Prashanth Ram diskuterar hur moderna organisationer behöver titta inåt för att hantera utmaningarna med storskalig AI-implementering.
Att implementera AI och andra automatiseringsverktyg i arbetsplatsens policy och praxis är ingen genomsnittlig prestation. De resurser som krävs, till exempel tid, pengar, energi och utrustning, tillsammans med de nära konstanta utbildningskraven kan göra att det verkar som om det inte finns något tydligt slut i sikte.
För Prashanth RAM, CTO och medgrundare av Tech Talent Platform Smoothstack, är nyckeln till framgångsrikt implementering delat ansvar. THans börjar med att demokratisera tillgången till AI -utbildning, för att förhindra att kunskap koncentreras till tekniska team och rika organisationer.
”Den senaste tidens ökning i generativ AI -utforskning av företag representerar en betydande demokratisering av AI -förmågan,” sa han till SiliconRepublic.com. Medan traditionella AI -applikationer som prediktiv analys krävde specialiserade datavetare och ingenjörer, har Generative AI gjort sofistikerade AI -verktyg tillgängliga för bredare affärsanvändare med varierande teknisk expertis.
”Övergången från komplex modellutveckling till användarvänliga gränssnitt har utökat AI: s praktiska affärsapplikationer utöver traditionella datavetenskapsteam, vilket möjliggör bredare organisatoriska antagande och nya användningsfall som inte tidigare var genomförbara för icke-tekniska team.”
Men även om det finns bevis på en förändring i hur AI -åtkomst delas, sa Ram att utmaningar kvarstår. Till exempel kämpar många organisationer med att säkerställa datasäkerhet och integritet, eftersom det kan vara oklart hur information kan behandlas säkert av AI -system. Dessutom, när det gäller styrning och kontroll, kan företag sakna förmågan att etablera effektiva övervakningsmekanismer för att bäst övervaka och granska AI -interaktioner.
Men främst är det det växande färdighetsgapet när det gäller AI -tekniker som har potential att försena, spåra och till och med förstöra AI -demokratisering i ett tidigt skede av organisatorisk AI -implementering.
”Många organisationer saknar de grundläggande elementen som behövs för AI-implementering, till exempel datakunskap över arbetskraften, modern datainfrastruktur och styrning, förståelse för AI-kapacitet och begränsningar bland beslutsfattare och förändringshanteringskompetens för att hantera AI-drivna omvandlingar.”
Ett problem delat, ett problem halverat
För RAM ligger bördan inte hos en person i en maktposition, eller en grupp, utan snarare är det organisationernas ansvar som helhet, från botten hela vägen till toppen, för att säkerställa att ansträngningar tas till Stäng den växande AI -färdighetsgapet. Ett problem som ökar i komplexitet på grund av de färdigheter som krävs blir allt mer tekniska.
”Effektiv AI -implementering kräver en unik blandning av färdigheter, djup teknisk kunskap (maskininlärning, datavetenskap, programmering), domänkompetens (förståelse av specifika affärssammanhang) och infrastrukturkunskap (molnberäkning, säkerhetsprotokoll). Att hitta yrkesverksamma som har denna kombination är utmanande. ”
Arbetsgivare bör skapa strukturerade AI -utbildningsprogram i linje med företagens specifika behov, samtidigt som de ger enkel tillgång till inlärningsplattformar, certifieringsmöjligheter och vägar till ytterligare karriärutveckling, säger RAM. Det är då den anställdas ansvar att dra nytta av chansen att upskill i AI och lära sig mer än bara grunderna.
Detta kan vara genom att delta i nya utbildningsmöjligheter, engagera sig i onlineinlärning, identifiera hur AI kan påverka eller förbättra enskilda roller, tillämpa det som har lärt sig på jobbet och förbli informerad om AI -utvecklingen i branschen. Genom kunskapsdelning med medarbetare kan du också arbeta med dina mjuka färdigheter samtidigt som du bidrar till den bredare arbetsplatsens konversation om AI-framsteg.
”De flesta framgångsrika organisationer är att konstatera att helt enkelt förvänta sig att anställda ska uppskola oberoende inte är effektiva, det kräver en strukturerad, stödd strategi med tydliga investeringar från ledarskap,” sade Ram. ”Detta säkerställer en konsekvent kompetensutveckling i linje med organisatoriska behov snarare än spridda individuella ansträngningar. ”
Han råder organisationer att uppmärksamma färdigheter utöver vad som betraktas som standard AI -kunskap, inom områden som datakunskap, problemnedbrytning, strukturerat tänkande, affärsprocessanalys, skriftlig kommunikation och projektledning. Domänspecifik kunskap, till exempel branschregler och efterlevnadskrav, affärsarbetsflöden och operativa begränsningar, är också viktiga.
För RAM är demokratisering av AI -utbildningsåtkomst avgörande för att minska ojämlikhet och arbetsplatssilo, stärka arbetsplatsens omvandling, begränsa de potentiella riskerna för avancerad teknik och göra det möjligt för organisationer att ha en mycket bredare ekonomisk inverkan. Det skapar också motståndskraft, så organisationer som är skickliga i AI på en bred och individuell nivå, är bättre positionerade för att anpassa sig till tekniska förändringar.
