Kết nối thế hệ X, Y, Z và người sinh ra trong thập kỷ dotcom: Bí mật bị bỏ qua để thành công với AI. Tham gia các bản tin hàng ngày và hàng tuần của chúng tôi để cập nhật thông tin mới nhất và nội dung độc quyền về AI hàng đầu ngành công nghiệp. Tìm Hiểu Thêm Các tổ chức hiện đại có nhận thức sâu sắc về việc cần sử dụng AI sáng tạo một cách hiệu quả để cải thiện hoạt động kinh doanh và tăng cạnh tranh sản phẩm. Theo nghiên cứu từ Forrester, 85% doanh nghiệp đang thử nghiệm với gen AI, và một nghiên cứu của KPMG tại Mỹ cho thấy 65% các cấp quản lý tin rằng nó sẽ có “tác động cao hoặc cực kỳ cao đối với tổ chức của họ trong vòng ba đến năm năm tới, cao hơn rất nhiều so với các công nghệ mới khác.” Như với bất kỳ công nghệ mới nào, việc áp dụng và triển khai gen AI không tránh khỏi những thách thức. Nhiều tổ chức đã phải đối mặt với ngân sách eo hẹp, đội ngũ quá tải và ít tài nguyên hơn; do đó, các doanh nghiệp phải đặc biệt chiến lược khi áp dụng gen AI. Một phần quan trọng (nhưng thường được bỏ qua) cho sự thành công với gen AI là các nhân viên đứng sau công nghệ này trong các dự án và tương tác giữa họ. Để đạt được giá trị tối đa từ công nghệ, tổ chức nên tạo ra các nhóm kết hợp kiến thức chuyên ngành của nhân tài AI với kinh nghiệm thực tế, hands-on của các chuyên gia công nghệ thông tin. Theo tự nhiên, các nhóm này thường chia sẻ thế hệ khác nhau, cỡ chữ khác nhau và cấp độ hiểu biết kinh doanh khác nhau. Đảm bảo rằng các chuyên gia AI và kỹ sư công nghệ thông tin làm việc hiệu quả cùng nhau quan trọng, và sẽ xác định sự thành công – hoặc điểm yếu – của các dự án gen AI của một công ty. Dưới đây, chúng tôi sẽ khám phá cách những vai trò này di chuyển con số khi nói đến công nghệ, và làm thế nào họ có thể hợp tác tốt nhất để thúc đẩy kết quả kinh doanh tích cực. Vai trò của kỹ sư công nghệ thông tin và nhân tài AI trong sự thành công của gen AI Trung bình, 31% công nghệ của một tổ chức bao gồm hệ thống kế thừa. Đến càng thành công và phức tạp một doanh nghiệp là, càng có khả năng có một dấu vết lớn về công nghệ mà được giới thiệu lần đầu cách đây ít nhất một thập kỷ. Nhận ra lời hứa về kinh doanh của bất kỳ công nghệ mới nào – kể cả gen AI – phụ thuộc vào khả năng của một tổ chức trước hết thu hoạch mức độ giá trị tối đa từ các khoản đầu tư hiện có. Điều này đòi hỏi một mức độ cao của kiến thức ngữ cảnh về doanh nghiệp; kiểu mà chỉ có các kỹ sư công nghệ thông tin già dặn sở hữu. Kinh nghiệm của họ trong quản lý hệ thống kế thừa, cùng với sự hiểu biết sâu sắc về doanh nghiệp, tạo ra môi trường lý tưởng để nhúng gen AI vào sản phẩm và luồng công việc trong khi vẫn duy trì đà tiến lên của công ty. Các kỹ năng khoa học dữ liệu và nhân tài AI cũng mang lại những kỹ năng quan trọng cho bàn làm việc; cụ thể là sự thành thạo trong làm việc với các công cụ AI và kỹ năng kỹ thuật dữ liệu cần thiết để làm cho những công cụ này có tác động. Họ hiểu rõ cách áp dụng các kỹ thuật AI – cho dù đó là xử lý ngôn ngữ tự nhiên (NLP), phát hiện dạng lạ, dự đoán tự động hoặc một ứng dụng khác – vào dữ liệu của tổ chức. Có lẽ quan trọng nhất, họ hiểu rõ dữ liệu nào nên được áp dụng vào các công cụ này, và họ có kỹ năng kỹ thuật để biến đổi nó sao cho nó có thể sử dụng được cho những công cụ đó. Có một số thách thức mà các tổ chức có thể gặp phải khi họ tích hợp nhân tài AI mới với các chuyên gia công nghệ thông tin hiện hữu của họ. Dưới