AT&T meneroka amalan kolektif dalam sains data dan automasi

Saya percaya semua orang telah menyedari bahawa jika sesebuah organisasi ingin mempromosikan transformasinya sendiri melalui data dan teknologi, maka bergantung kepada pakar teknikal sahaja tidak mencukupi untuk mencapai matlamat. "Amatur" atau bukan profesional yang lain, mesti turut terlibat dalam pembangunan aplikasi, analisis data dan aliran kerja automatik. Banyak syarikat telah membuat percubaan mereka sendiri dalam penerokaan jenis ini, dan AT&T jelas lebih baik dalam menerokai keupayaan semua pekerja dan memanfaatkan usaha kolektif untuk menangani isu sains data dan automasi.

Pemikiran seperti ini datang daripada fakta yang kejam - tiada organisasi yang mempunyai saintis data profesional dan pakar automasi yang mencukupi, jadi ia tidak dapat menyelesaikan semua analisis dan kerja AI yang diperlukan untuk transformasi yang berjaya. Ketua pegawai data AT&T Andy Markus berkata gergasi telekomunikasi itu sedang berusaha untuk membenamkan AI dan automasi ke dalam teras perniagaannya. Selepas menghentikan WarnerMedia pada awal 2022, AT&T tidak lagi mempunyai atribut perniagaan hiburan dan telah menjadi syarikat telekomunikasi tulen, dengan banyak data dan bakat yang mampu mengekstrak cerapan maklumat. Mungkin penerokaan kolektif tidak sesuai untuk setiap syarikat, tetapi ia sememangnya sesuai untuk AT&T. Sebagai tambahan kepada beratus-ratus saintis data profesional dan pakar automasi, AT&T juga mempunyai lebih ramai pemaju biasa pada kakitangan.

Popularisasi sains data

AT&T sentiasa mempunyai budaya korporat yang mengutamakan data dan syarikat telah berusaha keras untuk menggalakkan pekerja menggunakan model pembelajaran mesin untuk menjalankan analisis data. Mark Austin, pengarah sains data, AI dan automasi di AT&T, berkata dalam temu bual bahawa matlamat syarikat adalah untuk menyokong semua aspek saluran paip pembelajaran mesin, termasuk mencari data yang sesuai, mendapatkan data, merekayasa data untuk membina fungsi yang diperlukan, mencipta model, Menggunakan model kepada pengeluaran, memantau prestasi model dari semasa ke semasa dan melaksanakan pengurusan model dengan berkesan. Seperti kebanyakan syarikat, tiga asas kandungan pertama menyumbang 80% daripada masa kerja pembangun, dan AT&T sedang berusaha keras untuk mengurangkan peratusan ini.

Untuk tujuan ini, AT&T telah bekerjasama dengan H2O.ai, penyedia perkhidmatan platform awan AI, untuk mewujudkan "stor" ciri untuk data sumber dan data terbitan yang biasa digunakan, sekali gus mengurangkan keperluan untuk menyusun data yang sangat memakan masa. Pakar sains data dan amatur sama-sama memuji keberkesanannya. Kurang daripada setahun selepas stor ciri dilancarkan, lebih 26,000 ciri telah dibuka kepada pengguna data profesional dan amatur. Di samping itu, model sains data sering dipadankan dengan projek Pinnacle, skim penyumberan ramai persaingan dalaman yang serupa dengan Kaggle. Austin menjelaskan bahawa mekanisme persaingan ini selalunya boleh meningkatkan prestasi model sebanyak hampir 30% secara purata. Proses ini bukan sahaja melibatkan satu siri penyelesaian autoML sumber ramai, tetapi juga menggabungkan algoritma dan penyepaduan inovatif daripada beratus-ratus saintis dan jurutera data AT&T.

Mempopularkan automasi popular

AT&T mula mempromosikan automasi perniagaan melalui teknologi automasi proses robotik seawal 2015. Sejak itu, syarikat itu telah meletakkan lebih daripada 3,000 robot ke dalam persekitaran pengeluaran. Selepas tahun pertama percubaan, AT&T menubuhkan Pusat Kecemerlangan Automasi (ACoE) pertamanya, yang kini menggaji 20 pekerja sepenuh masa dan berbilang kontraktor. Tetapi penerokaan automasi syarikat tidak akan meningkat dengan cepat tanpa penyertaan aktif pekerja berpangkat dan fail. Austin membuat susulan pada setiap projek dengan teliti dan terkejut apabila mendapati sehingga 92% pelaksanaan RPA berlaku di luar pusat kecemerlangan.

