Tõkete ületamine täielikus AI-projektide kujundamises

S&P Global Market Intelligence'i kuuluva 451 Researchi hiljutise uuringu kohaselt on "rohkem kui 90% tehisintellekti kasutusele võtnud organisatsioonidest alustanud oma esimese tehisintellekti projekti arendamist viimase viie aasta jooksul." Kuigi sündimas, tehisintellekti toega lahendused on kõikjal meie ümber tõusuteel. Paljud neist algatustest ei vasta aga endiselt ootustele – kui need isegi kasutusele võetakse.

Edu saavutamiseks peaksid juhid valima ja juhtima tehisintellekti projekte läbimõeldud strateegiaga, mida juhivad selged ootused, vastavus ärieesmärkidele ja iteratsioon. Vaatame tavalisi takistusi, millega organisatsioonid silmitsi seisavad edukate täielike tehisintellekti projektide kavandamisel, ja kuidas neid ületada.

AI-toega lahenduste ootuste haldamine

Paljud tänapäeva ebaõnnestunud tehisintellektiprojektid meenutavad üheksakümnendate ettevõtete tarkvaraprojekte, kus arendusprojektid läksid rööbastelt minema, kuna meeskonnad lootsid, et uued tehnoloogiad nende probleemid lahendavad. Nii siis kui ka praegu on suureks lõksuks paisutatud ootused selle suhtes, mida teie lahendus tegelikult lahendada suudab.

On ohtlik eeldada, et piisavalt andmeid kogudes muutub kõik äkki läbipaistvaks; et saate ennustada klientide käitumist või anda täiuslikke soovitusi nende vajaduste ennetamiseks. Kahjuks on maailm palju vähem etteaimatav, kui inimesed seda soovivad. Kuigi kasulikud mustrid ilmnevad, ei ole kõik sündmused põhjuslikud ega isegi korrelatsioonis – juhtub palju asju, mis tekitavad lihtsalt müra.

Samal ajal näevad paljud organisatsioonid oma kolleege tehisintellekti lahendusi rakendamas ja tunnevad survet sammu pidada. Tehisintellekti investeerimine lihtsalt selleks, et "Jonesidega sammu pidada", võib tagasilöögi anda, kui te ei mõista, mis on teie kaaslaste edu taga ja kas see töötab teie organisatsiooni jaoks või mitte. Sageli on seda teinud ettevõtted, kes on oma tehisintellektiprojektides edu saavutanud andmestrateegiad ja äriprotsessid paika pandud, mis võimaldavad neil koguda ja kasutada tehisintellekti jaoks õiget tüüpi andmeid.

Lõppkokkuvõttes algab tehisintellektiprojektide ootuste haldamine võimest sõnastada, milliseid probleeme saab AI abil tõesti lahendada.

Oma probleemide jaoks õigete AI-projektide valimine

Kas teie tehisintellekti strateegia on teie ärieesmärkidega kooskõlas? Projektide valimine on ilmselt suurim väljakutse, millega organisatsioonid oma tehisintellektiga seotud algatustega silmitsi seisavad. Oluline on tõesti mõista küsimust, millele proovite vastata, kuidas (ja kas) sellele küsimusele vastamine toob kaasa paremad äritulemused ning kas teie ressursid suudavad sellele edukalt ja tõhusalt vastata või mitte.

Oletame, et soovite kasutada ennustavat mudelit, et määrata, millal ja millist allahindlust kliendile pakkuda. Tooge kaasa andmeteaduse meeskond! Kuid seda on tegelikult väga keeruline läheneda ennustava mudeli probleemile. Esiteks on raske teada, kas teie klient ostaks toote ilma allahindluseta või mitte. Ja vajalike andmete kogumine piisava statistilise rangusega, et luua kasulik mudel, hõlmaks tõenäoliselt mõningaid protsesse, mis tunduvad ettevõttele ebaloomulikud – näiteks juhusliku määramisega, millised kliendid saavad allahindlusi või millised müügiesindajad saavad allahindlusi teha. See muudab olukorra palju keerulisemaks.

