Překonávání překážek v návrhu end-to-end projektu umělé inteligence

Podle nedávné studie 451 Research, která je součástí S&P Global Market Intelligence, „více než 90 % organizací, které přijaly umělou inteligenci, začalo během posledních pěti let vyvíjet svůj první projekt umělé inteligence“. I když vznikající řešení s umělou inteligencí jsou všude kolem nás na vzestupu. Mnohé z těchto iniciativ však stále nesplňují očekávání – pokud se vůbec dostanou do nasazení.

Aby uspěli, měli by lídři vybírat a řídit projekty umělé inteligence pomocí promyšlené strategie založené na jasných očekáváních, souladu s obchodními cíli a opakováním. Podívejme se na běžné překážky, kterým organizace čelí při navrhování úspěšných end-to-end projektů umělé inteligence, a na to, jak je překonat.

Správa očekávání pro řešení s podporou AI

Spousta dnešních neúspěšných projektů umělé inteligence dnes připomíná projekty podnikového softwaru v devadesátých letech, kdy vývojové projekty vycházely z kolejí, protože týmy vkládaly velké naděje, že nové technologie jejich problémy vyřeší. Jak tehdy, tak i nyní je hlavním úskalím přehnaná očekávání toho, co vaše řešení může skutečně vyřešit.

Je nebezpečné předpokládat, že shromážděním dostatečného množství dat bude najednou všechno transparentní; že můžete předvídat chování zákazníků nebo dělat dokonalá doporučení k předvídání jejich potřeb. Bohužel je svět mnohem méně předvídatelný, než si lidé přejí. I když se objevují užitečné vzorce, ne všechny události jsou kauzální nebo dokonce korelované – děje se mnoho věcí, které pouze generují šum.

Mnoho organizací zároveň vidí, že jejich kolegové implementují řešení AI a cítí tlak, aby drželi krok. Investování do umělé inteligence jen proto, abyste „drželi krok s Jonesovými“, se může obrátit proti nim, pokud nerozumíte tomu, co stojí za úspěchy vašich kolegů a zda to bude fungovat pro vaši vlastní organizaci. Společnosti, které mají ve svých projektech AI našlápnuto, to často mají datové strategie a obchodní procesy na místě, které jim umožní shromažďovat a využívat správné druhy dat pro umělou inteligenci.

Řízení očekávání pro projekty AI nakonec začíná schopností formulovat, které z vašich problémů lze skutečně vyřešit pomocí AI.

Výběr správných druhů projektů umělé inteligence pro vaše problémy

Je vaše strategie AI v souladu s vašimi obchodními cíli? Výběr projektů je pravděpodobně tou největší výzvou, které organizace čelí se svými iniciativami AI. Je důležité skutečně porozumět otázce, na kterou se snažíte odpovědět, jak (a zda) zodpovězení této otázky přinese lepší obchodní výsledky a zda na ni mohou zdroje, které máte, odpovědět úspěšně a efektivně.

Řekněme, že chcete pomocí prediktivního modelu určit, kdy a jakou slevu nabídnout zákazníkovi. Přiveďte tým datové vědy! Ale ve skutečnosti je velmi náročné přistupovat jako k problému prediktivního modelu. Za prvé, je těžké vědět, zda by si váš zákazník koupil produkt bez slevy. A shromažďování nezbytných dat s dostatečnou statistickou přísností k vytvoření užitečného modelu by pravděpodobně zahrnovalo některé procesy, které jsou pro podnik nepřirozené – jako je náhodné určování, kteří zákazníci dostanou slevy nebo kteří obchodní zástupci mohou slevy poskytnout. To situaci značně komplikuje.

Lepším způsobem, jak k tomuto problému přistupovat pomocí umělé inteligence, může být prozkoumání simulačních modelů chování zákazníků, které očekáváte v různých režimech slev. Namísto mučení systému, aby se dospělo k přesné předpovědi, může simulace a plánování scénářů pomoci lidem odhalit, které proměnné jsou při obchodních rozhodnutích na sebe navzájem citlivé. Zeptejte se sami sebe: jakou odezvu zákazníků bychom potřebovali, aby tato sleva dávala smysl? Tento druh cvičení při prozkoumávání potenciálních výsledků je mnohem efektivnější a rozhodně mnohem snazší než budování složitého experimentu s daty.

Připravte své týmy na úspěch

Pochopení toho, k čemu byla vaše data shromážděna a spravována, jak byla použita v minulosti a jak budou použita v budoucnu, je zásadní pro provádění jakékoli činnosti AI na datech. Je důležité trénovat model na datech, která jsou úplná a představují to, co je dostupné v reálném světě v okamžiku, kdy provádíte zásah. Máte-li například v procesu obchodování více fází a chcete předvídat pravděpodobnost uzavření obchodu během páté fáze, nemůžete pak spustit model na dohodách ve třetí nebo čtvrté fázi a očekávat užitečné výsledky.

Datoví vědci mají často mezeru v chápání nuancí toho, co data představují a jak jsou generována. Jaké lidské a technologické procesy hrají roli při vytváření dat a co přesně data znamenají v kontextu vašeho podnikání? To je místo, kde jsou analytici a obchodní uživatelé, kteří mají blízko k datům – a problémům, které se s nimi snažíte řešit – neuvěřitelně cenní. Máme rádi představte si AI jako týmový sport protože úspěch vyžaduje kromě základní datové a modelové gramotnosti také obchodní kontext.

Konečně existují aspekty úspěchu projektu zaměřené na člověka, které mohou organizace přehlédnout, pokud se příliš zaměřují na data nebo technologii. Umělá inteligence často dokáže předpovědět, ale je na někom, aby se rozhodl, jak to proměnit v doporučenou akci. Je návrh užitečný při poskytování jasné akce a akce, kterou budou lidé ochotni následovat? Vytváříte prostředí, kde budou tyto návrhy efektivně přijímány?

Něco předvídat je užitečné jen někdy. Jste ochotni upravit ceny, objemy produktů nebo personální obsazení nebo dokonce změnit svou produktovou řadu? Jaká úroveň řízení změn je potřeba, aby lidé přijali nové řešení a rozvinuli své zavedené chování a procesy? Důvěra vychází ze vzoru konzistentního chování a ochoty dále se vzdělávat v podnikání; pokud chcete radikálně ovlivnit to, jak lidé dělají svou práci, musí s tím být zapojeni.

Začněte v malém a opakujte

Uzavřeme několik pokynů na základě toho, co jsme viděli při práci se zákazníky.

Často je nejlepší první projekt umělé inteligence ten, který bude nejsnáze zprovozněn a uveden do výroby s co nejméně složitým řízením změn. Pokuste se postavit něco, co přináší hodnotu co nejrychleji, i když jde o velmi malé postupné zlepšení. A udržujte své zákazníky, obchodní uživatele a zainteresované strany co nejblíže procesu vývoje. Zaměřte se na vytvoření prostředí dobré zpětné vazby – a to jak ve smyslu shromažďování více dat k opakovanému zlepšování modelu, tak vstupů od zúčastněných stran ke zlepšení projektu a jeho výsledků.

S umělou inteligencí budou vždy existovat okrajové případy, kdy řešením bude chyba. Ale je lepší najít řešení, která fungují pro většinu vašich zákazníků nebo zaměstnanců, než vyvíjet opravdu okázalý důkaz konceptu, který funguje pouze pro několik případů použití na míru. Na konci dne by umělá inteligence měla snížit tření a usnadnit lidem práci a informovaná rozhodnutí.

Chcete-li se dozvědět více o analytice Tableau AI, navštivte tableau.com/ai.