Mengintegrasikan AI ke dalam organisasi Anda dimulai dengan mengidentifikasi bagaimana platform AI, model dasar, AI generatif, dan pembelajaran mesin (ML) selaras dengan tujuan utama. Perusahaan cenderung melebih-lebihkan dampak kemampuan AI dan meremehkan kompleksitasnya-membutuhkan pemimpin data dan analitik untuk mengelola ekspektasi, atau mengambil risiko kegagalan proyek yang merugikan.²

"Jika Anda seorang pemimpin data, pikirkan tentang hal-hal yang paling sering diminta oleh tim Anda, dan bagaimana AI dapat membuat hidup lebih mudah untuk lini bisnis tersebut," kata Ann Leach, Direktur, Manajemen Produk Portofolio, IBM. "Di mana mereka dapat menanamkan AI untuk membantu membuat keputusan, menciptakan alur kerja dan proses yang lebih baik, atau memberikan informasi kepada bisnis yang mendorong pemikiran ke depan?"

Untuk memaksimalkan aplikasi AI Anda, ingatlah arahan ini:

Terhubung ke hasil bisnis

Bekerja sama dengan pimpinan untuk melayani tujuan bisnis organisasi Anda secara keseluruhan. Tim Humphrey, Chief Analytics Officer, IBM menyarankan bahwa jika Anda sedang mempertimbangkan kasus penggunaan AI dengan seorang pemimpin di bidang pemasaran, sumber daya manusia, rantai pasokan, penjualan, atau manajemen aset, Anda harus bertanya ke mana pemimpin tersebut mencoba membawa fungsi atau organisasi tersebut. Anda perlu memahami di mana ia berada sekarang dan ke mana ia seharusnya pergi. Humphrey menambahkan, "Jika Anda tidak dapat menerapkan AI di sepanjang kontinum antara apa yang ada dan yang akan ada, sebaiknya Anda tidak memulainya."

Lakukan pengujian terlebih dahulu


Dengan AI, uji bukti konsep sampai Anda menemukan perbaikan yang tepat. Kemudian optimalkan. "Daripada menghabiskan banyak waktu untuk membuat semuanya sempurna, saya adalah penggemar berat dari banyak pembuktian konsep yang dilakukan hingga Anda menemukan konsep yang benar-benar memiliki dasar kuat," ujar Caroline Carruthers, CEO dari Carruthers and Jackson dan penulis The Chief Data Officer's Playbook.

Menetapkan dan melacak target

Tentukan KPI yang mengukur keberhasilan untuk setiap kasus penggunaan. Katakanlah proyek ini adalah tentang mengidentifikasi penipuan kartu kredit dan Anda ingin AI mencatat 95% kasus penipuan. Melacak kemajuan Anda dengan metrik memungkinkan Anda memetakan dan memantau tingkat kinerja AI dan menunjukkan nilai AI kepada pemangku kepentingan.

Salah satu bagian tersulit dari pekerjaan pemimpin data adalah membangun cara yang cepat dan tepercaya untuk beralih dari data ke wawasan. Anda memerlukan data yang tepat untuk menjalankan model Anda, tetapi tidak semua data cocok untuk AI.


"Akar dari semuanya dimulai dengan kumpulan data yang sesuai untuk kasus penggunaan tertentu, dan tanpa itu tidak ada AI, titik," kata Remus Lazar, Wakil Presiden Pengembangan Perangkat Lunak, Data Fabric, IBM. Dia menunjuk ke contoh sebuah maskapai penerbangan yang menginginkan AI prediktif untuk memperkirakan apakah penumpang dapat melakukan penerbangan lanjutan mereka. "Jika Anda hanya mengumpulkan data tentang penumpang yang ketinggalan koneksi mereka, bukan pada mereka yang melakukan penerbangan, maka itu bukan data yang tepat untuk digunakan. Tanpa kumpulan data yang sesuai, Anda tidak akan pernah bisa menyelesaikan kasus penggunaan."

Tinjau arsitektur data Anda

Lebih dari separuh organisasi mengutip data sebagai penyebab terhentinya proyek AI. Arsit ektur data modern seperti struktur data menyediakan kualitas data bawaan dan kemampuan tata kelola data. Arsitektur ini memungkinkan ilmuwan data Anda untuk melayani data mandiri di mana pun berada, dengan semua persyaratan tata kelola dan privasi yang diterapkan secara otomatis. Pendekatan ini memberi para pengguna data andal yang siap dan akses ke sumber yang berbeda secara real time dengan tata kelola penuh yang membuka jalan munculnya kelincahan dan kecepatan.

