Kokie iššūkiai kyla dirbtinio intelekto projektui? | Dirbtinis intelektas versle #65

Kaip efektyviai integruoti AI projektą į savo verslo strategiją?

Gartner tyrimas teigia, kad iki 2030 metų 80% projektų valdymo užduočių bus vykdomos AI. Koks bus projektų, naudojančių AI užduotims atlikti, procentas – dar reikia pamatyti. Tačiau jau dabar verta apsvarstyti, kaip integruoti AI į įmonės veiklos strategiją.

Pirmas žingsnis yra suprasti šios technologijos potencialą ir ribas. Dirbtinis intelektas gerai analizuoja tendencijas ir modelius, tačiau nesugeba atlikti tokių užduočių kaip daugiapakopis mąstymas ir moraliniai sprendimai. Jis kuria sensacingus vizualus, tačiau nuolat generuoti medžiagą, atitinkančią prekės ženklo įvaizdį, reikalauja didelių įgūdžių. Todėl, kai pradedame dirbti su AI projektu, negalime daryti prielaidų, kad jis duos konkrečių, išmatuojamų rezultatų, kaip tai darome su kitais projektais.

Gerai pradėti analizuoti privalumus ir trūkumus:

• Kokia bendra įvairių AI projekto įgyvendinimo etapų kaina?
• Kokie KPI turėtų būti apibrėžti, kad būtų galima įvertinti AI projekto poveikį verslui?

Norint gauti patikimą atsakymą į šiuos klausimus, geriausia pasirinkti paprastus AI projektus, kurie atneša didelę vertę, yra lengvai išmatuojami ir tinka įmonės strategijai. Pavyzdžiui, startuolis, siūlantis kurjerių paslaugas, gali būti pavyzdys. Jo tikslas yra pagerinti klientų aptarnavimą ir padidinti tiekimo grandinės lankstumą. Paprastas, bet vertingas AI projektas, pavyzdžiui, yra pokalbių roboto, kuris tvarko klientų užklausas, įgyvendinimas. Toks virtualus asistentas tvarkys daugiau užklausų nei tradicinis skambučių centras, didindamas klientų pasitenkinimą greitais atsakymais į užklausas ir nuoseklia komunikacijos kokybe. Tuo tarpu pažangus sistema, optimizuojanti kurjerių maršrutus, atitinka tikslą pagerinti pristatymo lankstumą, tačiau yra sudėtinga ir turi daug didesnių rizikų.

Kai pradiniai AI projektai bus nustatyti, startuolis turėtų įvertinti jų įgyvendinamumą, pavyzdžiui, pagal biudžetą, į kurį turėtų tilpti AI projektas.

AI projekto biudžetavimas. Pagrindiniai iššūkiai

Įgyvendinant standartinę SaaS arba AI kaip paslaugą (AIaaS) sprendimą, arba taip vadinamą “standartinį AI”, yra daug privalumų. Vienas iš jų yra numatoma įrankio naudojimo kaina ir palyginti lengvai įvertinama AI projekto įgyvendinimo kaina. Galite pasirinkti iš tokių sprendimų kaip:

• pokalbių robotas klientų aptarnavimui – pavyzdžiui, Intercom Fin, LiveChat iš Chatbot.com, Drift arba FreshChat,
• Socialinės žiniasklaidos analizė, siekiant padidinti rinkodaros žinučių pasiekiamumą – su Cortex, Buffer arba Lately, arba
• verslo duomenų analizė su Microsoft Power BI, Tableau, arba mažiau sudėtingoms užduotims – Google Bard, kuris integruojasi su Google dokumentais.

Didesnio masto AI projektams jų kaštai dažnai gali būti nepakankamai įvertinti. Ypač kalbant apie išteklius ir laiką, reikalingą duomenų rinkimui ir paruošimui. Pavyzdžiui, pagal Arvind Krishna iš IBM, duomenų paruošimo etapas AI mokymui gali sudaryti net 80% projekto trukmės.

Šaltinis: DALL-E 3, užklausa: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Be to, kuo daugiau reikalaujame personalizuotų AI modelių projektui, tuo daugiau kokybiškų duomenų turime surinkti. Pavyzdžiui, giliai neuroniniai tinklai mokymui reikalauja šimtų tūkstančių pavyzdžių. Tai kelia dideles išlaidas, susijusias su tokių didelių duomenų rinkinių įsigijimu ir valymu. Laimei, spartus dirbtinio intelekto vystymasis reiškia, kad vis daugiau AI projektų gali būti įgyvendinti be brangaus individualaus modelio mokymo.

Vis dėlto, įmonė, planuojanti AI projektą, turėtų apsvarstyti ne tik sprendimo kūrimo etapą, bet ir duomenų paruošimą bei nuolatinį sistemos veikimą, įskaitant priežiūros, atnaujinimo ar naujų duomenų rinkimo išlaidas. Tik tada galima įvertinti tikrąjį investicijų grąžą AI.

Duomenų valdymo problemos AI projektuose. Ką turėtumėte žinoti

Pagrindinis iššūkis AI projektuose yra duomenys – jų prieinamumas, kiekis ir kokybė. Taigi, ką daryti? Prieš pradedant AI projektą, reikia:

• atidžiai išnagrinėti, kokius duomenis turi įmonė – kokia forma jie saugomi ir iš kur jie gaunami,
• pasirūpinti infrastruktūra ir plėtoti vidinius duomenų rinkimo procesus,
• apsvarstyti galimybę įsigyti išorinius duomenų rinkinius arba pasinaudoti crowdsourcing, jei jų trūksta.

