Myslitelé
Plánování, PoC a produkce úspěšného podnikového řešení s umělou inteligencí

Klíčové bodyPouze 15 procent podnikových řešení AI uspěje do roku 2022 kvůli nesouladu očekávání.
Zobrazit více
- Pouze 15 procent podnikových řešení AI uspěje do roku 2022 kvůli nesouladu očekávání.
- Plánování se musí zaměřit na oblasti s vysokým dopadem a nízkým rizikem, s kontinuálním růstem dat, jako je zpracování půjček.
- Škálování z PoC do produkce vyžaduje modulární návrh a řízení modelů poháněných humbukem, jako je GPT-3.
Podniky urychlují své iniciativy v oblasti umělé inteligence (AI) rychlým tempem. Studie společnosti Algorithmia ukázala, že 76 procent CIOů dává prioritu a zvyšuje své IT rozpočty, aby se více zaměřili na AI a strojové učení (ML) řešení. Organizace také rozpoznávají důležitost dat a většina z nich přijímá fakt, že 80 procent podnikových dat je nestrukturované povahy.
Nestrukturovaná data jsou produkována a rostou rychlým tempem v podnikovém stacku. Jednotka měření se změnila z terabajtů na petabajty. V důsledku toho musí IT profesionálové, CDO a CIO řešit některé nové výzvy, aby splnili rostoucí poptávku po využitelných datech a informacích využitelných pro rozhodování. Navzdory obrovskému potenciálu AI transformovat jakoukoli průmysl, pouze 15 procent AI řešení nasazených do konce roku 2022 bude úspěšných, a ještě méně z nich bude generovat pozitivní ROI.
Největší problém je, že většina podnikových AI řešení nevidí světlo světa kvůli nesouladu očekávání. Stále existují mýty kolem možností AI a projekty jsou stále koncipovány na základě hype-driven modelů. Většina produktů nebo modelů je daleko od skutečné reality denních podnikových operací. Dalšími faktory nižších úspěchů jsou: překročení nákladů, nedostatek center excelence AI (CoE), nezkušené talenty, nedostupnost dat a zastaralé politiky, abychom jmenovali alespoň několik příkladů.
Plánování vytváří cestu pro podnikový úspěch AI
Nestrukturovaná data jsou data, která postrádají předem definovaný datový model a zahrnují vše od textově bohatých dokumentů a webových stránek po obrázky, video soubory, chatboty, zvukové proudy a příspěvky na sociálních sítích. S rostoucím množstvím nestrukturovaných dat v podnikové architektuře je kritické mít efektivní a inkrementální plán, který je v souladu s cíli všech firemních stakeholderů. Typické cíle na organizační úrovni mohou zahrnovat: automatizaci procesů, detekci podvodů, zlepšení zákaznické zkušenosti, zlepšení bezpečnosti, zvýšení prodeje a tak dále. Zatímco některé z těchto cílů lze dosáhnout poměrně účinně, díky strukturované povaze dat, plánování kolem nestrukturovaných dat může být náročné.
Typicky, plánování začíná identifikací oblastí příležitostí v rámci organizace. Zatímco může existovat grandiózní vize AI na úrovni výkonného managementu, je kritické identifikovat oblast, která má vysoký dopad, nízké riziko a kontinuální růst dat. Dobrým příkladem takové use case by byla funkce zpracování půjček v bankovním a finančním průmyslu. Originace půjček až po jejich obsluhu je plná manuálních procesů, kde informace jsou zadávány ručně do systémů opakovaným způsobem. Due diligence půjček zahrnuje významné množství dokumentů, které představují několik rizik. Nicméně, AI lze aplikovat v několika oblastech workflow, včetně zpracování dokumentů a detekce podvodů. Jedná se také o oblast, kde je kontinuální růst dat z roku na rok.
Dalšími kritickými kroky, které je třeba zvážit během této fáze plánování, jsou definice měřitelných kritérií úspěchu, formulace ucelené datové strategie, kontinuální školení a zpětná vazba a hodnocení uživatelské zkušenosti, škálovatelnosti a infrastruktury.