Lengkapi model Anda dengan data tepercaya

Di saat peraturan dan etika seputar AI yang terus berubah dan kompleks, Anda harus selalu bertanya: Bagaimana tata kelola data ini dan dapatkah data tersebut digunakan untuk tujuan ini? Kualitas data dan tata kelola data sangat penting untuk keberhasilan peningkatan solusi AI. Pertimbangkan pertanyaan-pertanyaan berikut yang perlu dijawab oleh organisasi Anda sebelum mengandalkan keputusan algoritme.


• Misalnya, apakah Anda memerlukan data eksternal atau data internal?
• Apakah Anda menggunakan data historis?
• Jika demikian, apakah itu etis menurut standar saat ini?

Terserah Anda sebagai pemimpin data untuk menentukan siapa yang mengontrol data, siapa yang memiliki akses ke perangkat lunak dan aplikasi AI, dan siapa yang membutuhkan akses untuk memastikan inisiatif AI bermanfaat.

Berkomitmen pada AI yang etis

Pedoman untuk AI yang bertanggung jawab mencakup pertimbangan seperti keamanan, penjelasan, dan bias. Jika Anda menggunakan data historis untuk memberi makan model, pastikan itu selaras dengan etika dan kepekaan masyarakat saat ini. Misalnya, sikap seputar jenis kelamin, ras, jenis kelamin, kelas dan usia berbeda saat ini daripada di tahun 1970-an. Menggunakan kumpulan data yang sudah ketinggalan zaman dapat melanggengkan bias AI, mengubah hasil dari awal. Organisasi dapat membedakan diri mereka dengan menghadapi masalah etika secara strategis, sengaja, dan penuh perhatian.

AI perusahaan menuntut komunikasi, struktur, dan ketelitian yang sama dengan yang biasa dilakukan di area yang lebih mapan dalam sebuah organisasi. Namun pengembangan model sering kali dilakukan di laptop ilmuwan data, dan orkestrasi dilakukan secara manual, atau ad hoc, menggunakan kode dan skrip khusus. Itulah mengapa Anda memerlukan operasi pembelajaran mesin (MLOps), yang merupakan penerapan kemampuan AI, seperti pemrosesan bahasa alami (NLP) dan model ML, untuk mengotomatiskan dan merampingkan alur kerja operasional. Dan jangan abaikan juga keuntungan efisiensi yang didapat dari model AI yang fleksibel dan dapat digunakan kembali, seperti model fondasi.

Mempercepat alur kerja secara efisien

Akan sangat berguna jika Anda memiliki serangkaian praktik terbaik untuk platform AI perusahaan yang mempercepat dan menyinkronkan kolaborasi antara tim sains data dan departemen TI Anda.

"Anda ingin menciptakan kemampuan untuk secara otomatis meluncurkan model-model yang aman ke edge, ke layanan web, ke mainframe, ke jenis perangkat keras yang tepat, juga, dan menjustifikasinya," ujar Steven Eliuk, Wakil Presiden, AI & Tata Kelola, IBM Global Chief Data Office. "Di IBM, kami selalu mencari cara untuk memungkinkan grup untuk membuat model mereka lebih cepat berproduksi, namun dengan cara yang aman dan terkendali," tambah Eliuk.

Mengatasi kesalahan manusia

MLOps mengotomatiskan proses manual dan membantu menghilangkan kesalahan manusia yang merugikan, mengurangi risiko, dan membuat perusahaan menjadi lebih gesit. Selain merampingkan produksi, MLOps membantu model bekerja sebagaimana mestinya, sehingga ada kepercayaan di seluruh siklus hidup AI. Platform ini membantu Anda menjawab pertanyaan-pertanyaan kritis seperti: Apakah data ini bias sejak awal? Apakah memiliki sampel yang cukup representatif pada kumpulan data? Ketika Anda masuk ke dalam pengembangan, apakah Anda menggunakan algoritme yang tepat, atau apakah algoritme tersebut akan melanggengkan bias yang sudah ada di dalam data?