Dažna problema yra ta, kad duomenys yra išsklaidyti per kelias sistemas ir formatus. Juos sujungti, išvalyti ir paruošti AI mokymui gali būti sudėtinga. Geras praktikos pavyzdys yra AI komandos glaudus bendradarbiavimas su IT skyriumi arba duomenų analitikais. Kartu jie turėtų užtikrinti, kad būtų tinkama infrastruktūra ir duomenų rinkimo procesai.

Techniniai ir saugumo iššūkiai AI projektuose

AI nėra tik mašininio mokymosi algoritmai. Norint, kad jie veiktų praktikoje, reikalinga visa IT infrastruktūra. Tuo tarpu integruoti naujas AI sistemas su esamomis įmonės sistemomis gali būti sudėtinga. Dažnai tai reikalauja pritaikyti senesnes verslo sistemas, kas daugeliui įmonių reiškia dideles atnaujinimo išlaidas.

Be to, AI projektams reikalingos žinios duomenų mokslo ir duomenų inžinerijos srityse. Tuo tarpu pasaulyje jaučiamas specialistų trūkumas šioje srityje. Pagal McKinsey “Technologijų tendencijų apžvalgą 2023” ataskaitą, darbo skelbimų ir prieinamų specialistų santykis yra 7 prie 100, o paklausa nuolat auga.

Duomenų saugumo klausimas taip pat nėra nereikšmingas. AI sistemos apdoroja didelius kiekius jautrios informacijos, kuri turi būti tinkamai apsaugota nuo nutekėjimo. Tuo tarpu duomenų pažeidimų skaičius pastaraisiais metais žymiai išaugo. Todėl tai yra dar viena svarbi rizika, apie kurią reikia galvoti įgyvendinant AI projektus.

Pagrindinės kompetencijos AI verslininkams. Su kokiomis sunkumais galite susidurti?

Dažna kliūtis įgyvendinant AI projektą gali būti prasta dirbtinio intelekto žinios tarp vadovų ir verslo sprendimų priėmėjų. Be išsamaus technologijos galimybių supratimo, sunku įvertinti konkrečių projektų gyvybingumą ir priimti pagrįstus sprendimus. Todėl būtina investuoti į vadovų žinių gerinimą naujų technologijų srityje.

Esamų darbuotojų perkvalifikavimas taip pat gali padėti. Vis dažniau kalbama apie taip vadinamus “piliečių duomenų analitikus” (“Citizen data scientists”). Šie specialistai naudoja pažangias technologijas, kad išspręstų konkrečias verslo problemas, su kuriomis susiduria kasdien. Jie yra labai gerai išmanantys pramonę, kurioje dirba. Būdami AI projekto komandos dalimi, jie leidžia AI specialistams sutelkti dėmesį į įgyvendinimo problemas, atsakydami į pramonės specifinius klausimus.

Be techninių įgūdžių, tokių kaip AI rekomendacijų vertinimas ir sprendimų priėmimas, svarbios yra ir minkštosios kompetencijos, įskaitant lyderystę ir strateginį mąstymą. Tai dar vienas būdas spręsti AI įgūdžių trūkumą įmonėse.

AI projekto sėkmės analizė. Kaip išvengti klaidų vertinant ROI?

Internete sklinda nepagrįsta (ir greičiausiai neteisinga) gandas, kad iki 87% AI projektų niekada nepasiekia gamybos etapo. Nors negalėjome pasiekti patikimų sėkmingų projektų tyrimų, ankstyvas sėkmės matavimo būdų apibrėžimas yra raktas vertinant tikrąjį AI įgyvendinimo poveikį.

Gera praktika šiuo atveju yra mažo masto eksperimentas. Jis apima AI veikimo testavimą, pavyzdžiui, atsitiktinėje vartotojų imtyje ir rezultatų palyginimą su kontroline grupe, naudojančia standartinį sprendimą. Toks A/B testas padeda patikrinti, ar nauja AI sistema gali atnešti laukiamus rezultatus, tokius kaip konversijų ar klientų pasitenkinimo didinimas.

Šaltinis: DALL-E 3, užklausa: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

A/B testavimą verta kartoti periodiškai net ir po AI įgyvendinimo, nes modeliai gali prarasti tikslumą ir aktualumą sprendžiant problemas. Tai leis greitai nustatyti naujai atsirandančias anomalijas ir poreikį kalibruoti sistemą, kad ji ir toliau teiktų laukiamus verslo rezultatus.

Santrauka

Nors AI siūlo didžiules galimybes, projektai šioje srityje kelia didelių iššūkių. Norint pasiekti sėkmę, reikia realiai įvertinti AI kaštus ir naudą, pasirūpinti duomenų rinkimu ir kokybe, plėtoti vidines kompetencijas ir laipsniškai diegti naujas technologijas. Taip pat svarbu matuoti apčiuopiamą verslo poveikį įgyvendinimams ir greitai reaguoti į naujai atsirandančias problemas. Tik tada AI taps įmonės privalumu, o ne grėsme.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.