Předtím, než budou další modely, umělá inteligence v obchodu potřebuje revoluci v infrastruktuře

Implementace umělé inteligence v obchodu probíhá pozoruhodným tempem. Investice do umělé inteligence v maloobchodě se zrychluje, přičemž se trh očekává, že poroste z 11,6 miliard dolarů v roce 2024 na více než 40 miliard dolarů do roku 2030.

Podobně jsou nové modely vydávány v rychlém sledu, dodavatelé rozšiřují své schopnosti a maloobchodníci jsou pod rostoucím tlakem ze strany ředitelů a investorů, aby prokázali, že aktivně integrují umělou inteligenci do svých operací.

Na povrchu to vytváří dojem odvětví, které prochází rychlou a rozhodnou transformací. Avšak pod touto aktivitou jsou většina těchto iniciativ vrstvena na systémy, které nebyly navrženy tak, aby je podporovaly.

Omezení spočívá nejen v dostupnosti ani kvalitě modelů. Spočívá ve stavu infrastruktury pod nimi.

Při implementaci umělé inteligence by první rozpočet neměl být vynaložen na samotnou umělou inteligenci. Měl by být vynaložen na to, co nazýváme “důvěrou v data”, což je infrastruktura dat. Jedná se o spojení mezi systémy, odstranění duplikátů dat a aktualizace v reálném čase.

Nepodařené splnění tohoto požadavku je důvodem, proč umělá inteligence selhává v obchodu, a proč tolik snah začíná s impulzem, ale má potíže s překladem do udržitelného dopadu. Abychom mohli úspěšně implementovat umělou inteligenci, musíme začít s infrastrukturou.

Naproti tomu v obchodu sama diskuse často začíná o jeden уровень výše, zaměřuje se na výběr modelů nebo identifikaci případů použití s vysokým potenciálem. Což dostává mnohem méně pozornosti, je zda podkladová architektura dat může podporovat tyto rozhodnutí smysluplným způsobem.

Jestliže podkladová data jsou fragmentovaná, umělá inteligence bude generovat pouze výstupy, které mohou být škodlivé nebo zavádějící.

V větších organizacích se tento trend posiluje potřebou signalizovat pokrok. “Činnost s umělou inteligencí” se stává cílem samo o sobě, a zavedení modelu je často nejrychlejší způsob, jak toho dosáhnout, bez ohledu na to, zda produkuje měřitelnou hodnotu.

Co to znamená “nepřipravenost na umělou inteligenci” v praxi

Hlavním problémem je nedostatek soudržnosti mezi systémy. Například jeden zákazník může existovat současně v podnikovém informačním systému, e-commerce prostředí a offline nebo věrnostním systému, přičemž každá instance nese různé historie a předpoklady.

Produktová data, ačkoli jsou technicky kompletní, jsou omezená ve smyslu poskytování kontextu, který by umožnil modelu interpretovat nebo rozumět jim účinně. Špatná kvalita dat samotná se odhaduje, že stojí organizace téměř 13 milionů dolarů ročně, což zdůrazňuje, jak zásadní tyto omezení jsou.

Lidské týmy se učí navigovat tyto nesrovnalosti v průběhu času, vytvářejí neformální mosty mezi systémy. Model, na druhé straně, funguje striktně v rámci struktury, kterou obdrží, a výstupy, které generuje, jsou omezeny odpovídajícím způsobem.

Když je umělá inteligence zavedena do tohoto prostředí, výsledkem není absence výstupu, ale postupné zhoršování jeho kvality.

Model může zpracovat data a produkovat výstupy, ale nebude spojoval systémy sám o sobě.

V praxi se to může projevit jako personalizační engine, který začíná nabízet vysoce specifické produktové doporučení, které kategorizují zákazníka způsoby, které neodrážejí jeho skutečné preference nebo úmysly.

V systémech poháněných umělou inteligencí se zákaznické zkušenosti často stávají přesnějšími, ale méně relevantními.

Tento posun od obecné relevance k specifické irelevance může být více škodlivý, než se zdá, protože mění, jak zákazníci vnímají samotnou značku. V nejhorších případech tyto systémy nedosahují pouze špatných výsledků. Aktivně zhoršují zákaznickou zkušenost.

Proč většina pilotních projektů umělých inteligencí selhává a co to stojí

Tato dynamika je jednou z hlavních příčin, proč velká část pilotních projektů umělých inteligencí v obchodu nepostupuje beyond experimentování. Průmyslová data naznačují, že pouze asi polovina iniciativ umělých inteligencí přechází z pilotní fáze do produkční fáze, přičemž významná část zůstává uvíznutá ve fázi experimentování.

Problém zřídka spočívá v absenci investic nebo úmyslu. Omezení vzniká, když výstupy generované těmito systémy neodůvodňují škálování.

V tomto okamžiku se organizace ocitají před volbou mezi pokračováním investic do optimalizace nebo opuštěním iniciativy úplně. V mnoha případech si zvolí druhou možnost, protože prostředí, ve kterém je iniciativa nasazena, nemůže podporovat konzistentní výsledky.

