5 trin til at implementere AI i din virksomhed uden at gå bankerot

Kunstig intelligens fortsætter med at boome, og hvis det fortsætter med at trænge ind i hver enkelt branche, vil det fuldstændigt ændre måden, vi lever på.

Som følge heraf er integration af AI i deres virksomheder blevet en absolut prioritet for mange grundlæggere. Selv enkeltpersoner søger efter måder at udnytte AI til at forbedre deres personlige liv.

Hypeen er sådan, at Collins Dictionary, en autoritet på sprog, har valgt AI som årets ord, på grund af dets popularitetsboom.

Det er sagt, at for de fleste virksomheder er der et stort gap mellem idé og virkelighed, når de forsøger at integrere AI i deres processer, fordi vejen ikke er så ligetil, som den synes, og det kan være meget dyrt, både i form af kapitaludgifter og spildt tid, fordi udviklingen ikke giver de forventede resultater. Dette har ført til, at flere virksomheder er havnet i vanskeligheder. For eksempel har CNET eksperimenteret med AI-skrevne artikler, og de viste sig at være fulde af fejl. Andre virksomheder, som iTutor Group, har fået store bøder og offentlig latterliggørelse på grund af deres dårlige AI-implementeringer.

Som disse tilfælde viser, kan virksomheder begå mange fejl med AI, og medmindre en virksomhed har den finansielle polster af Amazon, Google, Microsoft eller Meta, kan disse fejlslåede eksperimenter føre til, at virksomheden går konkurs.

Hvis du er en grundlægger eller virksomhedsleder, er her en vejledning med fem trin til at hjælpe dig med at implementere AI i din virksomhed, samtidig med at du bruger dine ressourcer – penge og tid, som i sidste ende er penge – på en ansvarlig måde og reducerer risikoen for fatale fejl.

1. Vær klar over problemet, du forsøger at løse

Ingen virksomhed er immun over for AI-fejl. Og som Amazon smerteligt fandt ud af – gennem deres floundrerende kassedørs Amazon Go – ikke alle forretningscases har brug for AI.

Derfor er det kritisk, at du definerer problemet, du forsøger at løse med AI. Dette skal være så klart og tydeligt som muligt.

For eksempel er en almindelig anvendelse af AI kundesupport. Implementering af AI i sådanne tilfælde kan ske på en måde, der har specifikke resultater, for eksempel reducerer kundeserviceomkostningerne med X beløb om måneden eller accelererer gennemsnittiden for at løse kundehenvendelser med X minutter. Med denne tilgang har vi en målbar indikator i form af penge eller tid, som vi vil forsøge at opnå ved at implementere AI og se, om dette har nogen virkning.

Der er forskellige måder, dette kan ske på. For eksempel kan vi i stedet for en chatbot udvikle eller købe en tjeneste, der kan afgøre, om en kundes forespørgsel kan besvares med en FAQ-side. Det fungerer således, at når en kunde skriver en besked, kører vi denne model, og den fortæller os enten, at vi skal overføre denne samtale til en agent, eller viser dem en relevant side med et svar på deres spørgsmål. At udvikle denne model er hurtigere og billigere end at bygge en kompleks chatbot fra bunden. Hvis denne implementering lykkes, vil vi opnå vores mål om at reducere omkostninger, samtidig med at vi optimerer vores AI-relaterede kapitaludgifter i forhold til udviklingen af en chatbot.

En pioner i denne tilgang var Matten Law, en kalifornisk advokatfirma, der integrerede en AI-drevet assistent til at automatisere mange opgaver, hvilket gjorde det muligt for advokater at bruge mere tid på at lytte til kunder og studere de aspekter af en sag, der var mest relevante. Dette viser, at selv de mest stive sektorer kan forstyrres gennem AI på en måde, der styrker brugeroplevelsen ved at forstærke den menneskelige berøring, hvor det er mest nødvendigt.

Andre almindelige problemer, der kan løses med AI, omfatter dataanalyse og oprettelse af tilpassede tilbud. Spotify er et ekstraordinært eksempel på en virksomhed, der med succes udnytter AI til at udvikle et intelligent system til musik-anbefalinger, der går så langt som at tage hensyn til den tid på dagen, hvor en person lytter til en bestemt genre.

