AI implementeren tijdens een wereldwijd tekort aan talent

C-suite-eisen voor de verspreiding van AI in de hele onderneming worden vaak bemoeilijkt door het gebrek aan beschikbaar talent en de vereiste vaardigheden om dergelijke implementaties uit te voeren. Budget is zelden de beperkende factor, vooral niet voor grotere organisaties. Wat ontbreekt zijn de mensen met de kennis en praktische vaardigheden om AI in een hele organisatie te testen en in te voeren.

Wanneer de juiste machine learning (ML)-modellen worden gecombineerd met de juiste use-cases, kan AI de klantenservice verbeteren, administratieve taken uitvoeren, enorme datasets analyseren en nog veel meer organisatorische functies uitvoeren in enorme hoeveelheden en met lage foutpercentages. Bedrijfsleiders weten dit. Toch worden ze tegengehouden om op basis van die kennis te handelen.

Nieuw onderzoek van SambaNova Systems heeft aangetoond dat wereldwijd slechts 18% van de organisaties AI uitrolt als een grootschalig initiatief op bedrijfsschaal. Evenzo meldt 59% van de IT-managers in het VK dat ze het budget hebben om extra middelen in te huren voor hun AI-teams, maar 82% zei dat inhuren in deze teams is een uitdaging.

Elk uur aan repetitieve taken dat kan worden verminderd door te automatiseren of uit te breiden met AI, is een uur dat werknemers kunnen besteden aan het verkrijgen van waarde door taken van hogere orde, lateraal denken. Bedrijven zien hoe hun concurrenten een concurrentievoordeel vinden wanneer ze grootschalige AI-programma’s testen, itereren en uitrollen, terwijl ze op zoek gaan naar alle AI- en ML-expertise die ze in de tussentijd kunnen aantrekken.

Deze vaardigheidscrisis is niet nieuw, noch verrassend, noch gemakkelijk op te lossen. Het is al jaren, zo niet decennia een probleem in de hele technische sector. In 2011, een PwC-onderzoek ontdekte dat meer dan 56% van de CEO’s zich zorgen maakte over een gebrek aan talent voor digitale functies. En meer dan een decennium later, 54% van de techleiders noemde het verwerven en behouden van talent de grootste bedreiging voor de bedrijfsgroei.

Het AI-tijdperk heeft dit probleem acuter gemaakt: het tempo van verandering overtreft wat eerder is gebeurd.

De vaardigheidscrisis wordt verergerd door de snelle veranderingen in AI-modellen

De uitdaging voor iedereen die in AI werkt en zijn vaardigheden up-to-date wil houden, is tweeledig. Ten eerste is het tempo van verandering adembenemend en lijkt het steeds sneller te gaan. Ten tweede, naarmate modellen groter worden, worden ze minder toegankelijk voor software-engineers om te trainen, aangezien grote modellen grote budgetten nodig hebben om te kunnen werken.

Het populairste onderwerp in AI zijn waarschijnlijk grote taalmodellen (LLM’s). Het eerste Generative Pre-trained Transformer (GPT)-model werd gelanceerd door AI openen in 2018 – die, als leerling voor algemene doeleinden, niet specifiek is opgeleid om de taken uit te voeren waar hij goed in is. Het model maakt gebruik van deep learning en kan taken uitvoeren zoals het samenvatten van tekst, het beantwoorden van vragen en het genereren van tekstuitvoer – en dit op een menselijk niveau. Het eerste model kwam vier jaar geleden uit, maar het gebruikte slechts 150 miljoen parameters (een dataset van minder dan een miljoen webpagina’s). De doorbraak voor GPT en grote taalmodellen kwam met GPT-3, dat in 2020 werd gelanceerd en 175 miljard parameters, meer dan duizend keer het aantal van het eerste GPT-model.

Sinds dit eerste GPT-model in grote talen van OpenAI (waarin aanzienlijke investeringen van Microsoft zijn gedaan), zijn er andere uitgebracht door Google, Meta en Alef Alpha. Het is geen toeval dat deze enorme technologiebedrijven achter grote LLM’s zitten: ze hebben enorm veel ervaring nodig om te trainen en te werken. GPT-3 is getraind op 45 terabyte aan gegevens en heeft waarschijnlijk miljoenen dollars gekost om het model te maken. Zelfs de onlangs uitgebrachte open-source LLM van BigScience, BLOEIENnam de gecombineerde inspanningen van meer dan 1.000 vrijwillige onderzoekers, $ 7 miljoen aan subsidies en toegang tot de Jean Zay-supercomputer in de buurt van Parijs.

