Úspěšná adopce AI vyžaduje 3 komponenty – většina společností má pouze 2

V tomto okamžiku již AI není nová technologie. Její prokázaná účinnost v analýze dat, rozpoznávání vzorců a syntéze znalostí může učinit týmy efektivnějšími. Ale navzdory nezpochybnitelné hodnotě AI ukazuje nová výzkum, že pouze 13 % podniků ji přijalo rozsáhlým způsobem. Většina podniků hraje bezpečně, používá AI pouze pro úkoly s nejnižším rizikem. Co brání značkám v tom, aby se ponořily a využily výhod? Mezera mezi aspiracemi AI a dosažením se snižuje na strukturální nedostatek.

Chybějící článek.

Úspěšná, široká adopce AI vyžaduje tři komponenty: infrastrukturu, aplikaci a data. Infrastruktura se skládá z modelu AI, jehož rámec přímo formuje použití a potenciální výstupy.

Aplikační vrstva je místem, kde žijí softwarová řešení. Zde se vytváří většina hodnoty AI; je to místo, kde uživatelé interagují (možná nepřímo) s AI a hodnotí její výstupy; je to centrum rozhodování informovaného AI.

Mezi těmito vrstvami je vrstva dat a je to tato komponenta, se kterou většina podniků má potíže – ať už si to uvědomují nebo ne. Tato vrstva samozřejmě obsahuje všechna data; data, která se hodí do základních modelů AI a řídí stavbu aplikací. Kvalita vrstvy dat přímo informuje výstup na aplikační vrstvě. Vysokokvalitní, hojné data mohou podporovat robustní použití, zatímco pochybná nebo nedostatečná data nemohou.

Dokud organizace nebudou moci postavit – nebo spolupracovat s podniky, které postaví – všechny tři vrstvy adopce AI, nebudou moci získat maximum hodnoty.

Důsledky nerovnováhy.

Výstup AI bude vždy podmíněn daty, která obdrží. Pokud organizace chce, aby její AI mohla předpovídat syntetické molekulární struktury, musí ji nakrmit mnoha fyzikálními daty. Pokud maloobchodník chce použít AI k předpovědi chování uživatelů a zlepšení digitálních zkušeností, musí ji nakrmit behaviorálními daty.

Pokud podniky (nebo jejich partneři) nemohou dostatečně podporovat svá AI nástroje dostatečnými daty, důsledky budou rozsáhlé. Nejprve je zde samotné AI řešení. V nejlepším případě bude technicky funkční, ale ne v požadovaném rozsahu. Výstupy mohou být slabé, mdlé nebo zcela postrádající vhledy. Za tímto „nejlepším“ výsledkem leží pravděpodobnější výsledek: AI halucinace, chybné výstupy a negativní ROI. Nejenže bude investice promarněna, ale organizace mohou muset vynaložit více prostředků na nápravu škod.

Při pohledu na širší důsledky nerovnováhy dat v AI řešení vidíme, že podniky obecně přijímají AI, aby mohli dělat více: získat více vhledů, obsloužit více zákazníků, fungovat efektivněji. Pokud organizace vynaloží čas a prostředky na AI nástroj, který selže, efektivní omezí svůj vlastní růst, omezí svou schopnost adaptovat se na trh a získat výhodu nad konkurencí. To je učiní zranitelnými a povede je k tomu, aby se snažily dohnat ztracený čas, prostředky a – potenciálně – zákazníky.

Ale není ztracena naděje; existuje mnoho věcí, které organizace mohou udělat, aby se vyrovnaly se situací, opravily (nebo předešly) nerovnováhu AI a pokračovaly vpřed.

Vyplnění mezery správnými daty.

Riziko zjednodušení spočívá v tom, že nejlepší věc, kterou mohou lídři udělat, aby se vyhnuli nerovnováze AI, je provést svou due diligence před tím, než se pustí do jakékoli AI řešení. Před nasazením nového nástroje si vezměte čas, abyste se dozvěděli, odkud pocházejí data a jak jsou generována.

Pokud váš poskytovatel řešení nebo hlavní inženýr nemůže poskytnout přímou odpověď na zdroj, kvalitu nebo množství základních dat, mělo by to vyvolat poplach. Získejte druhý nebo třetí názor od partnerů a integrátorů. Získejte informace od uživatelů na diskusních sítích, jako je Reddit a Discord; podívejte se, kde jiní adoptoři narazili na potíže nebo překážky. Vědět, na které červené vlajky se zaměřit před rozhodnutím, může pomoci lídrům vyhnout se světu bolestí hlavy a nezlepšit očekávání.

Samozřejmě, že tato předvídavost není vždy možná a nepomůže organizacím, které jsou uprostřed nedostatku dat AI. Pokud zrušení stávajícího řešení není možností, nejlepší věc, kterou lze udělat, je najít způsob, jak vložit více dat, aby nástroj měl více kontextu, vzorců a vhledů, ze kterých může čerpat.

Syntetická data jsou možností, ale nejsou všelékem. Může být obtížné určit přesný původ syntetických dat, takže nemusí být vždy nejlepší cestou vpřed. Říká se, že existuje čas a místo pro syntetická data. Například vynikají ve výcviku AI bezpečnostních modelů, zejména v adversním způsobu. Jako vždy, provedení výzkumu předtím, než se pustíte do něčeho, vám pomůže učinit nejlepší rozhodnutí pro váš podnik.

Pro odvětví, jako je maloobchod nebo rychlé služby (QSR), je preferována lidská data. Podniky v těchto odvětvích pravděpodobně používají AI k optimalizaci zákaznické zkušenosti, takže jejich nástroje by měly být vyškoleny na lidská behaviorální data. Například, pokud chcete předpovědět, jak daleko uživatelé budou scrollovat na stránce, budete chtít, aby AI své předpovědi založila na skutečném lidském chování za podobných podmínek.

V některých případech není získání lidských dat tak důležité, jako aktivace existujících dat. Návštěvníci webu a aplikace jsou již tam – stačí je zachytit, strukturovat a analyzovat jejich behaviorální data, aby je mohly AI nástroje použít.

Na konci dne je lepší mít nedostatečná data než špatná data; cokoliv, co organizace mohou udělat, aby vyčistily svá řešení, pomůže dosáhnout lepších výsledků.

Odkud začít.

Nedostatek dat AI může představovat značnou výzvu pro organizace jakéhokoli velikosti a může být děsivé i jen přemýšlet o tom, jaké další kroky by mohly být. Ale i pouhé uznání problému je samo o sobě úspěchem. Odtud je to o nalezení zvladatelných, postupných kroků, které můžete zvládnout jeden po druhém.

AI nabízí obrovský potenciál – ale pouze pro ty, kteří jsou ochotni investovat do všech jeho klíčových komponent: infrastruktury, aplikace a dat. Bez těchto vrstev i nejelegantnější AI řešení selže. Organizace, které nyní uzavřou mezeru v datech, nebudou pouze vyhnout se zpoždění; budou stanovovat tempo.