論文の概要: aiSTROM -- A roadmap for developing a successful AI strategy
- arxiv url: http://arxiv.org/abs/2107.06071v1
- Date: Fri, 25 Jun 2021 08:40:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 19:56:15.999556
- Title: aiSTROM -- A roadmap for developing a successful AI strategy
- Title(参考訳): aiSTROM -- AI戦略を成功させるロードマップ
- Authors: Dorien Herremans
- Abstract要約: Rackspace Technologyの最近の調査によると、AI研究開発プロジェクトの34%が失敗または放棄されている。
我々は、マネージャにAI戦略を成功させる新しい戦略フレームワーク、aiSTROMを提案する。
- 参考スコア(独自算出の注目度): 3.5788754401889014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A total of 34% of AI research and development projects fails or are
abandoned, according to a recent survey by Rackspace Technology of 1,870
companies. We propose a new strategic framework, aiSTROM, that empowers
managers to create a successful AI strategy based on a thorough literature
review. This provides a unique and integrated approach that guides managers and
lead developers through the various challenges in the implementation process.
In the aiSTROM framework, we start by identifying the top n potential projects
(typically 3-5). For each of those, seven areas of focus are thoroughly
analysed. These areas include creating a data strategy that takes into account
unique cross-departmental machine learning data requirements, security, and
legal requirements. aiSTROM then guides managers to think about how to put
together an interdisciplinary artificial intelligence (AI) implementation team
given the scarcity of AI talent. Once an AI team strategy has been established,
it needs to be positioned within the organization, either cross-departmental or
as a separate division. Other considerations include AI as a service (AIaas),
or outsourcing development. Looking at new technologies, we have to consider
challenges such as bias, legality of black-box-models, and keeping humans in
the loop. Next, like any project, we need value-based key performance
indicators (KPIs) to track and validate the progress. Depending on the
company's risk-strategy, a SWOT analysis (strengths, weaknesses, opportunities,
and threats) can help further classify the shortlisted projects. Finally, we
should make sure that our strategy includes continuous education of employees
to enable a culture of adoption. This unique and comprehensive framework offers
a valuable, literature supported, tool for managers and lead developers.
- Abstract(参考訳): 1,870社のRackspace Technologyによる最近の調査によると、AI研究開発プロジェクトの34%が失敗または放棄されている。
我々は、管理者が詳細な文献レビューに基づいてAI戦略を成功させるための新しい戦略フレームワーク、aiSTROMを提案する。
これは、マネージャと開発者を、実装プロセスのさまざまな課題を通じて導く、ユニークで統合されたアプローチを提供する。
aiSTROMフレームワークでは、まずトップnプロジェクト(典型的には3-5)を特定します。
それぞれ、焦点の7つの領域を徹底的に分析する。
これらの領域には、独自の部門間機械学習データ要件、セキュリティ、法的要件を考慮したデータ戦略の作成が含まれる。
そして、AI人材の不足を踏まえた学際的人工知能(AI)実装チームを編成する方法を考えるようマネージャに指示する。
AIチームの戦略が確立すれば、部門横断的あるいは独立した部門として、組織内に配置する必要があります。
その他には、AI as a service(AIaas)やアウトソーシング開発などがある。
新しい技術を見てみると、バイアス、ブラックボックスモデルの合法性、人間をループに留めるといった課題を考える必要がある。
次に、他のプロジェクトと同様に、進捗を追跡し検証するために価値ベースのキーパフォーマンス指標(KPI)が必要です。
企業のリスク戦略によって、SWOT分析(強度、弱点、機会、脅威)は、ショートリスト化されたプロジェクトをさらに分類するのに役立ちます。
最後に、採用の文化を実現するために、当社の戦略が従業員の継続的な教育を含むことを確実にすべきです。
このユニークで包括的なフレームワークは、マネージャとリードディベロッパに価値ある文学的サポートを提供する。
関連論文リスト
- A Comprehensive Survey of Artificial Intelligence Techniques for Talent
Analytics [49.53664196592719]
タレント分析は人的資源管理に応用されたデータ科学において有望な分野として現れてきた。
ビッグデータと人工知能技術の最近の発展は、人的資源管理に革命をもたらした。
論文 参考訳(メタデータ) (2023-07-03T07:53:20Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳(メタデータ) (2023-04-10T15:38:12Z) - OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。
この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。
マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
論文 参考訳(メタデータ) (2023-04-10T03:55:35Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳(メタデータ) (2023-01-08T15:02:38Z) - Towards AI-Empowered Crowdsourcing [27.0404686687184]
本稿では,AIを活用したクラウドソーシングをタスク委譲,労働者のモチベーション,品質管理の3分野に分けた分類法を提案する。
限界と洞察を議論し、これらの領域で研究を行う上での課題を整理し、将来有望な研究方向性を明らかにする。
論文 参考訳(メタデータ) (2022-12-28T05:06:55Z) - Do We Need Explainable AI in Companies? Investigation of Challenges,
Expectations, and Chances from Employees' Perspective [0.8057006406834467]
AIの使用は、企業とその従業員に対して、AIシステムの透明性と理解性を含む、新たな要件を提供する。
説明可能なAI(XAI)の分野は、これらの問題に対処することを目指している。
本報告では,(X)AIに対する従業員のニーズと態度について考察する。
論文 参考訳(メタデータ) (2022-10-07T13:11:28Z) - Responsible AI Implementation: A Human-centered Framework for
Accelerating the Innovation Process [0.8481798330936974]
本稿では,人工知能(AI)の実装に関する理論的枠組みを提案する。
提案されたフレームワークは、アジャイル共同創造プロセスのための相乗的ビジネス技術アプローチを強調している。
このフレームワークは,AIの人間中心の設計とアジャイル開発を通じて,信頼の確立と維持を重視している。
論文 参考訳(メタデータ) (2022-09-15T06:24:01Z) - Competency Model Approach to AI Literacy: Research-based Path from
Initial Framework to Model [0.0]
AIリテラシーの研究は、これらのスキルを開発するための効果的で実用的なプラットフォームにつながる可能性がある。
我々は、AI教育の実用的で有用なツールとして、AIリテラシーを開発するための経路を提案し、提唱する。
論文 参考訳(メタデータ) (2021-08-12T15:42:32Z) - The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。
Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。
これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
論文 参考訳(メタデータ) (2021-07-05T12:18:17Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳(メタデータ) (2021-05-07T12:01:31Z) - Enabling Design Methodologies and Future Trends forEdge AI:
Specialization and Co-design [37.54971466190214]
エッジAI開発スタック全体にまたがる、最新の可能な設計方法論に関する包括的な調査を提供する。
効率的なエッジAI開発のための重要な手法は、単層特殊化とクロス層共同設計である。
論文 参考訳(メタデータ) (2021-03-25T16:29:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。