Enterprise AI imebadilika. Miaka michache iliyopita, kushawishi uongozi hata kujaribu machine learning ilikuwa vita vigumu. Sasa bajeti zipo. Miradi ya majaribio inaruhusiwa. Matumizi yanajaa kwenye mipango ya kazi. Hata hivyo, miradi mingi kati ya hii huishia kuwa majaribio ghali ambayo hayabadilishi jinsi biashara inavyoendeshwa haswa. Miundo (models) iko sawa. Tatizo ni kila kitu kingine.
Mahali Miradi ya Majaribio Inapokufa
Kila mtu anapenda onyesho (demo). Kielelezo (prototype) kinatabiri upotevu wa wateja (churn) kwa usahihi wa ajabu. Bodi inatikisa kichwa. Fedha zinaingia. Kisha ukimya. Uthibitisho wa dhana (proof of concept) unaidhinishwa, lakini maendeleo yanasimama. Nini kilitokea?
Timu za biashara zinatazama dashibodi na haziwezi kuelewa jinsi inavyoendana na mtiririko wao wa kazi wa kila siku. Mtiririko wa data (data pipeline) uliolisha modeli ulikuwa wa kuchukua kwa mkono mara moja tu ambao hakuna anayemiliki. Sheria za uzingatiaji (compliance) zinabadilika katikati. Mfumo unahitaji data safi ambazo CRM haijawahi kuzalisha. AI inafanya kazi kwenye notebook. Shirika halijui la kufanya nayo.
Hii ni kushindwa kwa utoaji. Modeli inayopata usahihi wa asilimia 95 inaweza kushinda mashindano ya hackathon. Lakini ikiwa asilimia tano zilizobaki zitasababisha usumbufu wa ukaguzi au ukiukaji wa usalama, uendeshaji utauzimia. Wahandisi wanasherehekea hatua za kiufundi. Vitengo vya biashara vinasubiri matokeo ambayo hayafiki kamwe. Pengo kati ya hivyo viwili ndipo miradi inapokufa.
Pengo la Tafsiri
Iite jina lake halisi. Watendaji wanataka ukuaji wa mapato au upunguzaji wa gharama. Idara ya uendeshaji inataka kasi bila vurugu. Timu za data zinataka miundo (schemas) inayoeleweka. Wahandisi wanataka utendaji wa mara kwa mara (uptime) na API safi. Hakuna katika matakwa haya yanayopatana kiasili.
Bila kuongozwa, kila kikundi kinaboresha kitu tofauti. Mhandisi anaweza kutumia wiki kadhaa kupunguza ucheleweshaji (latency) kwenye kituo cha utabiri (prediction endpoint) wakati timu ya mauzo bado inatoa kila kitu kwenye Excel kwa sababu UI inawachanganya. Mwanasayansi wa data anaweza kuzama kwenye desimali ya nne ya AUC wakati timu ya ghala imekuwa ikirekodi data zisizojulikana (nulls) kwenye uwanja muhimu kwa miezi sita. Hakuna aliyekosea. Wanazungumza lugha tofauti tu.
Kutokuelewana huku ndiyo sababu kubwa zaidi inayofanya AI isimame baada ya hatua ya majaribio. Si uhaba wa GPU. Si ukosefu wa wataalamu wa PhD. Ni kutokuwepo kwa mtu anayeweza kukaa kati ya vikundi hivi na kujenga uhalisia wa pamoja.
Kile Ambacho Wahandisi wa Forward Deployed (FDE) Hufanya Hasa
Wahandisi wa Forward Deployed (FDE) ndio daraja hilo. Hawachukui nafasi ya wanasayansi wenu wa data au wahandisi wa mifumo (platform engineers). Wanafanya kazi katika timu za biashara, uhandisi, data, na bidhaa ili kurekebisha msuguano wa shirika unaoua teknolojia kabla hata haijatolewa.
FDE anapoingia kwenye mradi, anaanza kwa kuuliza maswali magumu. Asubuhi ya Jumanne yenye mafanikio inaonekanaje kwa mtu anayetumia zana hii? Mifumo mingine mitatu ya zamani (legacy systems) ndiyo inayolisha mtiririko huu wa data? Nini kinatokea kwenye mchakato ikiwa modeli itakosea? Wanatafsiri majibu kuwa maamuzi ya kiufundi ili timu zisipoteze miezi mingi kujenga suluhisho lisilo sahihi.
Katika kazi ya kawaida, FDE atafanya yafuatayo:
- Kufafanua malengo na wadau badala ya kukubali maagizo yasiyo na uwazi
- Kupitia mchakato wa kazi ili kupata vikwazo ambavyo hakuna tiketi ya Jira inayoweza kuvielezea
- Kutambua utegemezi wa data ambayo nyaraka zilizopo zilisahau
- Kutafsiri mahitaji hayo kuwa maamuzi madhubuti ya kiufundi
- Kuhakiki dhana mapema, mara nyingi kwa kujiunga na simu na timu ya uendeshaji itakayopokea matokeo
FDE wanatatua matatizo ya shirika, si tu matatizo ya kiufundi. Wanaweza kugundua kuwa meneja wa uendeshaji hamuamini modeli kwa sababu hakuwashirikishwa katika uteuzi wa data ya mafunzo. Hivyo wanajenga mzunguko wa mrejesho (feedback loop) ambao anauelewa kweli. Wanaweza kuona kuwa mtiririko wa kazi unahitaji idhini mbili ambazo mfumo mpya unazipuuza, na wanarekebisha mpito huo badala ya kulazimisha zana kwenye mchakato uliovunjika.
Pima Utekelezaji, Sio Usahihi Tu
Programu za AI zenye mafanikio zaidi hufuatilia kipimo tofauti. Vipimo vya modeli bado ni muhimu, lakini viashiria halisi viko hatua za mwisho. Je, watu wanatumia