Ξεπερνώντας τα εμπόδια στη σχεδίαση έργου τεχνητής νοημοσύνης από άκρο σε άκρο

Σύμφωνα με μια πρόσφατη μελέτη της 451 Research, μέρος της S&P Global Market Intelligence, «περισσότερο από το 90% των οργανισμών που έχουν υιοθετήσει την τεχνητή νοημοσύνη ξεκίνησαν την ανάπτυξη του πρώτου τους έργου τεχνητής νοημοσύνης τα τελευταία πέντε χρόνια». Αν και νεοφυείς, λύσεις με δυνατότητα AI αυξάνονται παντού γύρω μας. Ωστόσο, πολλές από αυτές τις πρωτοβουλίες εξακολουθούν να μην ανταποκρίνονται στις προσδοκίες —αν φτάσουν ακόμη και στην ανάπτυξη.

Για να επιτύχουν, οι ηγέτες θα πρέπει να επιλέγουν και να διαχειρίζονται έργα τεχνητής νοημοσύνης με μια στοχαστική στρατηγική που βασίζεται σε σαφείς προσδοκίες, ευθυγράμμιση με τους επιχειρηματικούς στόχους και επανάληψη. Ας δούμε τα κοινά εμπόδια που αντιμετωπίζουν οι οργανισμοί όταν σχεδιάζουν επιτυχημένα έργα τεχνητής νοημοσύνης από άκρο σε άκρο και πώς να τα ξεπεράσουμε.

Διαχείριση προσδοκιών για λύσεις με δυνατότητα AI

Πολλά από τα σημερινά αποτυχημένα έργα τεχνητής νοημοσύνης σήμερα θυμίζουν έργα επιχειρηματικού λογισμικού της δεκαετίας του 'XNUMX, όπου τα αναπτυξιακά έργα άρχισαν να τρέχουν καθώς οι ομάδες είχαν μεγάλες ελπίδες ότι οι νέες τεχνολογίες θα διορθώσουν τα προβλήματά τους. Τόσο τότε όσο και τώρα, μια σημαντική παγίδα είναι να έχετε διογκωμένες προσδοκίες για το τι μπορεί πραγματικά να λύσει η λύση σας.

Είναι επικίνδυνο να υποθέσουμε ότι συλλέγοντας αρκετά δεδομένα, όλα θα γίνουν ξαφνικά διαφανή. ότι μπορείτε να προβλέψετε τις συμπεριφορές των πελατών ή να κάνετε τέλειες συστάσεις για να προβλέψετε τις ανάγκες τους. Δυστυχώς, ο κόσμος είναι πολύ λιγότερο προβλέψιμος από ό,τι θέλουν οι άνθρωποι. Ενώ προκύπτουν χρήσιμα μοτίβα, δεν είναι όλα τα γεγονότα αιτιολογικά ή ακόμη και συσχετισμένα — συμβαίνουν πολλά πράγματα που απλώς δημιουργούν θόρυβο.

Ταυτόχρονα, πολλοί οργανισμοί βλέπουν τους ομολόγους τους να εφαρμόζουν λύσεις τεχνητής νοημοσύνης και αισθάνονται την πίεση να συμβαδίσουν. Η επένδυση στην τεχνητή νοημοσύνη απλώς και μόνο για να «συναντήσετε τους Τζόουνς» μπορεί να έχει μπούμερανγκ εάν δεν καταλαβαίνετε τι οδηγεί τις επιτυχίες των συνομηλίκων σας και εάν θα λειτουργήσει ή όχι για τον δικό σας οργανισμό. Συχνά, οι εταιρείες με το πόδι ψηλά στα έργα τους AI έχουν στρατηγικές δεδομένων και επιχειρηματικές διαδικασίες στη θέση που τους επιτρέπει να συλλέγουν και να εκμεταλλεύονται τα σωστά είδη δεδομένων για την τεχνητή νοημοσύνη.

Τελικά, η διαχείριση των προσδοκιών για έργα τεχνητής νοημοσύνης ξεκινά με τη δυνατότητα να διατυπώσετε ποια από τα προβλήματά σας μπορούν πραγματικά να λυθούν με την τεχνητή νοημοσύνη.

