Преодоляване на препятствията в цялостния дизайн на AI проекти

Според скорошно проучване на 451 Research, част от S&P Global Market Intelligence, „повече от 90% от организациите, които са приели ИИ, са започнали да разработват своя първи проект за ИИ през последните пет години“. Макар и зараждащи се, решенията с AI са във възход навсякъде около нас. Въпреки това, много от тези инициативи все още не отговарят на очакванията - ако дори стигнат до внедряването.

За да успеят, лидерите трябва да избират и управляват AI проекти с обмислена стратегия, водена от ясни очаквания, привеждане в съответствие с бизнес целите и повторение. Нека разгледаме често срещаните препятствия, с които се сблъскват организациите при проектирането на успешни проекти за ИИ от край до край и как да ги преодолеем.

Управление на очакванията за решения с AI

Много от днешните неуспешни проекти за изкуствен интелект днес напомнят за корпоративни софтуерни проекти през деветдесетте, когато проектите за разработка излизаха от релсите, тъй като екипите се надяваха, че новите технологии ще решат проблемите им. И тогава, и сега, сериозна клопка е да имате завишени очаквания за това какво всъщност може да реши вашето решение.

Опасно е да се предположи, че при събиране на достатъчно данни всичко изведнъж ще стане прозрачно; че можете да предвидите поведението на клиентите или да направите перфектни препоръки, за да предвидите техните нужди. За съжаление светът е много по-малко предвидим, отколкото хората искат да бъде. Въпреки че се появяват полезни модели, не всички събития са причинно-следствени или дори свързани – случват се много неща, които просто генерират шум.

В същото време много организации виждат своите колеги да прилагат AI решения и изпитват натиск да продължат. Инвестирането в изкуствен интелект само за да сте в крак с Джоунсите може да има обратен ефект, ако не разберете какво движи успехите на вашите връстници и дали той ще работи за вашата собствена организация. Често компаниите, които имат напредък в своите проекти за изкуствен интелект, имат стратегии за данни и бизнес процеси на място, което им позволява да събират и да се възползват от правилните видове данни за ИИ.

В крайна сметка, управлението на очакванията за проекти с изкуствен интелект започва със способността да артикулирате кой от вашите проблеми наистина може да бъде решен с AI.

Избор на правилните видове AI проекти за вашите проблеми

Вашата стратегия за изкуствен интелект в съответствие ли е с вашите бизнес цели? Изборът на проекти е може би най-голямото предизвикателство, пред което са изправени организациите с техните инициативи за изкуствен интелект. Важно е наистина да разберете въпроса, на който се опитвате да отговорите, как (и ако) отговорът на този въпрос ще доведе до подобрени бизнес резултати и дали ресурсите, с които разполагате, могат да отговорят успешно и ефективно.

Да приемем, че искате да използвате модел за прогнозиране, за да определите кога и какъв вид отстъпка да предложите на клиент. Включете екипа по наука за данни! Но това всъщност е много предизвикателство да се подходи като проблем с предсказуем модел. На първо място, трудно е да се знае дали вашият клиент би купил продукта без отстъпката. И събирането на необходимите данни с достатъчно статистическа строгост, за да се създаде полезен модел, вероятно ще включва някои процеси, които се чувстват неестествени за бизнеса – като произволно определяне на това кои клиенти получават отстъпки или кои търговски представители могат да дават отстъпки. Това добавя много сложност към ситуацията.

По-добър начин да се подходи към този проблем с AI може да бъде изследването на симулационни модели на поведението на клиентите, което очаквате при различни режими на отстъпка. Вместо да измъчва системата, за да достигне до точна прогноза, симулацията и планирането на сценарии могат да помогнат на хората да разкрият кои променливи са чувствителни една към друга при вземане на бизнес решения. Запитайте се: какъв отговор на клиента ще ни е необходим, за да има смисъл тази отстъпка? Този вид упражнение за изследване на потенциалните резултати е много по-ефективно и със сигурност много по-лесно от изграждането на сложен експеримент с наука за данни.

Настройте екипите си за успех

Разбирането за какво са събрани и курирани вашите данни, как са били използвани в миналото и как ще бъдат използвани в бъдеще е от решаващо значение за извършването на всякакъв вид AI активност върху данните. Важно е да обучите модел върху данни, които са пълни и представляват това, което е налично в реалния свят в момента, в който правите интервенцията. Например, ако имате няколко етапа в тръбопровода си за сделки и искате да предвидите вероятността от приключване на сделката по време на петия етап, не можете след това да стартирате модела на сделки на етапи три или четири и да очаквате полезни резултати.

Учените за данни често имат пропуски в разбирането на нюансите на това какво представляват данните и как се генерират. Какви човешки и технологични процеси играят роля в създаването на данните и какво точно означават данните в контекста на вашия бизнес? Това е мястото, където анализаторите и бизнес потребителите, които са близо до данните – и проблемите, които се опитвате да разрешите с тях – са невероятно ценни. Обичаме да мислете за AI като за отборен спорт тъй като успехът изисква бизнес контекст в допълнение към базова грамотност от данни и модели.

И накрая, има ориентирани към човека аспекти на успеха на проекта, които организациите могат да пренебрегнат, ако са твърде фокусирани върху данните или технологията. Често AI може да направи прогноза, но някой трябва да реши как да превърне това в препоръчително действие. Полезно ли е предложението за предоставяне на ясно действие и такова, което хората ще желаят да следват? Създавате ли среда, в която тези предложения ще бъдат приемани ефективно?

Прогнозирането на нещо е полезно само понякога. Готови ли сте да коригирате цените, обема на продукта или персонала или дори да промените продуктовата си линия? Какво ниво на управление на промените е необходимо, за да могат хората да възприемат новото решение и да развият установените си поведения и процеси? Доверието идва от модел на последователно поведение и желание да продължим да образоваме бизнеса; ако искате да повлияете радикално на това как хората вършат работата си, те трябва да се включат в това.

Започвайки от малко и повторяйте

Нека приключим с някои насоки въз основа на това, което видяхме, докато работим с клиенти.

Често най-добрият първи AI проект е този, който ще бъде най-лесният за операционализиране и влизане в производство с най-малко сложно управление на промените. Опитайте се да изградите нещо, което осигурява стойност възможно най-бързо, дори ако това е много малко постепенно подобрение. И поддържайте клиентите, бизнес потребителите и заинтересованите страни възможно най-близо до процеса на разработка. Стремете се да създадете среда за добра обратна връзка – както в смисъл на събиране на повече данни за итеративно подобряване на модела, така и принос от заинтересованите страни за подобряване на проекта и неговите резултати.

С AI винаги ще има крайни случаи, в които решението е пропуск. Но е по-добре да намерите решения, които работят за по-голямата част от вашите клиенти или служители, вместо да разработвате наистина крещящо доказателство за концепция, което работи само за няколко индивидуални случая на употреба. В крайна сметка ИИ трябва да намали триенето и да улесни хората да вършат работата си и да вземат информирани решения.

За да научите повече за анализите на Tableau AI, посетете tableau.com/ai.