Подолання перешкод у наскрізному дизайні проектів AI

Згідно з нещодавнім дослідженням 451 Research, що входить до складу S&P Global Market Intelligence, «понад 90% організацій, які впровадили AI, почали розробляти свій перший проект AI протягом останніх п’яти років». Незважаючи на те, що рішення з підтримкою штучного інтелекту тільки зароджуються, вони все частіше нас оточують. Однак багато з цих ініціатив все ще не виправдовують очікувань — якщо вони навіть встигають розгорнути.

Щоб досягти успіху, керівники повинні вибирати проекти штучного інтелекту та керувати ними з продуманою стратегією, керованою чіткими очікуваннями, відповідністю бізнес-цілям і повторенням. Давайте розглянемо загальні перешкоди, з якими стикаються організації під час розробки успішних наскрізних проектів AI, і як їх подолати.

Керування очікуваннями щодо рішень з підтримкою AI

Чимало сьогоднішніх невдалих проектів штучного інтелекту сьогодні нагадують проекти корпоративного програмного забезпечення в дев’яностих, коли проекти розробки йшли з рейок, оскільки команди покладали великі надії, що нові технології вирішують їхні проблеми. Як тоді, так і зараз, головною проблемою є завищені очікування щодо того, що насправді може вирішити ваше рішення.

Небезпечно припускати, що зібравши достатньо даних, все раптом стане прозорим; що ви можете передбачити поведінку клієнтів або дати ідеальні рекомендації, щоб передбачити їхні потреби. На жаль, світ набагато менш передбачуваний, ніж люди цього хочуть. Хоча корисні закономірності дійсно з’являються, не всі події є причинно-наслідковими або навіть корелованими — трапляється багато речей, які просто створюють шум.

У той же час багато організацій бачать, що їхні колеги впроваджують рішення AI, і відчувають тиск, щоб не відставати. Інвестування в штучний інтелект лише для того, щоб «йти в ногу з Джонсами», може мати негативні наслідки, якщо ви не розумієте, що є причиною успіху ваших однолітків і чи спрацює він для вашої організації. Часто компанії, які мають перевагу в своїх проектах ШІ стратегії даних і бізнес-процеси на місці, що дає їм змогу збирати та використовувати потрібні типи даних для ШІ.

Зрештою, керування очікуваннями від проектів AI починається зі здатності сформулювати, які з ваших проблем дійсно можна вирішити за допомогою AI.

Вибір правильних видів проектів AI для ваших проблем

Чи відповідає ваша стратегія штучного інтелекту вашим бізнес-цілям? Відбір проектів, мабуть, є найбільшою проблемою, з якою стикаються організації у своїх ініціативах AI. Важливо по-справжньому розуміти питання, на яке ви намагаєтеся відповісти, як (і якщо) відповідь на це питання призведе до покращення бізнес-результатів, і чи зможуть ресурси, які ви маєте, дати на нього успішну та ефективну відповідь.

Скажімо, ви хочете використовувати прогнозну модель, щоб визначити, коли і яку знижку запропонувати клієнту. Залучайте команду наукових досліджень даних! Але насправді це дуже складно підійти як проблему прогнозної моделі. Перш за все, важко зрозуміти, чи купить ваш клієнт продукт без знижки. А збір необхідних даних із достатньою статистичною точністю для створення корисної моделі, ймовірно, включатиме деякі процеси, які здаються неприродними для бізнесу, як-от випадкове визначення того, які клієнти отримують знижки або які торгові представники можуть надавати знижки. Це значно ускладнює ситуацію.

Кращим способом підійти до цієї проблеми за допомогою штучного інтелекту може бути дослідження імітаційних моделей поведінки клієнтів, які ви очікуєте за різних режимів дисконтування. Замість того, щоб мучити систему, щоб отримати точний прогноз, моделювання та сценарне планування можуть допомогти людям виявити, які змінні є чутливими одна до одної під час прийняття бізнес-рішень. Запитайте себе: яка відповідь клієнта нам потрібна, щоб ця знижка мала сенс? Така вправа з вивчення потенційних результатів є набагато ефективнішою і, безумовно, набагато легшою, ніж побудова складного експерименту з дослідження даних.

Налаштування ваших команд на успіх

Розуміння того, для чого були зібрані та оброблені ваші дані, як вони використовувалися в минулому та як вони будуть використовуватися в майбутньому, має вирішальне значення для будь-якої діяльності AI з даними. Важливо тренувати модель на даних, які є повними і які представляють те, що доступно в реальному світі на момент, коли ви робите втручання. Наприклад, якщо у вашому конвеєрі угоди є кілька етапів, і ви хочете передбачити ймовірність закриття угоди на п’ятому етапі, ви не можете запустити модель для угод на третьому або четвертому етапах і очікувати корисних результатів.

Дослідники даних часто не розуміють нюансів того, що представляють дані та як вони генеруються. Які людські та технологічні процеси відіграють роль у створенні даних, і що саме означають дані в контексті вашого бізнесу? Саме тут аналітики та бізнес-користувачі, які близькі до даних — і проблем, які ви намагаєтесь вирішити за допомогою них — неймовірно цінні. Нам подобається подумайте про ШІ як про командний вид спорту тому що для успіху потрібен бізнес-контекст на додаток до базової інформації та грамотності моделі.

Нарешті, є аспекти успіху проекту, орієнтовані на людину, які організації можуть не помітити, якщо вони занадто зосереджені на даних або технології. Часто ШІ може зробити прогноз, але хтось вирішує, як перетворити це на рекомендовану дію. Чи корисна пропозиція для надання чіткої дії, якої люди будуть готові виконувати? Чи створюєте ви середовище, де ці пропозиції будуть ефективно сприйматися?

Передбачити щось корисно лише іноді. Чи готові ви відкоригувати ціни, обсяги продукції, чи персонал, чи навіть змінити свою продуктову лінійку? Який рівень управління змінами потрібен, щоб люди сприйняли нове рішення та розвивали свою усталену поведінку та процеси? Довіра походить від моделі послідовної поведінки та бажання продовжувати навчати бізнес; якщо ви збираєтеся кардинально вплинути на те, як люди виконують свою роботу, вони повинні брати участь у цьому.

Починаючи з малого і повторюючи

Давайте завершимо деякі вказівки на основі того, що ми бачили під час роботи з клієнтами.

Часто найкращим першим проектом штучного інтелекту є той, який буде найлегше впровадити в експлуатацію та запустити у виробництво з найменш складним управлінням змінами. Спробуйте створити щось, що принесе цінність якомога швидше, навіть якщо це дуже невелике поступове покращення. І тримайте своїх клієнтів, бізнес-користувачів і зацікавлених сторін якомога ближче до процесу розробки. Прагніть створити середовище хорошого зворотного зв’язку — як у сенсі збору більшої кількості даних для ітераційного вдосконалення моделі, так і внесення від зацікавлених сторін для покращення проекту та його результатів.

З ШІ завжди будуть крайні випадки, коли рішення буде промахом. Але краще шукати рішення, які підходять для більшості ваших клієнтів або співробітників, замість того, щоб розробляти дійсно яскравий доказ концепції, який працює лише для кількох індивідуальних випадків використання. Зрештою, штучний інтелект має зменшити тертя й полегшити людям роботу та приймати зважені рішення.

Щоб дізнатися більше про аналітику Tableau AI, відвідайте сторінку tableau.com/ai.