προσπαθειών που καταβάλλουν οι πρωτοπόροι στο IT για την αποτελεσματική ενσωμάτωση της AI σε επίπεδο παραγωγής με δραστικές θετικές οικονομικές επιπτώσεις.

Οι προκλήσεις για τους IT Leaders
Ήδη πριν ξεσπάσει η πανδημία, οι περισσότερες εταιρείες είχαν δυσκολιες στον κρίσιμο σημείο της ενσωμάτωσης των πιλοτικών προγραμμάτων που χρησιμοποιούσαν την τεχνητή νοημοσύνη στις γραμμές παραγωγής. Η διαπίστωση αυτή έχει οδηγήσει σε ένα «τυφλό σημείο», την αδυναμία διαπίστωσης της εν δυνάμει αξίας της AI με επιχειρηματικά κριτήρια. Αυτό που οι IT leaders καλούνται να κάνουν είναι το προφανές, με βάση την παραπάνω διαπίστωση: Να διαμορφώσουν, μέσα στους οργανισμούς τους, τις κατάλληλες στρατηγικές που θα κάνουν δυνατή την μετεξέλιξη των πιλοτικών προγραμμάτων χρήσης της τεχνητής νοημοσύνης σε παραγωγικές πρακτικές, έτσι ώστε να προσφέρουν πραγματική αξία.

Στόχος δύο εκ των πέντε εταιρειών, σύμφωνα με την Gartner, είναι με το τέλος του 2020 να έχουν καταφέρει να ενσωματώσουν την AI. Το αν αυτό έχει επιτευχθεί δεν θα αργήσουμε να το μάθουμε. Όμως, αξίζει να δούμε την πορεία και τις προκλήσεις που εμπεριέχει η επιδίωξη αυτού του στόχου, προς τον οποίο κινούνται οι πρωτοπόροι στο IT. Κοινή πρακτική στις προσεγγίσεις τους είναι η εντατική διερεύνηση των δυνατοτήτων της AI, με στόχο την ανάδειξη της ενδεχόμενης σημαντικής επιχειρηματικής αξίας που μπορεί να προσφέρει η εν λόγω τεχνολογία στον εκάστοτε οργανισμό. Κοινή είναι και η βασικη τους διαπίστωση, το λεγόμενο παράδοξο της ενσωμάτωσης της AI στην παραγωγή (AI production paradox).

Έτσι, ενώ το λανσάρισμα πειραματικών, πιλοτικών εφαρμογών ΑΙ είναι σχετικά εύκολο -απατηλά, όπως προκύπτει από τα δεδομένα-, η ανάπτυξή τους μέσα στην παραγωγή αποδεικνύεται ιδιαίτερη πρόκληση. Κατ’ αναλογία, το πρόβλημα είναι αρκετά εύκολο να εντοπιστεί και να περιγραφεί, αλλά ιδιαίτερα δύσκολο να λυθεί, καθώς οι επικεφαλής πρέπει να ενσωματώσουν στην εκάστοτε επιχειρηματική αρχιτεκτονική, συστήματα AI με πολλαπλά διασυνδεδεμένα μοντέλα, τα οποία πρέπει συνεχώς να επανεκπαιδεύονται.
Αν επιχειρήσουμε να εμβαθύνουμε λίγο και να περιγράψουμε τις αιτιολογικές συνθήκες που κάνουν δύσκολη τη μεταφορά της «θεωρητικής» ή «πειραματικής» γνώσης σε αξία για τις επιχειρήσεις, θα διαπιστώσουμε ότι είναι περισσότερες από μια. Μια από τις βασικότερες δυσκολίες είναι η έλλειψη τεχνικών με τις απαιτούμενες ικανότητες ώστε να μπορούν να υλοποιήσουν τα απαιτούμενα έργα, να διευθετήσουν και να δώσουν τεχνολογικές λύσεις στις προκλήσεις ενσωμάτωσης της AI στις υποδομές. Τεχνολογικές λύσεις που είναι διαθέσιμες προς αυτή την κατεύθυνση, οι οποίες μπορούν να χαρακτηριστούν ως «ώριμες» φαίνεται ότι δεν υπάρχουν.