Dari masa ke masa, automasi proses telah mencipta nilai yang luar biasa untuk AT&T. Austin berkata bahawa gabungan fleksibel penyelesaian pelaksanaan robot menjimatkan kira-kira 17 juta minit operasi manual setiap tahun, menjana ratusan juta dolar dalam purata pendapatan tahunan, dan mencapai nisbah pulangan pelaburan sehingga 20 kali ganda.

Analisis dan AI juga merupakan projek yang Austin bertanggungjawab, dan dia juga tidak sabar-sabar untuk menantikan peluang untuk menyepadukan pembelajaran mesin dan fungsi AI ke dalam automasi proses robotik. Pasukannya telah membina pelbagai pelaksanaan RPA yang meliputi pemprosesan bahasa semula jadi, pengecaman aksara optik (OCR) dan pembuatan keputusan berasaskan pembelajaran mesin. Terdapat banyak syarikat yang suka bercakap tentang "automasi pintar", tetapi AT&T ialah salah satu daripada beberapa syarikat yang sebenarnya boleh mencapai matlamat ini.

Memupuk keupayaan teknikal pekerja

AT&T telah menyedari bahawa penerokaan kolektif sains data dan pembangunan automasi tidak boleh dipisahkan daripada keupayaan teknikal yang diperlukan dan sokongan sumber. Dalam sains data, syarikat itu telah membangunkan infrastruktur teknikal yang luas untuk membantu peserta profesional dan amatur menyertai pasukan penyelidikan pembelajaran mesin automatik. Ia termasuk ciri-ciri berikut:

• Gunakan sehingga tujuh alatan autoML berbeza secara serentak dan bersaing antara alatan untuk melihat pilihan yang menghasilkan model kualiti tertinggi
• Sesetengah alatan autoML boleh mengambil bahagian secara langsung dalam penggunaan pengeluaran model terpilih;
• Boleh; menganalisis pelbagai set data yang boleh digunakan semula melalui pembelajaran mesin; data dan AI (secara tradisinya dikenali sebagai MLOps), tetapi juga menjejaki keseluruhan set aktiviti dalam keseluruhan saluran perniagaan (aplikasi, panggilan API, dll.).

Dari segi automasi teknikal, AT&T menggunakan Microsoft Power Automate sebagai penanda aras alat, yang sangat merendahkan ambang untuk penyertaan universal. Alat ini boleh disepadukan dengan alat Microsoft Office, PowerBI dan juga model pembelajaran mesin Azure. AT&T juga mengekalkan pasaran robot "Bot Marketplace", di mana pekerja biasa boleh memilih penyelesaian automasi yang dibangunkan dan mendapatkan panduan konfigurasi daripada Pusat Kecemerlangan Automasi apabila perlu. Setiap bulan, kira-kira 75 komponen automasi boleh guna semula baharu ditambah ke pasaran.

Memupuk keupayaan manusia

AT&T juga giat mempromosikan pembinaan komuniti dan memfokuskan pada asas manusia untuk penerokaan kolektif sains data dan automasi. Dari segi sains data, syarikat itu telah menubuhkan "Forum Popular AI" untuk menganjurkan demonstrasi dalam talian setiap minggu, berkongsi penyelesaian kepada masalah tertentu, dan mengumumkan fungsi yang dibangunkan kepada peserta. Acara ini menarik kira-kira 200 pekerja setiap minggu, yang kebanyakannya bukan saintis data profesional dan ramai daripada mereka tidak tahu cara membuat kod. AT&T juga telah menyusun satu set bahan latihan dalam talian yang merangkumi semua aspek sains data, dengan sejumlah 575 kursus untuk dipilih, dan menyediakan pensijilan rasmi untuk pelbagai alatan vendor.

Pembinaan komuniti automasi adalah terutamanya untuk menyediakan 40 jam kursus latihan untuk pekerja yang ingin mengambil bahagian. Di samping itu, Pusat Kecemerlangan Automasi menganjurkan "Sidang Kemuncak Automasi" tahunan untuk pasukan dalaman mempamerkan dan berkongsi projek automasi mereka.

Pada masa ini, sesetengah perusahaan dan pembangun AI profesional masih ragu-ragu tentang peranan peserta biasa dalam pembinaan model dan penyelesaian automasi. Walau bagaimanapun, AT&T telah membuktikan dengan tindakan sebenar bahawa selagi ia menyediakan pekerja biasa dengan alat dan sumber yang betul, ia akan dapat mewujudkan kebolehlaksanaan dan mencipta nilai ekonomi. Menghadapi pasaran buruh sains data dan automasi yang ketat, AT&T membuktikan bahawa strategi onboarding yang dirancang dengan baik boleh mencipta bakat pengganti untuk mengisi jurang.

Atas ialah kandungan terperinci AT&T meneroka amalan kolektif dalam sains data dan automasi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!