Επιλέγοντας τα σωστά είδη έργων AI για τα προβλήματά σας

Είναι η στρατηγική AI σας ευθυγραμμισμένη με τους επιχειρηματικούς σας στόχους; Η επιλογή έργων είναι πιθανώς η μεγαλύτερη πρόκληση που αντιμετωπίζουν οι οργανισμοί με τις πρωτοβουλίες τεχνητής νοημοσύνης τους. Είναι σημαντικό να κατανοήσετε πραγματικά την ερώτηση που προσπαθείτε να απαντήσετε, πώς (και εάν) η απάντηση σε αυτήν την ερώτηση θα αποφέρει βελτιωμένα επιχειρηματικά αποτελέσματα και εάν οι πόροι που διαθέτετε μπορούν να απαντήσουν με επιτυχία και αποτελεσματικότητα.

Ας υποθέσουμε ότι θέλετε να χρησιμοποιήσετε ένα μοντέλο πρόβλεψης για να καθορίσετε πότε και τι είδους έκπτωση να προσφέρετε σε έναν πελάτη. Φέρτε την ομάδα της επιστήμης δεδομένων! Αλλά αυτό είναι πραγματικά πολύ δύσκολο να προσεγγιστεί ως πρόβλημα προγνωστικού μοντέλου. Πρώτα απ 'όλα, είναι δύσκολο να γνωρίζουμε εάν ο πελάτης σας θα αγόραζε το προϊόν χωρίς την έκπτωση. Και η συλλογή των απαραίτητων δεδομένων με αρκετή στατιστική αυστηρότητα για την παραγωγή ενός χρήσιμου μοντέλου θα περιλάμβανε πιθανώς ορισμένες διαδικασίες που φαίνονται αφύσικές για την επιχείρηση, όπως η τυχαιοποίηση του ποιοι πελάτες λαμβάνουν εκπτώσεις ή ποιοι εκπρόσωποι πωλήσεων μπορούν να κάνουν εκπτώσεις. Αυτό προσθέτει μεγάλη πολυπλοκότητα στην κατάσταση.

Ένας καλύτερος τρόπος για να προσεγγίσετε αυτό το πρόβλημα με την τεχνητή νοημοσύνη θα μπορούσε να είναι η εξερεύνηση μοντέλων προσομοίωσης της συμπεριφοράς των πελατών που περιμένετε σε διαφορετικά καθεστώτα έκπτωσης. Αντί να βασανίζουμε το σύστημα για να καταλήξουμε σε μια ακριβή πρόβλεψη, η προσομοίωση και ο σχεδιασμός σεναρίων μπορούν να βοηθήσουν τους ανθρώπους να ανακαλύψουν ποιες μεταβλητές είναι ευαίσθητες μεταξύ τους όταν λαμβάνουν επιχειρηματικές αποφάσεις. Αναρωτηθείτε: ποια απάντηση πελατών θα χρειαζόμασταν για να έχει νόημα αυτή η έκπτωση; Αυτό το είδος άσκησης για την εξερεύνηση πιθανών αποτελεσμάτων είναι πολύ πιο αποτελεσματικό και σίγουρα πολύ πιο εύκολο από τη δημιουργία ενός πολύπλοκου πειράματος επιστήμης δεδομένων.

Ρυθμίζοντας τις ομάδες σας για επιτυχία

Η κατανόηση για ποιους λόγους συλλέχθηκαν και επιμελήθηκαν τα δεδομένα σας, πώς χρησιμοποιήθηκαν στο παρελθόν και πώς πρόκειται να χρησιμοποιηθούν στο μέλλον είναι κρίσιμης σημασίας για την πραγματοποίηση οποιουδήποτε είδους δραστηριότητας AI στα δεδομένα. Είναι σημαντικό να εκπαιδεύσετε ένα μοντέλο σε δεδομένα που είναι πλήρη και που αντιπροσωπεύουν αυτό που είναι διαθέσιμο στον πραγματικό κόσμο τη στιγμή που κάνετε την παρέμβαση. Για παράδειγμα, εάν έχετε πολλά στάδια στη σειρά της συμφωνίας σας και θέλετε να προβλέψετε την πιθανότητα να κλείσει μια συμφωνία κατά τη διάρκεια του πέμπτου σταδίου, δεν μπορείτε στη συνέχεια να εκτελέσετε το μοντέλο σε συμφωνίες στα τρία ή τέσσερα στάδια και να περιμένετε χρήσιμα αποτελέσματα.