đây, chúng tôi sẽ khám phá những rủi ro tiềm ẩn này và cách giảm thiểu chúng. Tạo chỗ cho gen AI Thách thức cơ bản mà các tổ chức có thể chờ đợi khi họ tạo ra các nhóm mới này là khan hiếm tài nguyên. Đội ngũ công nghệ thông tin đã bị quá tải với nhiệm vụ duy trì hệ thống hiện tại đạt hiệu suất tối đa – yêu cầu họ phải tái tưởng tương lai toàn bộ cảnh quan công nghệ của mình để dành chỗ cho gen AI là một yêu cầu cao. Có thể là lôi kéo để phân chia các nhóm gen AI do thiếu hụt lao động, nhưng sau đó các tổ chức phải đối mặt với nguy cơ khó khăn trong việc tích hợp công nghệ vào ngăn xếp ứng dụng cốt lõi của họ sau này. Các công ty không thể mong đợi tiến xa với gen AI bằng cách cô lập các tiến sĩ tiến hóa trong một văn phòng góc không kết nối với doanh nghiệp – việc những nhóm này làm việc cùng nhau rất quan trọng. Các tổ chức có thể cần điều chỉnh kỳ vọng của mình trước những thay đổi này: Sẽ không hợp lý để mong đợi công nghệ thông tin duy trì ưu tiên hiện hành của mình trong khi đồng thời học cách làm việc với các thành viên mới và giáo dục họ về mặt kinh doanh của phương trình. Công ty có lẽ sẽ cần phải đưa ra một số quyết định khó khăn về cắt giảm và hợp nhất đầu tư trước đó để tạo ra khả năng từ bên trong cho các dự án việc làm mới gen AI. Rõ vấn đề Khi áp dụng bất kỳ công nghệ mới nào, việc nắm rõ không gian vấn đề là cực kỳ quan trọng. Các nhóm phải đồng tình hoàn toàn về vấn đề mà họ đang giải quyết, kết quả mà họ đang cố gắng đạt được và những cần thiết để mở khóa kết quả đó. Họ cũng cần đồng thuận về những điều làm trở ngại giữa những cần thiết đó là gì, và cần gì để vượt qua chúng. Một cách hiệu quả để đưa các nhóm vào cùng một trang là tạo ra bản đồ kết quả mà một cách rõ ràng liên kết kết quả mục tiêu với các cần thiết hỗ trợ và trở ngại để đảm bảo kho chóng nguồn lực và rõ ràng kỳ vọng về các sản phẩm. Ngoài việc bao gồm những yếu tố trên, bản đồ kết quả cũng cần đề cập làm sao từng khía cạnh sẽ được đo lường để giữ nhóm tham chiếu đến tác động kinh doanh qua các thước đo đáng lưu ý. Bởi thông không thông qua không gian vấn đề thay vì đoán các giải pháp có thể, các công ty có thể tránh được các thất bại tiềm ẩn và làm việc lại quá mức sau thực tế. Điều này có thể được so sánh với những đầu tư không cần thiết quan sát được trong thập kỷ big data khoảng một thập kỷ trước: Có ý tưởng rằng các công ty có thể áp dụng đơn giản các công cụ dữ liệu lớn và phân tích vào dữ liệu doanh nghiệp và dữ liệu sẽ tiết lộ cơ hội cho họ. Điều này tiếc thay đã trở nên là một lỗi lầm, nhưng các công ty đã dành thời gian và cẩn thận để hiểu sâu về không gian vấn đề của họ trước khi áp dụng các công nghệ mới này đã có thể mở ra giá trị k hắng tin trong vấn đề này cũng sẽ đúng cho gen AI. Nâng cao sự hiểu biết Có một xu hướng ngày càng mạnh mẽ của các chuyên gia công nghệ thông tin tiếp tục giáo dục mình để có thêm kỹ năng khoa học dữ liệu và đưa ra các dự án gen AI một cách hiệu quả hơn trong tổ chức của mình; chính là trường hợp của tôi. Các chương trình học phổ thông khoa dữ liệu hiện nay được xây dựng để đồng thời đáp ứng nhu cầu của các tân sinh viên, các chuyên gia thuộc đời trung, và các giám đốc cấp cao. Chúng cũng cung cấp lợi ích được cải thiện và tăng cộng tác giữa kỹ sư công nghệ thông tin già dặn và nhân tài AI trong môi trường làm việc. Là cựu sinh viên mới của Trường Thông tin UC Berkeley, hầu hết lớp học của tôi là