AI dla ludzi i firmy. Potencjał sztucznej inteligencji w biznesie Katowice

Przedsiębiorstwa z branży technologicznej ciągle mierzą się z silną konkurencją. Nietrudno zrozumieć, co stanowi o przewadze firmy niezależnie od branży czy wielkości. Wygrywanie wymaga utrzymywania przewagi konkurencyjnej, jaką jest zdolność określania, wdrażania i osiągania poziomów wydajności nieosiągalnych dla konkurencji. Najczęściej przewaga konkurencyjna ma dwa źródła. Pierwszym jest dostarczanie funkcjonalnych rozwiązań, które dają radość użytkownikom. Drugim - wykorzystywanie właściwych danych do wdrażania odpowiedniej strategii, która wciąż podlega optymalizacji. Zastosowanie w tych działaniach rozwiązań z dziedziny sztucznej inteligencji znacznie przyczynia się do sukcesu firmy. To praktyczny przewodnik dla osób zainteresowanych wykorzystaniem AI w przedsiębiorstwie. Wyjaśniono tu dokładnie, czym jest AI i jakie kluczowe koncepcje się z nią wiążą, pokazano, w jaki sposób należy identyfikować związane z nią szanse, a także przedstawiono innowacyjny model AIPB, prezentujący całościowe podejście do prowadzenia inicjatyw AI. Opisano zasady tworzenia udanych strategii AI, które przynoszą korzyści zarówno pojedynczym osobom, jak i firmie. Istotną częścią książki są wskazówki dotyczące ryzyka, kluczowych kwestii, kompromisów i ograniczeń związanych z projektami AI. Podkreślono również znaczenie kierownictwa wykonawczego w innowacyjnych przedsięwzięciach związanych ze sztuczną inteligencją. W tej książce: koncepcje sztucznej inteligencji oraz potencjał AI dla biznesu wprowadzenie do modelu AIPB i przykłady zastosowań pogłębiona dyskusja na temat celów wdrażania rozwiązań AI koncepcja dojrzałości wobec sztucznej inteligencji i otwieranie się na innowacje budowa skutecznej strategii wdrażania AI przyszłość AI dla przedsiębiorstw: oczekiwania i zagrożenia AI: zmaterializuj swoje marzenia i nadzieje! Spis treści: Przedmowa 11 CZĘŚĆ I. MODEL AI DLA LUDZI I FIRMY 1. Sukces a sztuczna inteligencja 21 Wyścig po sukces biznesowy 21 Dlaczego projekty AI upadają? 24 Dlaczego projekty AI odnoszą sukces? 25 Wykorzystanie siły AI do zwycięstwa 27 2. Wprowadzenie do modelu AIPB 29 Ogólny model innowacji 30 Pseudokomponent korzyści AIPB 31 Istniejące modele i brakujące elementy układanki 33 Korzyści z AIPB 34 Podsumowanie 40 3. Podstawowe komponenty modelu AIPB 41 Analogia do agile 41 Eksperci 44 Kategorie procesów w modelu AIPB oraz zalecane metody 48 Kategoria oceny 49 Kategoria metodologii 52 Model odwróconej klasy 70 Podsumowanie 71 4. AI i uczenie maszynowe - przegląd nietechniczny 73 Czym jest data science i czym zajmują się specjaliści data science? 73 Definicja uczenia maszynowego i jego charakterystyka 75 Sposoby uczenia się maszyn 77 Definicja i zagadnienia związane ze sztuczną inteligencją 80 Typy sztucznej inteligencji 81 Nauka jak u ludzi 84 Mordercze maszyny i gwiazdy jednego przeboju 85 Dane napędzające AI 89 Uwaga na temat przyczyny i skutku 100 Podsumowanie 101 5. Rzeczywiste zastosowania i szanse 103 Szanse dla sztucznej inteligencji 103 Jak mogę wykorzystać AI w biznesowej rzeczywistości? 