URN_NBN_SI_DOC-RKSH48DC

SIR * IUS, september 2020 74 niso odgovorni sami razvijalci, mora pa vodja razvoja nanje opozarjati vodstvo podjetja. 3.1.1. (N E ) PODPORA VODSTVA Razvoj in vpeljava rešitev umetne inteligence v poslovni proces kateregakoli podjetja za sabo neločljivo potegne tudi spremembo načina vedenja in delovanja. Ena glavnih vlog vodstva, poleg tega, da že s sprejemom strategije pokaže svojo zavezanost tovrstni vpeljavi, je podpora in spodbujanje razvoja. Ob tem se morajo posamezni vodje, oboroženi s spoznanji in vpogledi iz zgrajenih modelov znanja, naučiti sprejemati več odločitev sami, pri čemer najvišje vodstvo določa le glavne usmeritve in se po potrebi vmeša le, ko se pojavijo izjeme. Za demokratizacijo uporabe analitike, ki bo zagotovila napredovanje s potrebnimi veščinami in spodbujanjem souporabe podatkov, je seveda potreben določen čas. 3.1.2. P OMANJKANJE ( DOBRIH ) KADROV Pomanjkanje strokovnjakov strojnega učenja je še vedno očiten izziv in potreba po zaposlenih, ki lahko vodijo in ključno prispevajo k razvoju in vpeljavi inteligentnih rešitev, je vse večja. Zaposlovanje in obdržanje iskanih strokovnjakov je postalo pomembno za številne uspešne organizacije. Podatkovni znanstveniki in inženirji strojnega učenja potrebujejo edinstveno mešanico talenta in znanj s področij računalništva in informatike, matematike in statistike ter ustreznega domenskega znanja. Prepričanje, da je razvoj rešitev umetne inteligence pač še eno izmed številnih področij, in pričakovanje, da ga bodo obstoječi programski inženirji uspešno rešili tudi brez specialnih znanj, sta najhujši napaki, ki ju lahko stori vodstvo. Če se hočemo temu problemu izogniti, je nujno v razvojno skupino uvrstiti ustrezno usposobljene strokovnjake, ki morajo biti poleg obvladovanja tehnične plati sposobni razumeti še poslovne razloge za razvoj. 3.1.3. P OMANJKANJE ( DOBRIH ) PODATKOV Čeprav se na strojno učenje praviloma gleda kot na postopek izboljševanja algoritmov, pa je kruta resnica, da se večina časa porabi za pripravo podatkov in zagotavljanje njihove kakovosti. Kakovost podatkov je namreč bistvena za pridobivanje točnih rezultatov iz zgrajenih napovednih modelov. Z vidika kakovosti podatkov so predvsem problematični naslednji vidiki: • Šum v podatkih – podatki vsebujejo veliko nasprotujočih si ali zavajajočih informacij. • Umazani podatki vsebujejo manjkajoče vrednosti, kategorične atribute z mnogimi ravnmi ter neskladne in napačne vrednosti.