Hoewel de concepten toegankelijk zijn, is het voor een doorsnee software-engineer veel moeilijker om praktijkervaring op te doen met de modellen vanwege de hoge kosten om ze uit te voeren.

De uitdaging om een ​​team op te bouwen

SambaNova-onderzoek ontdekte dat slechts één op de acht IT-leiders volledig toegeruste teams heeft met voldoende geschoolde werknemers om te leveren wat de C-suite vraagt. Nog eens een op de drie heeft moeite om aan de eisen te voldoen die aan hen worden gesteld. De rest (meer dan de helft) is niet in staat om de visie van de C-suite waar te maken met de mensen die ze hebben.

IT-leiders hebben het budget om personeel aan te nemen, maar werving en behoud blijken vaak een enorm complex en moeilijk proces te zijn. Technologiebedrijven zijn niet zozeer in een race om hardware of middelen als wel in een race om de knapste koppen. Als gevolg hiervan zijn die geesten een waardevolle hulpbron op zichzelf geworden.

Problemen die te maken hebben met aanbodtekorten zijn veelzijdig, vaak moeilijk te isoleren en overlappen elkaar. Een van de belangrijkste obstakels waarmee teams worden geconfronteerd die nieuw talent willen aannemen voor hun AI-initiatieven, en de oorzaak van dat gebrek, is dat AI als praktische discipline relatief nieuw is. Het is in theorie en praktijk bestudeerd zolang we de computer- en technische kennis hebben gehad om het te bereiken, maar formeel, academisch onderwijs is nog maar net wijdverbreid. Dit helpt de organisaties die nu een volledig gevormde, uitgebreide talentenpool nodig hebben niet.

Faculteitsmedewerkers met ervaring en opleiding in AI — zowel in theorie als in de praktijk — zijn moeilijk te verkrijgen voor universiteiten. Ondanks speculaties over de aantrekkingskracht van de technologiesector, blijven veel onderzoekers geïnteresseerd in de academische wereld. De enorme vraag naar cursussen en een relatief korte geschiedenis van afgestudeerden van zo’n nieuwe discipline drukken echter allemaal het aantal beschikbare professoren en vernauwen de talentenpijplijn.

Organisaties zullen dus niet alleen moeite hebben om de AI-vaardigheden aan te nemen die ze nodig hebben, maar ook degenen die op zoek zijn naar een opleiding in AI om deze vaardigheden te verwerven. Daarom moeten organisaties op zoek naar alternatieve manieren om hun AI/ML-doelen te bereiken.

Hoe bijscholing kan helpen talent van binnenuit te promoten

Er zijn manieren voor ingenieurs om hun kennis op het gebied van AI bij te scholen en uit te breiden. Er zijn een aantal open source projecten zoals TensorFlow (open source van Google) en Pytorch (open source van Meta).

Bijscholing, als praktijk en als werkplekbeleid, is net zo goed voor de werknemer als voor het bedrijf. De organisatie krijgt een toekomstbestendig personeelsbestand met bredere vaardigheden en interdisciplinaire AI-mogelijkheden, werkend met de nieuwste benaderingen en onderzoek om haar kennisbasis te verbeteren. Voor de werknemer zorgen ze ervoor dat hun vaardigheden zijn afgestemd op de huidige sectortrends en kunnen ze hun eigen loopbaan toekomstbestendig maken, waardoor ze zich voorbereiden op een lang leven in de branche.

Door te investeren in leerprogramma’s kunnen bedrijven helpen om enkele van de ernstiger gevolgen van de vaardigheidscrisis te verzachten. Deze programma’s kunnen de kloof overbruggen tussen het talent dat organisaties al hebben en het talent dat ze nodig hebben om modellen en ML-programma’s te implementeren die extra waarde kunnen creëren. Dit betekent een heel duidelijk beeld hebben van waar bijscholingsprogramma’s beginnen en eindigen: de vaardigheden die hun personeel graag zou willen hebben en hoe ze deze van binnenuit kunnen bevorderen.

Daarom fungeren ze, wanneer toptalent beschikbaar komt, als een aanvulling op een reeds functionerend AI-team, in plaats van als de basis voor een project dat op hen wacht.

Wanneer is uitbesteden de juiste keuze?