Berikut ini adalah bagaimana salah satu pemimpin data menerapkan MLOps dalam praktiknya: "Kami memiliki MLOps yang selalu memeriksa kualitas, menguji kualitas prediksi dan kualitas ML kami," jelas Peter Jackson, Chief Data and Operations Officer, Outra. "Kami memiliki serangkaian dasbor yang melaporkan kepada tim manajemen senior di mana kami dapat melihat kualitas dan kekuatan prediksi dari model-model tersebut. Dan jika kami melihat penurunan selama satu bulan, kami akan membongkar program machine learning kami, dan melihat sumber datanya, untuk mengetahui mengapa program tersebut tidak bekerja."

Organisasi menghadapi risiko besar terhadap reputasi merek mereka jika model AI mereka bias atau tidak dapat dijelaskan. Mereka juga dapat menghadapi audit pemerintah dan denda jutaan dolar karena gagal memenuhi persyaratan peraturan yang kompleks dan berubah-ubah. Semua masalah ini dapat berdampak buruk pada hubungan pemegang saham dan pelanggan.

Ketahui dan percayai model AI Anda

Model kotak hitam yang tidak memiliki proses yang transparan menjadi perhatian para pemangku kepentingan AI. Model-model ini dibangun dan digunakan tetapi kurang transparan. Tidak selalu mudah-bahkan bagi ilmuwan data-untuk melacak bagaimana dan mengapa model membuat keputusan. Dan dengan munculnya berbagai peraturan, seperti undang-undang New York City yang mengatur bagaimana AI digunakan dalam perekrutan dan Undang-Undang AI yang diusulkan Uni Eropa, perusahaan harus menjadi lebih cerdas, dengan cepat.


Tata kelola AI adalah keseluruhan proses untuk mengarahkan, mengelola, dan memantau aktivitas AI di seluruh proses bisnis. Pemimpin data harus bekerja sama dengan kepala bagian risiko, kepala bagian kepatuhan, dan pemangku kepentingan utama lainnya sejak awal proyek AI untuk mengembangkan kerangka kerja tata kelola AI. Kerangka kerja ini harus menguraikan praktik terbaik perusahaan untuk mengembangkan, menerapkan, dan mengelola model AI dan, pada akhirnya, menghilangkan kotak hitam.

Melacak model secara menyeluruh

Tata kelola AI menetapkan pagar pembatas di setiap tahap siklus hidup AI dan ML, termasuk pengumpulan data, pembuatan model, penerapan, pengelolaan, dan pemantauan. Pagar pembatas ini menghasilkan proses yang lebih transparan dan memberikan hasil yang dapat dijelaskan kepada para pemangku kepentingan utama dan pelanggan. Menerapkan tata kelola AI dari awal hingga akhir membantu Anda mengelola risiko dan reputasi dengan lebih baik, mematuhi prinsip-prinsip etika, dan melindungi serta menyesuaikan diri dengan peraturan pemerintah.

Salah satu pengecer besar AS meminta bantuan IBM untuk mengatasi masalah keadilan dalam alat dan sistem perekrutan yang menyaring kandidat. Sangat penting bagi majikan ini untuk menanamkan keadilan dan kepercayaan, termasuk kemampuan untuk mengidentifikasi bias dan menjelaskan keputusan dalam model AI dan ML yang digunakan untuk perekrutan. Perusahaan menggunakan IBM Cloud Pak® for Data untuk secara konsisten mengelola model berkemampuan AI untuk akurasi dan keadilan. Sekarang, perusahaan secara proaktif memantau dan mengurangi bias dalam proses perekrutannya.

Tunjukkan karya Anda

IBM juga menerapkan pendekatan ini secara internal. "Jika peraturan tertentu membutuhkan transparansi atau penjelasan, kami memastikan bahwa algoritme atau penilaian dampak menampilkan detail tersebut sehingga kami dapat dengan cepat melakukan perputaran untuk kepatuhan yang berkelanjutan terhadap peraturan baru, alih-alih berdampak pada bisnis," kata Eliuk.

Seiring dengan pergerakan AI dari eksperimen menjadi bisnis yang penting, organisasi melihat perlunya menerapkan tata kelola AI secara proaktif untuk mendorong AI yang transparan dan dapat dijelaskan. Kurangnya pagar pembatas di sekitar AI dapat menggagalkan proyek-proyek AI dan memperlambat inovasi.