Definice měřitelných kritérií úspěchu (a vyhnutí se momentu “vozu před koněm”)
Rané úspěchy Googlu jsou často přisuzovány institucionalizaci Objective Key Results (OKR). Zatímco tento přístup lze aplikovat na jakýkoli aspekt podnikání nebo osobních cílů, použití tohoto osvědčeného přístupu k vaší AI strategii by mohlo přinést některé slibné výsledky. Nicméně, když se jedná o nestrukturovaná data, je to vyvíjející se problém, který se snaží řešit celý průmysl. Vzhledem k těmto výzvám by měli business leaderové klást různé otázky, aby určili “co” a “proč”. Například, pokud je zvýšení produktivity klíčovým cílem, dvě otázky, které by mohly být zodpovězeny, jsou:
- Mělo by se plánovat zvýšení objemu zpracované práce prostřednictvím automatizace? nebo
- Mělo by se plánovat řešení 80 procent problému pro 100 procent všech případů, které jsou předloženy?
Odpovědi na tyto otázky vedou k dvěma odlišným implementačním cestám a je důležité rozhodnout, která z nich bude správná pro vaši firmu.
S nestrukturovanými daty je další nejasná oblast měření přesnost. V příkladu zpracování půjček je tolik variability v dokumentech předložených zákazníky, že je kritické, aby se business a technologičtí leaderové dohodli na tom, jak se měří přesnost AI řešení. Pokud je produktivita jedním z cílů zavedení AI řešení, pak by bylo nutné identifikovat další oblasti, které ovlivňují produktivitu. To lze dosáhnout pečlivým pohledem na současný proces a jeho nové uspořádání s využitím automatizace pomocí AI. Často nová automatizace vede k novým krokům v procesu, jako je ruční správa výjimek, anotace, školení atd. S těmito kroky na místě by bylo snazší určit, jak měřit přesnost.
Data jsou životní krví všech podniků
Nestrukturovaná data mají vysoký stupeň variability, jak je informace strukturována a prezentována. Podniky jsou plné informací prezentovaných v dokumentech, které mají komplexní struktury skládající se z odstavců, vět a, ještě důležitějších, vícedimenzionálních tabulkových struktur. Kromě dokumentů investují organizace stále více do chatbotů, monitorování sociálních médií a dalších forem nestrukturovaných dat, jako jsou zprávy, obrázky a videa.
Většina organizací podceňuje, kolik dat je k dispozici a přístupných. Často je výzvou překonat compliance omezení a sdílet data v rámci organizace. Nicméně, mít čisté a vysoké variability dat umožňuje lepší hodnocení problému a návrh optimálního řešení.
Dalším důležitým faktorem, který je třeba zvážit, je, jaký výsledek očekáváte od těchto nestrukturovaných dat. To zajistí přesné množství ověřených referenčních dat, školení a testovacích dat. Vrátíme-li se k příkladu zpracování půjček, pokud je výsledek tohoto AI řešení určit průměrné denní zůstatky žadatelů, ověřených referenčních dat a trénovacích dat lze soustředit kolem bankovních výpisů. Nicméně, pokud je zaměřeno na určení podvodných žadatelů prostřednictvím předložených bankovních výpisů, je nutné získat širší rozsah dokumentů, aby se získala potřebná ověřených referenčních dat a trénovací data.
Škálování z PoC na produkci
Vstup do měřitelného Proof of Concept (PoC) zajišťuje, že všichni stakeholdeři rozumí výzvám, výsledkům a hodnotě AI řešení. Nicméně, PoC není totéž jako produkční řešení. PoC umožňuje organizaci identifikovat mezery, stimuluje design thinking pro produkční řešení a streamlinuje cíle a výsledky, které by měly být dosaženy. Aby organizace šly od PoC k škálovatelnému řešení, měly by plánovat na komplexní datové scénáře, které zahrnují konstantní změny dat, nedostupnost označených dat a vysoký stupeň variability ve formě a formátech. Rovněž je důležité nové uspořádání pracovního postupu, přeškolení zaměstnanců a určení správné infrastruktury, nákladů, výkonu, datové architektury, informační bezpečnosti a dohod o úrovni služeb (SLA).
Je absolutně nezbytné vyhodnotit celý workflow a obchodní proces, aby se dosáhlo nejlepších výsledků z jakéhokoli AI řešení. Vezmeme-li si inspiraci z behaviorální ekonomie, je kritické srovnat výsledek s existujícím referenčním bodem (také známým jako “referenční závislost”), při kterém lze očekávat lepší efektivitu před produkcí prostřednictvím design thinking a procesního remappingu.
Tato scéna předpokládá, že business a technologičtí leaderové se dohodli na MI nebo hlubokém učení přístupu na základě PoC. Některé problémové výpovědi by mohly být deterministické a statistický přístup by se mohl použít k řešení problému, zatímco jiné výzvy by mohly vyžadovat kombinaci MI a neuronových síťových přístupů k dosažení požadovaných výsledků.