Οι επιστήμονες δεδομένων συχνά έχουν ένα κενό στην κατανόηση των αποχρώσεων του τι αντιπροσωπεύουν τα δεδομένα και πώς παράγονται. Ποιες ανθρώπινες και τεχνολογικές διαδικασίες παίζουν ρόλο στη δημιουργία των δεδομένων και τι ακριβώς σημαίνουν τα δεδομένα στο πλαίσιο της επιχείρησής σας; Εδώ είναι απίστευτα πολύτιμοι οι αναλυτές και οι επιχειρησιακοί χρήστες που βρίσκονται κοντά στα δεδομένα—και στα προβλήματα που προσπαθείτε να επιλύσετε με αυτά. Μας αρέσει να σκεφτείτε το AI ως ομαδικό άθλημα επειδή η επιτυχία απαιτεί επιχειρηματικό πλαίσιο εκτός από μια βασική βάση δεδομένων και παιδείας μοντέλων.

Τέλος, υπάρχουν ανθρωποκεντρικές πτυχές της επιτυχίας του έργου που οι οργανισμοί μπορούν να παραβλέψουν εάν είναι πολύ εστιασμένοι στα δεδομένα ή στην τεχνολογία. Συχνά, η τεχνητή νοημοσύνη μπορεί να κάνει μια πρόβλεψη, αλλά εναπόκειται σε κάποιον να αποφασίσει πώς να τη μετατρέψει σε προτεινόμενη ενέργεια. Είναι η πρόταση χρήσιμη για την παροχή μιας ξεκάθαρης δράσης, την οποία οι άνθρωποι θα είναι πρόθυμοι να ακολουθήσουν; Δημιουργείτε ένα περιβάλλον όπου αυτές οι προτάσεις θα λαμβάνονται αποτελεσματικά;

Το να προβλέψεις κάτι είναι μόνο μερικές φορές χρήσιμο. Είστε πρόθυμοι να προσαρμόσετε τις τιμές, τους όγκους προϊόντων ή το προσωπικό ή ακόμα και να αλλάξετε τη σειρά προϊόντων σας; Ποιο επίπεδο διαχείρισης αλλαγών χρειάζεται ώστε οι άνθρωποι να αγκαλιάσουν τη νέα λύση και να εξελίξουν τις καθιερωμένες συμπεριφορές και διαδικασίες τους; Η εμπιστοσύνη προέρχεται από ένα πρότυπο συνεπούς συμπεριφοράς και από την προθυμία να συνεχίσει να εκπαιδεύει την επιχείρηση. Εάν πρόκειται να επηρεάσετε ριζικά τον τρόπο με τον οποίο οι άνθρωποι κάνουν τη δουλειά τους, πρέπει να το συμμετάσχουν.

Ξεκινώντας από μικρό και επαναλαμβανόμενο

Ας κλείσουμε μερικές οδηγίες με βάση αυτά που έχουμε δει κατά τη συνεργασία με τους πελάτες.

Συχνά, το καλύτερο πρώτο έργο τεχνητής νοημοσύνης είναι αυτό που θα είναι πιο εύκολο να λειτουργήσει και να μπει στην παραγωγή με τη λιγότερο περίπλοκη διαχείριση αλλαγών. Προσπαθήστε να δημιουργήσετε κάτι που να προσφέρει αξία όσο το δυνατόν γρηγορότερα, ακόμα κι αν αυτό είναι μια πολύ μικρή σταδιακή βελτίωση. Και κρατήστε τους πελάτες, τους επιχειρηματικούς χρήστες και τους ενδιαφερόμενους φορείς όσο το δυνατόν πιο κοντά στη διαδικασία ανάπτυξης. Επιδιώξτε να δημιουργήσετε ένα περιβάλλον καλής ανατροφοδότησης - τόσο με την έννοια της συλλογής περισσότερων δεδομένων για την επαναληπτική βελτίωση του μοντέλου όσο και με τη συμβολή των ενδιαφερομένων για τη βελτίωση του έργου και των αποτελεσμάτων του.

Με την τεχνητή νοημοσύνη, θα υπάρχουν πάντα περιστατικά αιχμής όπου η λύση είναι αστοχία. Αλλά είναι καλύτερο να βρείτε λύσεις που λειτουργούν για την πλειοψηφία των πελατών ή των υπαλλήλων σας, αντί να αναπτύξετε μια πραγματικά εντυπωσιακή απόδειξη της ιδέας που λειτουργεί μόνο για μερικές περιπτώσεις κατά παραγγελία. Στο τέλος της ημέρας, η τεχνητή νοημοσύνη θα πρέπει να μειώσει τις τριβές και να διευκολύνει τους ανθρώπους να κάνουν τη δουλειά τους και να λαμβάνουν τεκμηριωμένες αποφάσεις.

Για να μάθετε περισσότερα σχετικά με τα αναλυτικά στοιχεία Tableau AI, επισκεφτείτε tableau.com/ai.