30
.
01
.
2025
Informācijas avots: Rasa Gulbe, SIA DATI Group valdes locekle
Iepriekšējā rakstā aplūkojām četrus galvenos posmus mākslīgā intelekta (MI) ieviešanai uzņēmumā. Tomēr, lai tas noritētu sekmīgi, jāapzinās arī lielākie šķēršļi, kas var traucēt attīstībai. Kad šie izaicinājumi tiek skaidri formulēti un izprasti, kļūst vieglāk atrast efektīvus risinājumus. Līdz ar to MI integrācija vairs nešķiet nesasniedzams mērķis. Pašlaik var izdalīt četras būtiskas problēmas, kas visbiežāk kavē progresu.
MI potenciāls paliek neizmantots, ja to ievieš tikai vienā izolētā projektā. Lai nodrošinātu maksimālu ieguvumu, pirms MI ieviešanas ir svarīgi izstrādāt stratēģiju, kas ļautu tam kalpot visai organizācijai. Piemēram, “ChatGPT” tiek ieviests, lai radītu mārketinga saturu, bet citi ar mārketingu nesaistīti darbinieki pat nenojauš, kā vēl šādu rīku varētu izmantot.
Lieliem uzņēmumiem pārsvarā ir digitālās transformācijas stratēģijas, kur MI stratēģija ir vienkārši sadaļa uzņēmuma kopējā stratēģijā. Mazā un vidējā uzņēmumā MI stratēģijai uzmanība būtu jāpievērš atsevišķi. Reizēm uzņēmuma vadība nav pietiekami informēta par teholoģisko risinājumu iespējām, tāpēc MI ieviešanai nav augsta prioritāte. To var mainīt, ja var uzskatāmi nodemonstrēt kaut nelielu, bet pilotprojektu, dalīties ar veiksmes stāstiem nodaļu un pat uzņēmumu starpā, kā arī, simulējot dažādus scenārijus.
Bieži vien tiek sagaidīts, ka MI risinājumus var ieviest bez apmācībām, taču realitātē to veiksmīgai izmantošanai darbiniekiem ir nepieciešama vismaz pamata izpratne par analītiku, statistiku un matemātiku. Šīs zināšanas ir svarīgas ne tikai, lai ieviestu tehnoloģijas, bet arī lai spētu kritiski izvērtēt to sniegtās atbildes un ieteikumus.
Līdzīgi izaicinājumi var rasties arī uzņēmuma vadības līmenī. Lai MI ieviestu efektīvi, būtiski ir skaidri komunicēt pārmaiņu mērķus, pievienoto vērtību un to nozīmi ilgtermiņā. MVU nereti trūkst konkrētas personas vai komandas, kas noteiktu stratēģisko virzienu, izstrādātu taktisko plānu un skaidri definētu turpmākās darbības inovāciju ieviešanā.
Lai pārvarētu šīs barjeras, var izmantot trīs pieejas. Dinamisko spēju attīstīšanu – uzņēmumam ir svarīgi attīstīt spēju ātri identificēt izmaiņas un integrēt tās ikdienas darbā. Tas nozīmē dinamisku pielāgošanos. Šādas prasmes ir iegūstamas tikai praksē. Īstenot maza mēroga pilotprojektus un eksperimentus, kuru ietvaros darbinieki var iegūt praktisko pieredzi. Svarīgākais šeit ir saprast ceļa karti un to, ka tas ir tikai sākums, lai ieviestu sarežģītākus risinājumus. Apmācības un mentoringu, izmantojot nozares partneru, piegādātāju un citu ekspertu atbalstu, lai veicinātu zināšanu apmaiņu un stiprinātu nepieciešamās prasmes.
MVU kā barjeru MI ieviešanā visbiežāk min finanšu līdzekļu un arī laika trūkumu, lai ieviestu jaunus risinājumus. Taču te jāteic, ka pirmos testus un prototipus var īstenot ar vienkāršiem un nu jau arī lētiem risinājumiem, piemēram, “Microsoft” rīkos iebūvēto “Copilot”. Tāpēc patiesībā lielākajā daļā gadījumu MVU trūkst stratēģiskā vīzija un prioritātes.
Ja tomēr kavēklis ir finanšu trūkums, tad var izmantot kādu no Latvijā pieejamajām atbalsta programmām digitalizācijai un digitālajai transformācijai.
Lielākā daļa uzņēmumu, kas mūsdienās jau ir ieviesuši MI, patiesībā ir ieviesuši uzraudzīto mašīnmācīšanos. Lielākā barjera - trūkst atbilstoši marķētie dati, ko izmantot mašīnmācīšanās procesā. Uzraudzītā mašīnmācīšanās nozīmē, ka algoritmam ir jāiedod jau samarķētas datu kopas, ko izmanto tā trenēšanai. Ja tādas nav pieejams, tad uzraudzītā mācīšanās kopumā nav iespējama.
Alternatīva ir neuzraudzītā mācīšanās, ko izmanto ļoti maz. Ja iedodam nemarķētus datus un algoritmi paši definē grupas jeb paternus, tad tajā mirklī kļūst diezgan sarežģīti skaidrot un pamatot pieņemtos vai ieteiktos lēmumus. Tādos gadījumos parasti tiek nolemts MI neizmantot, jo riski ir pārāk augsti, un MI lietošana nebūtu ētiska. Katra algoritma un modeļa izvēli ir jāspēj paskaidrot.
MVU laba datu pārvaldības stratēģija sākas ar to, ka apzinām, kādi ir datu avoti, kur tie atrodas, kas par tiem atbild un kas tos pārvalda. Tad ar šiem atbildīgajiem var sākt analizēt, kuri dati ir izmantojami algoritmu apmācībai, kuriem datiem ir dublikāti citās datu bāzēs, u.tml. Ja dati atrodas izkaisīti, piemēram, daļa glabājas privātajā mākonī, daļa - publiskajā, un tie savstarpēji nav savienoti, tad ir jāveic datu avotu integrācija. Tur nav cita apkārtceļa. Visbiežāk šim darbam MVU piesaista ārpakalpojumu.
Par galvenajiem MI ieviešanas posmiem lasiet rakstā: 4 mākslīgā intelekta ieviešanas posmi uzņēmumā."
DATI Group piedāvā drošu sistēmu integrāciju datu pārvaldības risinājumu ieviešanai, kas ietver:
Sazinieties ar mums, lai aprunātos, kā DATI Group var palīdzēt jūsu projekta īstenošanā.
.svg){kind=icon}