I begge ovennævnte scenarier hjælper AI med at give en bedre oplevelse for kunden. Men årsagen til, at disse virksomheder brugte AI med succes, var, fordi de var meget klare over, hvilke aspekter der skulle overdrages til AI.

2. Vælg data, du skal analysere

Når hovedproblemet er godt defineret, skal vi tage i betragtning, hvilke data vi skal føde systemet med. Det er nøgle til at huske, at AI er en algoritme, der analyserer og tilpasser sig de data, vi giver det. Det grundlæggende scenarie for dataindsamling er følgende:

1. Forstå, hvilke data vi måske har brug for at implementere AI.

2. Se, om vores virksomhed har disse data.

   1. Hvis det er tilfældet — godt.

   2. Hvis ikke, skal vi sidde ned og finde ud af, om vi kan starte den rigtige dataindsamling i virksomheden. En anden mulighed er, at vi kan bede udviklere om at gemme de data, vi har brug for, hvis vi ikke allerede gør det.

Her er et eksempel. Vi ejer en kaffebar, og vi har brug for data om, hvor mange kunder der besøger den. Vi kan gøre dette ved at implementere personlige loyalitetskort, som brugerne vil fremvise, når de køber noget. På denne måde vil vi have de data, vi har brug for, som for eksempel hvilke kunder der kom, hvornår de kom, hvad de købte og i hvilken mængde. Når vi har disse data, kan vi bruge dem til at implementere AI. Men der er tilfælde, hvor indsamling af disse data kan være meget dyrt. Og det er, hvor AI kan komme til vores undsætning. For eksempel, hvis vi har en kamera installeret i vores kaffebar – som vi måske allerede har til sikkerhedsformål – kunne vi udnytte det til at indsamle data fra vores besøgende kunder. Jeg må sige, at før vi implementerer dette, er det vigtigt at konsultere om persondatalove, såsom GDPR, da denne tilgang ikke kan fungere i alle lande. Men i de jurisdiktioner, hvor det er tilladt, kan dette være en problemfri måde at indsamle den information, vi har brug for, og få AI til at hjælpe os med at analysere og bearbejde den.

Hvis du undrer dig, er denne personlige loyalitetsprogram det, som Starbucks gjorde, med stor succes. Starbucks’ belønningsprogram gik så langt som at give personlige incitamenter, når en kunde besøgte deres foretrukne lokalitet eller bestilte deres yndlingsdrik.

3. Definer en hypotese

Der kan være situationer, hvor du er usikker på, hvilke processer der kan eller skal optimeres med AI.

Hvis dette er tilfældet, kan du starte med at bryde hele processen ned i faser og identificere de faser, hvor du føler, at din virksomhed underpræsterer. Hvad er de områder, hvor du bruger for meget penge? Hvad tager længere tid end normalt? Ved at besvare disse spørgsmål kan du pege på de kritiske områder for forbedring og afgøre, om AI kan være til hjælp.

Som du vil opdage, er der tilfælde, hvor konventionelle løsninger kan være mere effektive. Hvis du kæmper med, hvilke produkttilbud du skal fremhæve for dine kunder, er forslag baseret på de mest populære produkter ofte langt mere effektive i markedsanbefalinger end forsøg på at forudsige brugeradfærd. Prøv det først. Når du har et resultat – enten positivt eller negativt – kan du have en hypotese for AI-test. Ellers vil handlingsfeltet være for vagt, og du kan ende med at spilde tid og penge.

4. Udnyt de løsninger, der allerede eksisterer

Mange virksomheder forsøger straks at designe deres egne maskinelæringsalgoritmer. Men hvis du ikke planlægger at træne dem med store datasæt over en længere periode, skal du ikke gøre det. Det vil være meget dyrt og tidskrævende.

I stedet foreslår jeg, at du fokuserer på løsninger, der allerede er tilgængelige. Virksomheder som Amazon, Google, Microsoft og mange andre har AI-drevne værktøjer, der kan hjælpe dig med at opnå mange mål. Derefter kan du gradvist indgå en kontrakt med en af dem og hyre en intern udvikler til at konfigurere de nødvendige API-anmodninger.