Na celém odvětví se opakují stejné mezery v infrastruktuře. Zákaznická data zůstávají fragmentovaná místo sjednocená. Produktová informace existuje, ale chybí hloubka, která by umožnila interpretaci. Systémy fungují paralelně místo toho, aby tvořily jeden soudržný tok informací. Když jsou do tohoto prostředí zavedeny modely, tyto problémy se zhoršují.

Náklady tohoto přístupu sahají za přímé výdaje. Projevují se jako systémové nahromadění doporučení, která se nezdaří, personalizace, která se cítí nesourodá, a automatizace, která zesiluje stávající chyby.

V průběhu času vytváří tato situace jemné, ale významné, podkopání důvěry v rámci organizace. Týmy začínají zpochybňovat spolehlivost systémů, které budují, a zavádějí další vrstvy technologií v pokusu o kompenzaci. Výsledkem je zpoždění v dosažení jasnosti potřebné pro stavbu funkčních systémů.

Důvod, proč mnoho společností buduje pilotní projekty umělých inteligencí, ale nikdy nepostupuje dále, spočívá v tom, že staví tyto pilotní projekty na slabých základech, což je jako vaření s nekvalitními surovinami.

Můžete mít recept od Gordona Ramsayho a excelente vybavení, ale pokud suroviny jsou špatné, výsledek bude stále negativní.

Rozdíl mezi startupy a velkými korporacemi

Menší organizace, zejména ty ve středním trhu, často prokazují větší schopnost implementovat umělou inteligenci účinně. To je způsobeno tím, že jejich systémy jsou méně fragmentované a jejich rozhodovací procesy jsou přímější.

V větších organizacích sama struktura zavádí potenciální překážky. Iniciativy jsou často řízeny potřebou reagovat na vnější očekávání, a umělá inteligence se stává kategorií, která musí být adresována, místo schopnosti, která je pečlivě integrována.

Říkat “chceme implementovat umělou inteligenci” je jako přivést elektřinu do továrny bez strojů. Světla se rozsvítí, ale produkce se nezlepší, protože jste investovali do technologie, aniž byste věděli, co vlastně udělá.

Posun od modelů k infrastruktuře

Alternativní přístup začíná nabývat tvaru mezi organizacemi, které narazily na tato omezení přímo.

Místo alokace počátečních rozpočtů na modely umělé inteligence investují do toho, co lze popsat jako “důvěru v data”, což je vytvoření základny, kde data jsou konzistentní, propojená a kontinuálně aktualizovaná. Cílem je zajistit, aby data používána mohla podporovat smysluplná rozhodnutí.

Příprava dat může zabrat až 80 % času stráveného na projektech strojového učení, což zdůrazňuje, kolik práce spočívá ve vrstvě dat pod nimi, spíše než v modelech samotných.

Tento proces obvykle začíná podrobným mapováním stávajících systémů a identifikací mezer v toku a integritě dat. První 30 až 60 dní je často věnováno porozumění, jak informace přecházejí nebo nepřejdou přes organizaci. To je následováno obdobím integrace a standardizace, během kterého jsou data očištěna, odstraněny duplicity a sladěna napříč platformami.

V průběhu dalších tří až šesti měsíců se společnosti soustředí na budování spolehlivých datových potrubí a propojování vysokohodnotových systémů způsoby, které podporují reálné případy použití. Teprve poté, co je tato základna zavedena, se stává možné zavést umělou inteligenci do pracovních postupů, které mohou produkovat konzistentní, měřitelné výsledky.

V horizontu šesti až devíti měsíců organizace, které následují tento přístup, obvykle začínají vidět významné výsledky ve formě procesů poháněných umělou inteligencí, které ovlivňují metriky, jako je konverze, udržení a zlepšení marže. V tomto okamžiku modely přestávají být experimenty a stávají se součástí operací. Jejich výkon se stabilizuje a jejich výstupy se stanou akčními, takže týmy mohou začít na nich spoléhat.

Zrychlení investic do umělé inteligence v obchodu se pravděpodobně v blízké budoucnosti nezpomalejí. Co zůstává nejisté, je zda připravenost infrastruktury bude držet krok a bude schopna ji podporovat. Rozšiřující se mezera mezi tím, co organizace očekávají, že umělá inteligence dodá, a tím, co jejich systémy mohou podporovat, je již viditelná v rostoucím počtu pilotních projektů, které se nezdaří dosáhnout produkční fáze. Řešení této mezery vyžaduje posun v zaměření na budování této kritické infrastruktury.

Přesunutí konverzace z modelů na infrastrukturu nenese stejnou naléhavost nebo viditelnost. Avšak je to místo, kde mnoho současných omezení spočívá. A je zde, kde se pravděpodobně objeví další fáze významného pokroku v obchodu poháněném umělou inteligencí.