Sztuczna inteligencja stała się bardzo popularna i mogłoby się wydawać, że rozwiązania stosowane w ramach AI (ang. artificial intelligence) są wdrażane w wielu firmach, szczególnie tych zajmujących się nowymi technologiami oraz w branży IT. Niestety, nieprawidłowe wykorzystywanie sztucznej inteligencji i nauki o danych sprawia, że oczekiwania firm często nie są spełniane, a projekty bywają anulowane, przez co nie prowadzą do opłacalnych rozwiązań.
Sztuczna inteligencja a data science
Scrum bywa najczęściej kojarzony z rozwojem oprogramowania. Charakteryzuje się ono ugruntowanymi praktykami dobrze rozumianym procesem. Obok branży IT, na bazie nauk takich jak matematyka i statystyka powstała dziedzina data science. Panuje mylne przekonanie, że narzędzia stosowane na gruncie IT developmentu nie pasują do rozwoju modeli sztucznej inteligencji, jednak okazuje się, że modele AI równie dobrze, jak rozwój oprogramowania, mogą być tworzone w Scrumie.
Scrum jest świetnym rozwiązaniem dla data science, ponieważ tak samo, jak zespoły developerskie, członkowie zespołów zajmujących się analizą danych składają się z inżynierów, ekonometrów i powinni opierać swoją współpracę na skutecznej komunikacji.
Komunikacja jest szczególnie istotna w obszarach skoncentrowanych na nauce, w których to, co jest znane jako modele empiryczne oparte na wynikach, służy do kwestionowania utartych schematów. Scrum ułatwia komunikację, ponieważ każdy Sprint skupia się na formułowaniu hipotez, czyli artykułowaniu inteligentnych domysłów, które są podstawą do podjęcia działań i oceny wyników. Zespoły analityki danych powinny nauczyć się zastępować swoje z góry wyznaczone cele pracą nad testowaniem hipotez.
Hipotezy są punktem wyjścia do badań naukowych. Framework Scrum działa w oparciu o podobną filozofię, co uprawianie nauki. Generowanie hipotez silnie kontrastuje z bardziej tradycyjnymi podejściami do zarządzania zaprojektowanymi w celu optymalizacji procesów. W odróżnieniu od standardowego podejścia, czyli optymalizacji procesów, która polega na przypisywaniu pracownikom, co i jak mają robić, SCRUM pozwala testować hipotezy w ramach iteracji. Optymalizacja procesów może być pomocna w przypadku stabilnych procesów biznesowych, które zostały ustandaryzowane pod kątem spójności. Dlatego złożone i skomplikowane procesy, które występują w data science nie poddają się automatyzacji – są zawsze niestabilne. Dzięki frameworkowi Scrum firmy zaspokajają potrzeby swoich pracowników, którzy chcą kierować działaniami – także tymi, które wiążą się z niepewnością i zmianami.
SCRUM jako narzędzie dla AI
SCRUM jest idealnym środowiskiem dla naukowców zajmujących się danymi, ponieważ powinni oni budować swoją pracę wokół myślenia hipotetycznego. Pozwalają na to iteracje oraz możliwość skutecznej komunikacji poprzez Sprinty. Kultura komunikacji jest najważniejszym elementem składowym skutecznego przekształcenia koncepcji proof of concept (PoC) w zmaterializowane wyniki. Metoda pracy polegająca na krótkookresowych przedsięwzięciach pozwala wykazać, że dany pomysł biznesowy jest słuszny i znajdzie w konkretnej firmie.