Některá AI řešení vyžadují začlenění Natural Language Processing (NLP). Zatímco obecné jazykové modely slouží jako základ, většina modelů není navržena tak, aby splňovala jedinečné potřeby každého podnikového problému a vyžadovala by jemné ladění. Současně jsou většina výkonných ředitelů pravděpodobně nadšeni obrovskými modely, jako je GPT3, které vyžadují významné výpočetní prostředky a mohou mít přímý vliv na ROI společnosti. Tyto modely jsou pravděpodobně nejsou vhodným řešením pro vaši společnost.
Vaše AI podporované PoC je pouze začátek dlouhého procesu, takže mějte na paměti:
- Nevyberte si komplexní problém k řešení v rámci PoC
- Použijte design thinking a přehledněte váš proces od začátku do konce; předpovězte a spravujte rizika brzy
- Přesnost není jediným měřením; navrhněte a plánujte na hodnotu zaměřené řešení versus dosažení 100% přesnosti
- Vyhodnoťte váš AI přístup; neplánujte na základě hype-driven modelů, ale zvolte nejoptimálnější přístup, který je modulární povahy
- Spravujte očekávání napříč všemi stakeholdery, aby se zajistil nejúspěšnější výsledek
- Navrhněte vaše řešení a architekturu tak, aby škálovaly s růstem vašich dat pro nejoptimálnější ROI
Nejlepší postupy pro AI podporované řešení
Dnes většina podniků realizuje jedno nebo více AI projektů. Navzdory výborným záměrům a tvrdé práci, mnoho podnikových AI programů nedosahuje očekávání, neškáluje a nevytváří požadovaný ROI. Bude to trvat čas, aby se umělá inteligence stala jádrem podnikového komponentu, nicméně některé z nejlepších postupů, které následují úspěšné organizace, zahrnují:
- Začněte s AI CoE: Mnohé velké korporace, dokonce i ty netechnologické, zřídily AI Centra excelence (AI CoE), aby maximalizovaly šance na úspěch. AI CoE spojuje nezbytné odbornosti, zdroje a lidi, aby umožnily AI-založené transformační iniciativy. Primární přínosy zahrnují:
- Konsolidaci AI učení, zdrojů a talentů na jednom místě
- Vyvinutí ucelené AI vize a obchodní strategie
- Standardizaci AI přístupů, platforem a procesů
- Identifikaci nových příležitostí pro příjem a inovace AI
- Škálování úsilí o vědu o datech, aby se AI zpřístupnila všem obchodním funkcím
- Podpora vedení: AI strategie je nejúspěšnější prostřednictvím top-down přístupu. Škálování pilotů napříč organizací úspěšně vyžaduje podporu vedení, nezbytné dovednosti a data a zřízení organizační struktury, která zajišťuje, že modely zůstávají přesné v průběhu času.
- Dostupnost dat: Většina organizací má izolovaná data z různých compliance důvodů. Nicméně, data jsou životní krví každého AI řešení a zajištění těchto dat je kritické. Kromě zajištění, klasifikace a čištění dat je nezbytné. Vývoj přesné ověřených referenčních dat a trénovacích dat může rozhodnout o úspěchu či selhání AI řešení.
- Architektura: Používání AI je paradigmatickým posunem pro jakoukoli organizaci, který vyžaduje nové způsoby myšlení a plánování. Navrhnout optimální technickou a provozní architekturu zvyšuje vaše šance na úspěch. To zahrnuje nové funkce, jako jsou ML ops, data ops, iterativní školení a anotace, mezi jinými.
- Modularita a flexibilita: AI podporované řešení jsou stále v počátečních fázích, zejména když se organizace potýkají s velkými objemy nestrukturovaných dat. Je kritické navrhnout a postavit modulární a flexibilní řešení, které může škálovat s podnikem a jeho rostoucími výzvami.
Zavedení a zahájení AI strategie má obrovský potenciál pro většinu organizací, a použití případů jsou nekonečné. Řešení strojového a hlubokého učení se dotýkají každého aspektu organizace, od prodeje a marketingu po denní operace. Nicméně, jako stavba raket nebo vynález nového gadgetu, úspěch nebude dosažen najednou. AI podporované řešení by měla být přístupována ve fázích a postavena na menších výhrách v průběhu času.












