Maximální využití návratnosti investic do umělé inteligence v podniku

Jak je tomu u mnoha technologií před ní, umělá inteligence (AI) je oslavována jako další velké inovace, které podniky prostě musí využít. Ironií je, že základní technologie existuje již desetiletí, ale s nejnovějšími iteracemi se hype vyšplhal na horečku – předstihl realitu implementace napříč podnikem. Přestože IT týmy čelí rostoucímu tlaku, aby se dostaly na palubu IT vlak, musí vyvážit tento entuziasmus s realitou bottom line. Různé implementace vyžadují různé úrovně investic, což znamená, že musí také přinést různé návraty – často na jiném časovém rozvrhu.

Schopnost dodávat úspěšné AI produkty závisí na mnoha faktorech: konkrétní strategii, plánování a provedení zvolené podnikovými lídry; dostupnosti kvalifikovaných zdrojů; souladu s produktovou mapou; organizační akceptaci rizika; a časovém managementu proti očekávanému návratu investic (ROI).

Rovnováha těchto faktorů je výzvou, ale dodržování těchto tří kroků může udržet organizace na cestě k AI ROI.

Pochopit technologii

Mnohé podniky vstupují do AI s tím, že jsou pozadu, ale plně nerozumí proč, jak nebo dokonce co je technologie. Jako výsledek, jejich první úkolem je rozlišovat mezi různými druhy AI, počínaje přesnou AI vs. generativní AI.

Přesná AI je použití machine learning a deep learning modelů ke zlepšení výsledků. Umožňuje podnikům automatizovat rozhodovací procesy, vytvářet efektivitu a zvyšovat ROI. Přesná AI se stala zavedenou a osvědčenou technologií pro podniky, která pokračuje ve významném přijetí a stává se stále více mainstreamovou.

Generativní AI (GenAI) je nová a stala se prominentní od doby, kdy OpenAI vydala ChatGPT na konci roku 2022. Skládá se z základních velkých jazykových modelů (LLM) trénovaných s miliardami parametrů pro generování nového semantického textu, GenAI nabízí významné příležitosti pro obchodní dopad a provozní efektivitu, ale je stále na počátku svého životního cyklu.

Jednou z významných překážek je standard pro kvalitu dat, který je zvýšen pro GenAI aplikace, protože nízkokvalitní datové sady mohou zavést transparentnost a etické problémy.

Spolehlivost dat začíná navrhováním a implementací pracovních postupů; vytvářením kanálů pro provedení; abstrahováním prostřednictvím API; kurací a demokratizací; a zpracováním různých typů dat. Místo předchozí generace požadavků na kvalitu dat, která zahrnovala 4V (objem, rychlost, pravdivost a variabilita), AI potřebuje nové požadavky, které zahrnují 4P: predikci, produktivitu, přesnost a osobu v měřítku.

Predikce: AI algoritmy umožňují použití statistické analýzy pro nalezení vzorců v datech a identifikaci chování pro predikci a předpověď budoucích událostí pomocí korelace historických dat v klidu a dat v reálném čase pro rozhodování.

Produktivita: AI umožňuje automatizaci obchodních procesů, což zvyšuje podnikovou provozní efektivitu a produktivitu, snižuje opakující se úkoly a uvolňuje čas zaměstnanců pro strategičtější úkoly.

Přesnost: Tento metrický údaj měří výsledky modelu způsobem, který umožňuje machine learning modelům produkovat přesnost v přijatelném rozmezí stanoveném případem použití. Přesnost se také vypočítává jako počet skutečných pozitivních výsledků dělený celkovým počtem pozitivních predikcí.

Osoba v měřítku: Toto se týká procesu použití spolehlivých dat, jako jsou historie nákupů zákazníků, akcí na webu, sentimentální analýzy zákazníků pro konkrétní produkty a odpovědí na dotazníky. Poskytuje individualizované zkušenosti napříč demografií.

Kromě kvality dat musí podniky zvážit mnoho dalších faktorů – vnitřních i vnějších – při hodnocení své připravenosti na AI: governance, compliance, investice do cloudu, talent, nové obchodní modely, řízení rizika a vedení.

