Är AI rätt passform för ditt bolag? Hur man närmar sig AI effektivt

Den här artikeln är hämtad från tidningen ”AI & Water management – What utilities need to know now.” Du hittar hela artikeln här.

AI blir ofta genomsyrad av känslan av att det kommer att lösa allt och fungera överallt. Och även om optimism om AI:s potential inom vattensektorn är viktig, vägs den bäst mot en hälsosam dos diskretion och fokus på de unika målen och prioriteringarna för enskilda allmännyttiga företag. Om allmännyttiga företag är intresserade av AI är det viktigt att lära sig mer om AI-applikationer och noga överväga de problem du behöver lösa, så när leverantörer kommer till dina organisationer med stora AI-löften är du redo att utvärdera om det är en lösning som verkligen överensstämmer med dina mål.

Med andra ord, börja med att identifiera ditt problem först och arbeta sedan bakåt till lämpligt verktyg, i motsats till att börja med en lösning på jakt efter ett problem.

Det finns många verktyg tillgängliga för vattensektorn som använder maskininlärning för att hjälpa allmännyttiga företag att lösa problem, och vi har lyft fram några av dessa applikationer ovan. I takt med att spänningen kring ChatGPT fortsätter kommer fler applikationer att utvecklas som är relevanta för vattenförsörjningssektorn. Här är några saker att tänka på.

En av ett bolags största tillgångar är dess data. Ett bolags data kan vara otroligt varierat och rikt men också fläckigt med luckor och av ojämn kvalitet samtidigt som det sprids ut över en organisation. Det kan finnas kunddata, användningsgrad, serviceavbrottsdata, finansiella data, väderdata, sociala data och sedan naturligtvis många data om nätverksbeteende och nätverkstillgångar. Problemet är att dessa data ofta isoleras mellan affärsenheter, särskilt i större organisationer. Vanligtvis utnyttjar organisationer inte sina data fullt ut mellan affärsenheter, ett vanligt problem i många branscher.

Det kan finnas betydande möjligheter med att visa data som en tillgång och använda den som ett tillgångssystem att generera insikter som kan utnyttjas för att förbättra beslutsfattande och kundupplevelse. Att komma till den punkt där data kan vara motorn som matar och driver AI kommer sannolikt att kräva betydande åtgärder för datahygien och dataförberedelse.

De bästa idéerna kan dö på vinstocken om de inte är ordentligt kapslade inom organisationskulturens dynamik, och det gäller även antagandet av AI-verktyg. Varje form av stor förändring, särskilt teknisk förändring, har en förändringshanteringsimplikation som vattensektorn måste erkänna och komma ihåg.

Tekniska förändringar i en organisation kan misslyckas och bli mycket kostsamma av ett antal skäl, som en organisation som inte tydligt identifierar och kommunicerar varför Det behövs en ny teknik och en tydlig färdplan för att mäta dess framgång. Dålig förändringshantering kan också förvärra anställdas motstånd mot förändringar, särskilt med AI-aktiverade verktyg som ofta väcker rädsla kring hotet om automatisering och eliminering av arbetstillfällen i arbetskraften.

Riskerar vattenorganisationer som motsätter sig AI-teknik att inte attrahera de nya talanger som vattensektorn otvetydigt kommer att behöva? Det är kanske fortfarande upp till debatt om yngre generationer kommer att välja organisationer som omfamnar AI framför andra som håller det på armlängds avstånd. Poängen är att budskapet som ett verktyg förmedlar till både sin befintliga och framtida arbetskraft om dess användning av framväxande teknik är något att överväga.

Medan AI kan verka mer skrämmande för små verktyg, kan mindre verktyg ha fördelen när det gäller att anta AI-verktyg snabbare än större organisationer. Helt enkelt på grund av att det är litet kan det finnas mindre silade data, och färre personer kan innebära enklare vänster-till-höger-synlighet i organisationens arbete, vilket skulle göra förändringshantering mindre av ett företag.

Med andra ord, medan större verktyg naturligtvis kan ha mer data och analys för att mata och driva AI-verktyg, kan de vara mindre smidiga när det gäller att faktiskt mobilisera sin organisation för att anta ny teknik. Ett mindre verktyg, även om de har ett datagap, kan vara i en bättre position för att snabbt överbrygga dessa luckor på grund av mindre byråkrati och färre människor att anpassa sig till den önskade teknikförändringen.

Allmännyttiga företag av alla storlekar bör dock närma sig denna nya era av artificiell intelligens med ett skarpt öga på de problem de vill lösa, tillsammans med relaterade överväganden, när de utforskar alternativ för att välja och distribuera relevanta AI-lösningar.

Qatium är samskapat med experter och tankeledare från vattenindustrin. Vi skapar innehåll för att hjälpa allmännyttiga företag i alla storlekar att möta nuvarande och framtida utmaningar.

Paul Fleming, VD för WaterValue and Water, Climate and Tech Advisor, är Qatium-rådgivare.