Jako duży dostawca usług technologicznych działający w wielu branżach, Infosys jest jedną z marek, które szybko przychodzą na myśl, gdy decydenci rozważają możliwych partnerów do konsultacji i praktycznego wdrażania dowolnego projektu AI – czy to punktowego, czy ogólnoorganizacyjnego. Infosys dostarcza te usługi za pośrednictwem swojego rozwiązania Topaz Fabric, wykorzystując partnerstwa z konkretnymi dostawcami technologii AI.
Firma informuje, że obecnie pracuje nad wdrożeniami AI z 90% swoich 200 najważniejszych klientów i ma w toku ponad 4600 projektów AI. Strategia firmy dotycząca wdrażania sztucznej inteligencji w całej organizacji uwzględnia sześć obszarów, na które projekty mają wpływ i które są w nich rozważane.
Strategia i inżynieria AI koncentruje się na projektowaniu i wdrażaniu strategii oraz architektur AI dostosowanych do konkretnych celów biznesowych. Obejmuje to orkiestrację agentów AI, autorskich platform oraz narzędzi firm trzecich na infrastrukturze specjalnie skonfigurowanej pod obciążenia generowane przez sztuczną inteligencję. Nadrzędna strategia ma prowadzić do spójnego, korporacyjnego modelu operacyjnego stawiającego AI na pierwszym miejscu (AI-first).
Dane dla AI dotyczą przygotowania danych przedsiębiorstwa, obejmując zarówno dane ustrukturyzowane, jak i nieustrukturyzowane, a procesy w tym obszarze zawierają rozwój platform danych gotowych na AI. Infosys odnosi się do praktyk inżynierii danych „klasy AI”, takich jak cyfrowe odciski palców danych (data fingerprinting) oraz usługi generowania syntetycznych danych treningowych. Zamiarem jest przekształcenie odizolowanych zasobów danych (silosów) w niezawodne dane wejściowe dla systemów analitycznych i predykcyjnych.
Procesowe AI koncentruje się na integracji agentów AI z procesami biznesowymi, przeprojektowując przepływy pracy, jeśli jest to konieczne, aby agenci AI i pracownicy mogli lepiej ze sobą współpracować. Celem jest ogólna poprawa wydajności operacyjnej, niezależnie od funkcji biznesowej.
Modernizacja systemów starszego typu (Legacy modernisation) wykorzystuje agentów AI do analizy i interpretacji istniejącego stosu technologicznego oraz potencjalnie do inżynierii wstecznej starych systemów, aby lepiej przygotować grunt pod projekty modernizacji AI. Ogólnym celem jest redukcja długu technologicznego i zapewnienie większej responsywności, gdy potencjał AI zostanie w pełni uwolniony.
Fizyczne AI rozciąga się na produkty i urządzenia w miejscu pracy. Wiąże się to z osadzaniem AI w systemach sprzętowych, takich jak te, które zbierają dane z czujników, interpretują je i podejmują działania w świecie fizycznym. Ta szeroka definicja obejmuje cyfrowe bliźniaki, robotykę, systemy autonomiczne oraz przetwarzanie brzegowe (edge computing). W skrócie jest to integracja cyfrowej inteligencji i operacji fizycznych.
Zaufanie do AI (AI trust) obejmuje nadzór (governance), bezpieczeństwo i etykę, a także uwzględnia ramy oceny ryzyka, opracowywanie polityk, testowanie AI oraz ogólne zarządzanie cyklem życia technologii.
Lekcje dla liderów biznesu
Chociaż liderzy biznesu mogą już współpracować z innymi dostawcami usług niż Infosys, strategia firmy polegająca na wyznaczaniu niezbędnych obszarów działania dla wdrożeń AI oferuje znaczącą wartość. Sześć opisanych obszarów dostarcza praktycznych punktów odniesienia, które mogą być wykorzystane w każdej organizacji do planowania projektów lub monitorowania i oceny trwających wysiłków wdrożeniowych.
Wśród nich przygotowanie danych jest kluczowe. Systemy AI zależą od jakości i spójności danych, więc inwestycja w platformy danych, zarządzanie danymi (data governance) i praktyki inżynieryjne wspierające modele jest centralną zasadą, na której budowane są inicjatywy AI.
Osadzanie AI w przepływach pracy oznacza, że czasami konieczne jest przeprojektowanie sposobu pracy pracowników. Liderzy powinni być świadomi, jak agenci AI i pracownicy wchodzą w interakcje, oraz mierzyć poprawę wydajności. Zmiany mogą dotyczyć zarówno wdrażanych technologii, jak i metod pracy, które istniały do tej pory. W przypadku tych drugich konieczne będzie przekwalifikowanie i edukacja dotkniętych pracowników, co wiąże się z dodatkowymi kosztami.
Kwestia systemów starszego typu (legacy) wymaga szczególnej uwagi, ponieważ wiele organizacji operuje na złożonych zasobach, które ograniczają zwinność niezbędną dla AI do poprawy operacji. Same narzędzia AI mogą pomóc w analizie istniejących zależności, a nawet w planowaniu modernizacji, wdrażanej idealnie w kilku etapach lub w oddzielnych sprintach.
Operacje fizyczne coraz częściej przecinają się z systemami cyfrowymi. Dla firm oferujących produkty fizyczne, na przykład w produkcji czy logistyce, osadzanie AI w urządzeniach i sprzęcie może poprawić monitorowanie i responsywność urządzeń. Będzie to wymagało koordynacji między zespołami IT, OT (technologii operacyjnej), inżynierii i operacyjnymi, a liderzy poszczególnych pionów biznesowych powinni być szczególnie konsultowani.
Nadzór (governance) powinien towarzyszyć wdrożeniu AI na każdą skalę. Ocena ryzyka, testy bezpieczeństwa, formułowanie polityki bezpieczeństwa i projektowanie specyficznych dla AI barier ochronnych (guardrails) powinny być ustalone na wczesnym etapie. Kontrola regulacyjna nad AI rośnie, szczególnie w sektorach przetwarzających wrażliwe dane, a kary ustawowe mają zastosowanie za utratę danych lub niewłaściwe zarządzanie nimi, niezależnie od ich źródła – AI czy innego – w przedsiębiorstwie. Jasne struktury odpowiedzialności i dokumentacja zmniejszają te ryzyka dla operacji i reputacji.
Biorąc to wszystko pod uwagę, obszary te wskazują, że wdrożenie AI ma charakter organizacyjny, a nie czysto techniczny. Sukces zależy od zgrania kadry zarządzającej, trwałych inwestycji i realistycznej oceny wszelkich luk w kompetencjach. Twierdzenia o błyskawicznej transformacji powinny być traktowane ostrożnie, a trwałe wyniki są bardziej prawdopodobne, gdy strategia, dane, projektowanie procesów, modernizacja, integracja operacyjna i nadzór są realizowane równolegle.