Organizace musí začít stanovením AI vize, která odpovídá jejich cílům a strategickým objektivům. Schválení ze strany C-suite je kritické, protože AI nasazení vyžaduje významné počáteční investice. CIO musí jasně artikulovat cestu k ROI pro celou C-suite – skutečný test CIO při elevaci IT z funkční na strategickou úroveň.

Dále musí organizace sladit lidi, procesy a technologii. AI vyžaduje nové dovednosti a certifikace, jako jsou hluboké učící modely a machine learning, protože organizace tradičně integrovaly AI do lidských pracovních postupů. Nicméně, GenAI obrací dynamiku, ale většina nejlepších praktik a pokynů pro odpovědné použití stále zahrnuje “člověka v smyčce” komponentu pro udržení etických standardů a hodnot.

AI nasazení také vyžaduje nové obchodní procesy pro governance a zajištění kvality dat, umožňující datovým vědcům odpovědným za dodání nových AI modelů řešit složité obchodní problémy.

Při navrhování, vývoji a výrobě nových AI produktů pro produkci musí podniky také zůstat bdělí nad nejnovějšími regulačními politikami AI průmyslu. Evropský AI akt stanovil nejlepší praktiky pro použití AI – a důsledky za nedodržení těchto politik. Jako výsledek, podniky vytvořily týmy pro vytvoření, vyhodnocení a aktualizaci úsilí kolem AI regulací.

S tím, jak se podniky stávají stále více datově orientovanými, musí vyvinout základní strategie pro ochranu datových aktiv, která jim umožňují dodávat nejlepší přehledy prostřednictvím automatizace analytických procesů. Odtud mohou vybrat AI technologie a nové platformy, které pro ně mají nejvíce smyslu.

Definovat obchodní případ

Nakonec, skutečný návrat investic do AI vyžaduje prodej výhod zákazníkům, což znamená, že AI připravenost vyžaduje novou obchodní mentalitu, protože technologie pohání transformaci pro podniky napříč odvětvími.

Úspěšný vývoj AI produktů vyžaduje hluboké porozumění specifickým zákaznickým cestám a sladění AI řešení s obchodními cíli. Zákaznická orientace hraje klíčovou roli ve vývoji nových provozních modelů, a moderní technologie se používají ke zvýšení efektivity.

Například zákazníci, kteří hledají malé výhry v AI zralosti, se mohou spolehnout na své softwarové aktiva a cloud infrastrukturu pro vývoj nových produktů a řešení. To udržuje spokojenost mezi zaměstnanci vyšší a udržuje jejich zaměření na překračování zákaznických očekávání.

To řečeno, jádro organizace by se mělo soustředit na zkrácení času na trh a zlepšení nového procesního managementu pro zkrácení produktového životního cyklu a zvýšení efektivity dodání nových produktů. Například, distribuovaná platforma pro augmentovanou datovou analytiku se používá pro automatizaci ingestování, kurace, demokratizace, zpracování a analýzy v reálném čase – vše, co zvyšuje produktivitu a ROI.

Odemknout plný potenciál AI ROI

AI ve své podstatě stojí za pokročilými algoritmy, kvalitou dat, výpočetní silou, Infrastrukturou jako kód, governance, odpovědnou AI s etikou pro ochranu datové soukromí a důvěrnosti. Základní principy AI aplikace a výzvy datové správy vyžadují tvrdé datové rámce, lidi, procesy, strategie, etiku a technologické platformy.

Souběžně, McKinsey hlásí, že 65% podniků používá AI technologie – dvojnásobek oproti loňskému roku. To ukazuje na dynamiku, ale nasazení se stále pohybují pomalu z zvědavosti k skutečným obchodním případům v měřítku. GenAI dodává nové průlomy, umožňující organizacím využít nové schopnosti prostřednictvím vývoje sémantických a multimodálních LLM. To demokratizuje plný rozsah AI schopností, umožňující jim generovat nové příjmové prameny.

S pravou strategií, vedoucími závazky a investicemi do správných případů použití, podniky mohou získat významné hodnoty a pohánět transformační růst prostřednictvím AI.