Parem viis selle probleemi lahendamiseks tehisintellektiga võib olla kliendi käitumise simulatsioonimudelite uurimine, mida ootate erinevate allahindlusrežiimide korral. Selle asemel, et piinata süsteemi täpse prognoosini jõudmiseks, võivad simulatsioonid ja stsenaariumide kavandamine aidata inimestel äriotsuseid tehes avastada, millised muutujad on üksteise suhtes tundlikud. Küsige endalt: millist kliendi vastust oleks meil vaja, et see allahindlus oleks mõistlik? Selline võimalike tulemuste uurimise harjutus on palju tõhusam ja kindlasti palju lihtsam kui keeruka andmeteadusliku katse ülesehitamine.

Seadke oma meeskonnad edukaks

Mis tahes andmetega tehisintellekti toimingute tegemisel on oluline mõista, milleks teie andmeid koguti ja kureeriti, kuidas neid on varem kasutatud ja kuidas neid tulevikus kasutatakse. Oluline on koolitada mudelit andmete põhjal, mis on täielikud ja esindavad seda, mis on teie sekkumise ajal reaalses maailmas saadaval. Näiteks kui teie tehingute plaanis on mitu etappi ja soovite ennustada tehingu sulgemise tõenäosust viienda etapi jooksul, ei saa te seejärel mudelit käitada tehingute puhul kolmandas või neljandas etapis ja oodata kasulikke tulemusi.

Andmeteadlastel on sageli puudujääk andmete nüansside mõistmisel ja nende genereerimisel. Millised inim- ja tehnoloogilised protsessid mängivad andmete loomisel rolli ning mida andmed täpselt teie ettevõtte kontekstis tähendavad? See on koht, kus analüütikud ja ärikasutajad, kes on andmetele ja probleemidele, mida proovite nendega lahendada, on väga väärtuslikud. Meile meeldib mõtle tehisintellektile kui meeskonnaspordile sest edu eeldab lisaks andmete ja mudelite kirjaoskusele ka ärikonteksti.

Lõpuks on projekti edu inimkesksed aspektid, millest organisatsioonid võivad tähelepanuta jätta, kui nad on andmetele või tehnoloogiale liiga keskendunud. Tihti võib AI teha ennustusi, kuid keegi otsustab, kuidas muuta see soovitatavaks toiminguks. Kas soovitus on kasulik selge tegevuse pakkumiseks ja selline, mida inimesed on valmis järgima? Kas loote keskkonna, kus need ettepanekud tõhusalt vastu võetakse?

Millegi ennustamine on kasulik ainult mõnikord. Kas olete nõus hindu, tootemahtusid või personali kohandama või isegi oma tootesarja muutma? Millisel tasemel muudatuste juhtimist on vaja, et inimesed võtaksid uue lahenduse omaks ning arendaksid väljakujunenud käitumist ja protsesse? Usaldus tuleneb järjekindlast käitumismustrist ja valmisolekust jätkata ettevõtte harimist; kui kavatsete radikaalselt mõjutada seda, kuidas inimesed oma tööd teevad, peavad nad sellega kaasas olema.

Alustades väikesest ja korduv

Lõpetagem mõned juhised, mis põhinevad klientidega töötades.

Sageli on parim esimene tehisintellekti projekt see, mida on kõige lihtsam kasutusele võtta ja mis on kõige lihtsama muudatuste juhtimisega tootmisse jõudma. Proovige luua midagi, mis annab võimalikult kiiresti väärtust, isegi kui see on väga väike järkjärguline edasiminek. Ja hoidke oma kliendid, ärikasutajad ja sidusrühmad arendusprotsessile võimalikult lähedal. Eesmärk on luua hea tagasiside keskkond – nii mudeli iteratiivseks täiustamiseks rohkem andmeid kogudes kui ka sidusrühmade panust projekti ja selle tulemuste parandamiseks.

Tehisintellekti puhul on alati juhtumeid, kus lahendus on möödalaskmine. Kuid parem on leida lahendused, mis töötavad enamiku klientide või töötajate jaoks, selle asemel, et töötada välja tõeliselt toretsev kontseptsiooni tõend, mis töötab vaid mõnel eriotstarbelisel kasutusjuhul. Lõppkokkuvõttes peaks tehisintellekt vähendama hõõrdumist ning hõlbustama inimestel oma tööd ja teadlike otsuste tegemist.

Tableau AI-analüütika kohta lisateabe saamiseks külastage veebisaiti tableau.com/ai.