104 Realne zastosowania i przykłady 107 Podsumowanie 128 CZĘŚĆ II. TWORZENIE WIZJI SZTUCZNEJ INTELIGENCJI 6. Waga właściwych powodów 131 Zacznij od dlaczego 131 Kierowanie produktem i perspektywa 133 Przywództwo i tworzenie wspólnej wizji oraz zrozumienia 133 Podsumowanie 135 7. Wyznaczanie celów ludziom i firmie 137 Określenie interesariuszy i ich celów 137 Cele w podziale na interesariuszy 140 Podsumowanie 153 8. Co sprawia, że produkty są dobre 155 Waga kontra satysfakcja 155 Cztery składniki dobrego produktu 157 Netflix i to, co liczy się najbardziej 169 Lean i metodologie zwinne 170 Podsumowanie 172 9. Sztuczna inteligencja w służbie lepszych wrażeń 175 Definicja wrażeń 176 Wpływ sztucznej inteligencji na ludzkie wrażenia 176 Interfejsy wrażeń 186 Ekonomia doświadczeń 187 Myślenie projektowe 188 Podsumowanie 191 10. Przykład wizji AI 193 Odczuwanie i postrzeganie czasoprzestrzenne 194 Smak kierowany sztuczną inteligencją 195 Deklaracja wizji w modelu AIPB 197 CZĘŚĆ III. TWORZENIE STRATEGII AI 11. Innowacja naukowa a sukces z AI 201 Sztuczna inteligencja jako nauka 202 Model TCPR 205 Analogia do modelu TCPR 208 Analogia do zależności od danych 210 Podsumowanie 210 12. Gotowość i dojrzałość do AI 213 Gotowość na AI 214 Dojrzałość do AI 228 Podsumowanie 234 13. Kluczowe kwestie do rozważenia w kontekście AI 235 Szum wokół AI kontra rzeczywistość AI 236 Testowanie ryzykownych założeń 238 Ocena technicznej wykonalności 240 Zdobycie, utrzymanie i przygotowanie talentów 241 Zbuduj kontra zrób 244 Ograniczenie odpowiedzialności 246 Ograniczenie stronniczości i waga integracji 251 Zarządzanie oczekiwaniami pracowników 252 Zarządzanie oczekiwaniami klienta 253 Zapewnienie jakości (QA) 254 Miary sukcesu 256 Bycie na bieżąco 258 AI na produkcji 259 Podsumowanie 259 14. Przykład strategii AI 261 Wstęp do przykładu z podcastem 261 Powtórka z fazy strategii modelu AIPB 262 Tworzenie strategii rozwiązania w modelu AIPB 263 Tworzenie planu w modelu AIPB 264 CZĘŚĆ IV. UWAGI KOŃCOWE 15. Wpływ AI na rynek pracy 271 AI, przebranżowienie i luki w umiejętnościach 271 Luki w umiejętnościach i nowe stanowiska 273 Umiejętności jutra 276 Przyszłość automatyzacji, rynku pracy i gospodarki 277 Podsumowanie 278 16. Przyszłość AI 279 AI i przywództwo 279 Czego oczekiwać i na co uważać 282 Podsumowanie 294 A. Algorytmy AI i uczenia maszynowego 297 Parametryzowane i nieparametryzowane uczenie maszynowe 298 Jak uczy się model uczenia maszynowego 299 Przegląd biologicznych sieci neuronowych 301 Wprowadzenie do sztucznych sieci neuronowych 303 Wprowadzenie do uczenia głębokiego 306 Zastosowania uczenia głębokiego 309 Podsumowanie 310 B. Proces AI 311 Model GABDO 311 Określenie celów 313 Gromadzenie 316 Budowanie 317 Dostarczanie 321 Optymalizowanie 322 Podsumowanie 325 C. AI na produkcji 327 Środowisko produkcyjne kontra środowisko deweloperskie 327 Wytwarzanie lokalne i zdalne 329 Skalowalność produkcji 330 Uczenie i utrzymanie rozwiązania 331 Bibliografia 333 O autorze: Alex Castrounis - przedsiębiorca, założyciel firmy konsultingowej InnoArchiTech, ekspert w dziedzinie wdrażania innowacji i zarządzania produktem. Szczególną biegłość zdobył w zakresie data science i zaawansowanej analityki. Jest również doświadczonym mówcą i wykładowcą, znanym z wyjątkowo zrozumiałego stylu przekazywania informacji o data science i analizie danych w biznesie. Mieszka w Chicago w stanie Illinois.