Επιπλέον, οι μηχανές τεχνητής σκέψης πρέπει να αναπτυχθούν σε κάθε σημείο. Σε αυτά περιλαμβάνονται τα άκρα, τα παραδοσιακά data center, έως και τα public cloud. Εκ των πραγμάτων, γεννάται η ανάγκη ενσωμάτωσης λύσεων, οι οποίες μπορούν να λειτουργήσουν με κάθε πλατφόρμα -platform-agnostic solutions. Οι παραπάνω συνθήκες – οι απαιτήσεις, η τεχνολογική ανεπάρκεια και η ανεπάρκεια σε ικανό προσωπικό και η πολυπλοκότητα στις υποδομές- διαμορφώνουν ένα απαιτητικό περιβάλλον για τους πρωτοπόρους στο IT, οι οποίοι πρέπει να ασχοληθούν με τη διευθέτηση των παραγωγικών ρουτίνων της AI.
Οι -όλο και αυξανόμενες- απαιτήσεις για απαντήσεις σε πραγματικό χρόνο τονίζουν την ανάγκη ανάπτυξης συστημάτων ανάλυσης των δεδομένων κοντά στα άκρα του συστήματος και στα τερματικά, στα σημεία, δηλαδή όπου συλλέγονται τα δεδομένα.

Υπάρχουν διέξοδοι;
Φυσικά υπάρχουν, αλλά η υλοποίησή τους είναι πρόκληση. Η AI είναι μια από τις τεχνολογίες που προκαλεί όσο λίγες, τους πρωτοπόρους του IT να χρησιμοποιήσουν με τον περισσότερο εποικοδομητικό τρόπο τα προσόντα και τις ικανότητές τους για να την αξιοποιήσουν σε επίπεδο παραγωγής με αποτελέσματα που μπορούν να επηρεάσουν δραστικά την επιχειρηματική αξία. Αυτό σημαίνει ότι οι αποδείξεις ότι η AI «δουλεύει» σε διάφορα παραγωγικά concept πρέπει να μεταφραστούν σε πολλαπλά παραγωγικά παραδείγματα. Προς την κατεύθυνση αυτή, ένας βασικός τρόπος για την επιτάχυνση ενσωμάτωσης της τεχνητής νοημοσύνης στην (πραγματική) παραγωγή είναι… η πρωτοτυπία. Φυσικά, εννοούμε το prototyping σε βιομηχανικό επίπεδο, μέσω του πρότυπου σχεδιασμού υποδομών με αρχιτεκτονικές που μπορούν να χρησιμοποιηθούν ως αναφορά για την αξιοποίηση της ανάλυσης δεδομένων. Σε ένα δεύτερο βήμα, μπορούν να δημιουργηθούν διεργασίες που τεκμηριώνουν την ανάπτυξη μηχανών στην διαδικασία παραγωγής με τη χρήση container για την ενθυλάκωση μοντέλων μηχανικής μάθησης και την απλοποίηση του μοντέλου διαχείρισης.

Στο σημείο αυτό, η αξιοποίηση παρόχων που επιδεικνύουν εξειδίκευση και διαθέτουν την εμπειρία και την ικανότητα υποστήριξης είναι σημαντική. Η χρήση κλιμακούμενων υποδομών με δυνατότητες ενσωμάτωσης AI μπορεί να είναι μία από τις στρατηγικές επιλογές με στόχο την επιτάχυνση αξιοποίησης της τεχνητής νοημοσύνης. Στην ίδια στρατηγική, καίριο ρόλο μπορούν να έχουν υπηρεσίες cloud με αντίστοιχες δυνατότητες, φυσικά. Στο σχεδιασμό σημαντική είναι η παράμετρος της επιλογής της θέσης που θα τρέχουν οι αναλύσεις. Η βέλτιστη τοποθέτηση των νευρωνικών δικτύων για την ανάλυση μπορεί να γίνει μόνο με την απαραίτητη ποσοτικοποίηση των τύπων δεδομένων και του όγκου που συλλέγεται, καθώς οι παράμετροι αυτές είναι καθοριστικές για τον καθορισμό των επιπτώσεων στο bandwidth, στην καθυστέρηση και, εν τέλει, στη διαθεσιμότητά των τηλεπικοινωνιών.
Πέρα από το όποιο επιχειρηματικό μοντέλο και τις προκλήσεις που αφορούν τον ανθρώπινο παράγοντα, οι ηγέτες στην πληροφορική θα πρέπει να επιμεληθούν προσεκτικά βασικές infrastructure στρατηγικές για την εξισορρόπηση τριών βασικών παραμέτρων. Αυτές είναι, η διακυβέρνηση των δεδομένων, η υποδομή των συστημάτων και τα οικοσυστήματα ανάπτυξης.