Nella ricerca di quel partner,IBM Consulting si è distinta dalla concorrenza: vantava una comprovata esperienza di collaborazione con Wintershall Dea su progetti precedenti, oltre a una vasta esperienza nell'aiutare altri clienti a sviluppare le proprie funzionalità di AI su larga scala.
Inoltre, IBM aveva stretto una partnership strategica con Microsoft e Wintershall Dea stava già utilizzando Microsoft Azure per la sua piattaforma dati. IBM è stata in grado di adattare la sua metodologiaIBM AI@Scaleper adattarsi alla piattaforma esistente e apportare le competenze Microsoft secondo necessità.
Fin dall'inizio, la collaborazione tra IBM e Wintershall Dea è stata perfetta. "In realtà il processo è stato molto semplice," afferma Lorang. "Abbiamo costruito un team. Non c'è mai stata una grande distinzione tra le due aziende. Avevamo un obiettivo comune e abbiamo lavorato insieme per raggiungerlo."
Nell'implementazione di IBM AI@Scale, il team si è concentrato su tre aree strategiche: l'architettura tecnica della piattaforma, il modello operativo del CoC e la cultura aziendale.
L'offerta IBM AI@Scale include valutazioni standardizzate che coprono le aree come lo stato attuale dell'AI all'interno di un'azienda, la visione futura dell'AI, i principali stakeholder e le risorse necessarie. IBM ha personalizzato le valutazioni per Wintershall Dea che riguardassero ciascuna delle tre aree strategiche. IBM e Wintershall Dea hanno quindi collaborato per utilizzare i risultati della valutazione per sviluppare una roadmap tecnologica e organizzativa per la data science all'interno dell'azienda.
Per le basi tecniche, il team ha sviluppato un'architettura basata su componenti utilizzando la piattaforma e i servizi Microsoft Azure. Nel progettare questa base, il team ha adottato una metodologia MLOps (Machine Learning Operations), un approccio end-to-end che attinge a data scientist e ingegneri per pianificare, sviluppare, costruire, testare e mantenere i sistemi di AI.
Dal punto di vista operativo, il team ha definito il funzionamento del CdC, nonché i tipi di ruoli e competenze che estenderanno le funzionalità di data science in tutta l'organizzazione. Oltre ai data scientist del CdC, la community includeva citizen data scientist delle unità aziendali e di business, geoscienziati, ingegneri, economisti e altre figure professionali con un forte background nella programmazione matematica, che potevano aiutare a guidare i progetti di data science all'interno dei rispettivi team.
In definitiva, Wintershall Dea voleva far crescere questa community, migliorando le competenze dei dipendenti in tutta l'azienda in modo che potessero sviluppare i propri progetti di AI. L'interesse per la data science era forte e la dirigenza riteneva che la maggior parte del valore per l'azienda si sviluppasse a livello di unità aziendali e di business. A tal fine, la roadmap ha incluso le sessioni di abilitazione tecnica per CdC e i citizen data scientist su come utilizzare la nuova piattaforma e i nuovi modelli.
Dal punto di vista della cultura aziendale e della comunicazione, il team ha pianificato una serie di sessioni formative e workshop per le unità aziendali e di business in tutta l'azienda. Queste attività si sono concentrate sul valore commerciale che l'AI può fornire ai dipendenti nel loro lavoro quotidiano e sulle modalità di collaborazione con la CdC per capitalizzare tale valore.