Den grundlæggende idé er, at disse værktøjer kan integreres af forretningsudviklere (ikke ML-specialister), hvilket vil give os mulighed for hurtigt at teste hypotesen om, hvorvidt AI giver den forventede effekt eller ej. Hvis det fejler, kan vi blot deaktivere disse værktøjer, og vores omkostning ved at teste vores hypotese vil kun være udviklertiden, vi har brugt på at integrere med denne tjeneste, og det beløb, vi har betalt for at bruge værktøjet. Hvis vi var ved at udvikle en model, ville vi bruge lønnen for en ML-specialist gange den tid, de bruger på at udvikle modellen, plus eventuelle infrastrukturkostninger. Og derefter er det ikke klart, hvad vi skal gøre med udvikleren og modellen, hvis den forventede effekt ikke er der.

Hvis vores hypotese er bekræftet, og det AI-drevne værktøj giver den forventede effekt, kan vi glæde os og komme med en ny hypotese. I fremtiden, hvis vi forudser, at omkostningerne ved at bruge værktøjet stiger betydeligt, kan vi overveje at udvikle denne model selv og reducerer omkostningerne endnu mere. Men vi skal først vurdere, om udviklingsomkostningerne faktisk er lavere end det, vi ville betale for at bruge et værktøj fra en anden virksomhed, der specialiserer sig i at udvikle disse værktøjer.

Min råd er, at du kun overvejer at udvikle dit eget maskinelæringsprodukt, når du har opnået gode resultater fra at bruge AI med de ovennævnte værktøjer, og når du er sikker på, at AI er den rigtige måde at løse dit problem på lang sigt. Ellers vil dit ML-projekt ikke give den værdi, du søger, og som en brilant artikel i Harvard Business Review sagde, vil AI-hype blot vil distrahere dig fra din mission, som ikke har brug for AI.

5. Konsulter med AI-specialister

På samme måde er en anden meget almindelig fejl, som grundlæggere og virksomhedsledere begår, at de prøver at gøre alt selv. De hyrer en AI-chefingeniør eller -forsker og derefter flere mennesker for at danne et hold, der kan skabe et avanceret produkt. Men denne teknologi vil være værdiløs for virksomhedens formål, hvis du ikke har en ordentlig defineret AI-implementeringsstrategi. Der er også tilfælde, hvor de hyrer en junior ML-ingeniør for at spare penge i forhold til at hyre en mere erfaren specialist. Dette er også farligt, fordi en person uden erfaring måske ikke kender nuancerne ved ML-systemudvikling og -design og kan begå “rookie-fejl”, som virksomheden vil skulle betale en høj pris for, næsten altid overstigende prisen for at hyre en enkelt erfaren ML-specialist.

Derfor anbefaler jeg, at du først hyrer en AI-ekspert, som en konsulent, der kan vejlede dig på vejen og evaluere din AI-adoptionsproces. Udnyt deres ekspertise til at sikre, at problemet, du arbejder på, kræver AI, og at teknologien kan skaleres effektivt til at bekræfte din hypotese.

Hvis du er en tidlig start-up, og du er bekymret for finansiering, er en hack at kontakte AI-ingeniører på LinkedIn med specifikke spørgsmål. Tro det eller ej, mange ML- og AI-eksperter elsker at hjælpe, både fordi de er meget interesserede i emnet, og fordi hvis de lykkes med at hjælpe dig, kan de bruge det som et positivt casesammenfald til deres konsulentportfolio.

Afslutning

Med al den hype, der omgiver AI, er det naturligt, at du måske er ivrig efter at integrere det i din virksomhed og udvikle en AI-drevet løsning, der tager dig til næste niveau. Men du skal huske, at det faktum, at alle taler om AI, ikke betyder, at din virksomhed har brug for AI. Mange virksomheder, desværre, skynder sig at integrere AI uden en klar målsætning, og ender med at spilde enorme mængder af penge og tid. I nogle tilfælde, især for tidlige virksomheder, kan dette betyde deres undergang. Ved at definere et problem, indsamle relevante data, teste en hypotese og bruge de værktøjer, der allerede eksisterer, med hjælp fra en ekspert, kan du integrere AI uden at dræne din virksomheds finansielle ressourcer. Derefter, hvis løsningen virker, kan du gradvist skalerer op og integrere AI i de områder, hvor det øger effektiviteten eller profiten i din virksomhed.