người trung niên, một nhóm mà chỉ có một số là các giám đốc cấp cao và phần còn lại là mới ra từ đại học. Mặc dù không bắt buộc cho sự thành công của gen AI, những chương trình này mang lại cơ hội tuyệt vời cho các chuyên gia công nghệ thông tin đã lập thành công hơn về các khái niệm dữ liệu kỹ thuật có thể làm cho gen AI hoạt động trong tổ chức của mình. Giống như mỗi công nghệ tiền thân của nó, gen AI đang tạo ra cả các cơ hội và thách thức mới. Kết nối khoảng cách đời già và hiểu biết giữa các chuyên gia công nghệ thông tin già dặn và tự nhiên mới AI yêu cầu một chiến lược cố ý. Bằng cách xem xét lời khuyên trên, các công ty có thể tự mình mạo mặt và đẩy mạnh làn sóng gen AI tiếp theo trong tổ chức của họ. Jeremiah Stone là Giám đốc Công nghệ của SnapLogic. DataDecisionMakers Chào mừng bạn đến cộng đồng VentureBeat! DataDecisionMakers là nơi các chuyên gia, bao gồm những người làm công việc dữ liệu kỹ thuật, có thể chia sẻ thông tin và đổi mới liên quan đến dữ liệu. Nếu bạn muốn đọc về các ý tưởng mới mẻ và thông tin cập nhật, các phương pháp tốt nhất và tương lai của dữ liệu và công nghệ dữ liệu, hãy tham gia chúng tôi tại DataDecisionMakers. Bạn thậm chí có thể xem xét việc viết một bài báo của riêng mình! Đọc Thêm Tại DataDecisionMakers #AI #Data #Innovation #Technology #DigitalTransformation #DataScience #GenAI #BusinessOutcome #Collaboration #DataDecisionMakers
Join our daily and weekly newsletters for the latest updates and exclusive content on industry-leading AI coverage. Learn More
Modern organizations are acutely aware of the need to effectively leverage generative AI to improve business operations and product competitiveness. According to research from Forrester, 85% of companies are experimenting with gen AI, and a KPMG U.S. study found that 65% of executives believe it will have, “a high or extremely high impact on their organization in the next three to five years, far above every other emerging technology.”
As with any new technology, the adoption and implementation of gen AI will undoubtedly pose challenges. Many organizations are already contending with tight budgets, overloaded teams and fewer resources; therefore businesses must be especially strategic as it pertains to gen AI onboarding.
One critical (yet oftentimes overlooked) facet to gen AI success is the people behind the technology in these projects and the dynamics that exist between them. To derive maximum value from the technology, organizations should form teams that combine the domain-specific knowledge of AI-native talent with the practical, hands-on experience of IT veterans. By nature, these teams often span different generations, disparate skill sets, and varying levels of business understanding.
Ensuring that AI experts and business technologists work together effectively is paramount, and will determine the success — or the shortcomings — of a company’s gen AI initiatives. Below, we’ll explore how these roles move the needle when it comes to the technology, and how they can best collaborate to drive positive business outcomes.
The role of IT veterans and AI-native talent in gen AI success
On average, 31% of an organization’s technology is made up of legacy systems. The more tenured, successful and complex a business is, the more likely that there is a large footprint of technology which was first introduced at least a decade ago.