Er is natuurlijk nog een andere optie. Uitbesteding. Het hebben van een externe start-up of deskundige AI-bedrijfspartner met een onderneming kan hen helpen toegang te krijgen tot de waarde en kostenbesparingen van AI. Dit brengt echter een hele reeks problemen en overwegingen met zich mee. In sommige gevallen zal het de juiste optie zijn, maar er zijn nadelen die serieus moeten worden genomen.

De integratie van start-ups en andere ondernemingen binnen een corporate structuur verloopt niet altijd soepel: de startup-cultuur van ‘move fast, break things’ kan botsen met een meer doordachte, bureaucratische aanpak. Ook het verschil tussen kortetermijndenken en langetermijndenken kan naar voren komen, afhankelijk van de dynamiek van het partnerschap. In de regel zijn deze implementatieprojecten langetermijn- of kortetermijninvesteringen, en het is van vitaal belang om vroeg op één lijn te zitten, zodat tijdschema’s en prioriteiten duidelijk zijn.

Voor kleinere ondernemingen die weemoedig kijken naar de aantrekkingskracht die bedrijven als Google en Meta hebben om met sterren bezaaide AI-initiatieven te bouwen, is outsourcing een manier om hun eigen ontwikkeling te versnellen. Net zoals een kleine start-up een freelancer inhuurt voor webdesign, copywriting of financiën, kunnen mkb-bedrijven outsourcing gebruiken om snel en zonder hoge kosten vooraf de juiste AI-modellen te implementeren, naast de zekerheid van rendement op investering.

Wat dat betreft, zouden bedrijfsleiders rekening moeten houden met de technische effectiviteit van eventuele outsourcingpartners en hun specifieke maatstaven voor succes. Als een partner duidelijk kan definiëren en laten zien hoe effectief zijn modellen en algoritmen zijn, hoeveel hij met de gegevens kan doen en hoe lang het trainingsproces kan duren, toont dit aan dat er een gemeenschappelijke basis en verwachting is voor wat succes lijkt.

Gezien een historisch tekort aan AI-talent, moeten ondernemingen en teamleiders uiteindelijk de beslissingen nemen die bij hen passen. De kosten om in eigen beheer te gaan en uw eigen team vanaf de grond af op te bouwen, in een tijd waarin Big Tech-bedrijven zoals Google, Meta en anderen verwikkeld zijn in een touwtrekken voor ervaren werknemers, kunnen enorm duur en inefficiënt zijn . Maar geen twee projecten of bedrijven zijn gelijk, en alleen degenen met de gegevens binnen handbereik kunnen zeggen of ze hulp van buitenaf nodig hebben of niet.

Wat is de volgende stap voor AI-teams met te weinig middelen?

Ondernemingen en kleinere organisaties komen tot het besef dat de kleine modellen die voor verschillende doeleinden in het bedrijf zijn ingezet, onhandelbaar zijn geworden; ze zijn gefragmenteerd, geïsoleerd en vaak onbegrijpelijk voor iedereen behalve hun maker.

Als personeel vertrekt voor betere aanbiedingen, gunstigere arbeidsvoorwaarden of gewoon een verandering, worden hele processen en systemen achtergelaten. Bedrijven weten niet zeker of deze enorme hoeveelheden AI-modellen en hun gebruik kunnen worden gecontroleerd, en vaak bevriezen deze afwijkingen de modellen in de tijd. Net als bij een archeologische vondst wil niemand ze aanraken, anders breken ze.

De voordelen, heden en toekomst, van AI zijn overal om ons heen. We zien dagelijks de statistieken: miljarden dollars aan toegevoegde waarde, duizenden uren bespaard op administratieve taken en de ontwrichting van hele bedrijfstakken. De kloof tussen wat leidinggevenden op C-suite-niveau willen en wat ze kunnen hebben, is echter helaas groot – en dat begint met hun strijd om de juiste mensen aan te nemen.

De Britse regering heeft onlangs voorstellen gedaan voor een nieuw rulebook over AI, bovenop bestaande financieringstoewijzingen, om het VK echt te vestigen als een wereldwijde AI-hub. Om dat potentieel te realiseren, moet er meer worden gedaan. Dit begint op universitair niveau: de enorme vraag voeden met eersteklas cursussen, ervaren docenten en praktijkervaring met de modellen.

Maar bedrijven kunnen het zich niet altijd veroorloven om zo lang te wachten om de voordelen van AI te plukken, en met de vele opties die op korte termijn voor hen beschikbaar zijn, hoeven ze dat misschien ook niet te doen.

Marshall Choy is SVP van het product bij SambaNova Systems