Realizing the business promise of any new technology — including gen AI—hinges on an organization’s ability to first harvest the maximum amount of value from those existing investments. Doing so requires a high degree of contextual knowledge about the business; the likes of which only IT veterans possess. Their experience in legacy system management, coupled with a deep understanding of the business, creates the optimal environment for embedding gen AI into products and workflows while simultaneously upholding the company’s forward momentum.
Data science graduates and AI-native talent also bring critical skills to the table; namely proficiency in working with AI tools and the data engineering skills necessary to render those tools impactful. They have an in-depth understanding of how to apply AI techniques — whether that’s natural language processing (NLP), anomaly detection, predictive analytics or some other application — to an organization’s data. Perhaps most importantly, they understand which data should be applied to these tools, and they have the technical know-how to transform it so that it is consumable for said tools.
There are a few challenges organizations may experience as they incorporate new AI talent with their existing enterprise professionals. Below, we’ll explore these potential hurdles and how to mitigate them.
Making room for gen AI
The primary challenge organizations can expect to encounter as they create these new teams is resource scarcity. IT teams are already overloaded with the task of keeping existing systems running at optimal performance — asking them to reimagine their entire technology landscape to make room for gen AI is a tall order.
It could be tempting to sequester gen AI teams due to this lack of labor capacity, but then organizations run the risk of difficulty integrating the technology into their core application stacks down the line. Companies can’t expect to make meaningful strides with gen AI by isolating PhDs in a corner office that is disconnected from the business — it’s vital these teams work in tandem.
Organizations may need to adjust their expectations in the face of these changes: It would be unreasonable to expect IT to uphold its existing priorities while simultaneously learning to work with new team members and educating them on the business side of the equation. Companies will likely need to make some hard decisions around cutting and consolidating previous investments to create capacity from within for new gen AI initiatives.
Getting clear on the problem
When bringing on any new technology, it is essential to be exceedingly clear about the problem space. Teams must be in total agreement regarding the problem they’re solving, the outcome they’re seeking to achieve and what levers are required to unlock that outcome. They also need to be aligned on what the impediments between those levers are, and what will be required to overcome them.
An effective way to get teams on the same page is by creating an outcome map which clearly links the target outcome to supporting levers and impediments to ensure alignment of resources and expectation clarity on deliverables. In addition to covering the factors above, the outcome map should also address how each aspect will be measured in order to hold the team accountable to business impact via measurable metrics.
By drilling into the problem space instead of speculating about possible solutions, companies can avoid potential failures and excessive rework after the fact. This can be likened to the wasted investments observed during the big data boom about a decade ago: There was a notion that companies could simply apply big data and analytics tools to their enterprise data and the data would reveal opportunities to them. This unfortunately turned out to be a fallacy, but the companies that took the time and care to deeply understand their problem space before applying these new technologies were able to unlock unprecedented value — and the same will be true for gen AI.
Enhancing understanding
There’s a growing trend of IT professionals continuing their education to gain data science skills and more effectively drive gen AI initiatives within their organization; myself being one of them.
Today’s data science graduate programs are designed to simultaneously meet the needs of new college graduates, mid-career professionals and senior executives. They also provide the added benefit of improved understanding and collaboration between IT veterans and AI-native talent in the workplace.
As a recent graduate of UC Berkeley’s School of Information, the majority of my cohort were mid-career professionals, a handful were C-level executives and the remainder were fresh from undergrad. While not a requisite for gen AI success, these programs provide an excellent opportunity for established IT professionals to learn more about the technical data science concepts that will power gen AI within their organizations.
Like each of its technological predecessors, gen AI is creating both new opportunities and challenges. Bridging the generational and knowledge gaps that exist between veteran IT professionals and new AI talent requires an intentional strategy. By considering the advice above, companies can set themselves up for success and drive the next wave of gen AI innovation within their organizations.
Jeremiah Stone is CTO of SnapLogic.
DataDecisionMakers
Welcome to the VentureBeat community!
DataDecisionMakers is where experts, including the technical people doing data work, can share data-related insights and innovation.
If you want to read about cutting-edge ideas and up-to-date information, best practices, and the future of data and data tech, join us at DataDecisionMakers.
You might even consider contributing an article of your own!
Read More From DataDecisionMakers
