5 trin til at implementere AI i din forretning uden at bryde banken

Kunstig intelligens fortsætter med at boome, og hvis det fortsætter med at trænge ind i hver branche, vil det fuldstændigt forandre 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.

Hysteriet er sådan, at Collins Dictionary, en væsentlig sprogautoritet, har valgt AI som årets ord, på grund af dens popularitetsboom.

Som sagt, 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 flere virksomheder i vanskeligheder. For eksempel, CNET eksperimenterede med AI-skrevne artikler, og de viste sig at være fulde af fejl. Andre virksomheder, som iTutor Group, har fået store bøder samt 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 pude af Amazon, Google, Microsoft eller Meta, kan disse fejlslåede eksperimenter effektivt ruinere en virksomhed.

Hvis du er en grundlægger eller virksomhedsinhaber, 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 ultimativt er penge – og reducerer muligheden 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 fejlslåede selvbetjeningsbutikker Amazon Go – ikke hver forretning har brug for AI.

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

For eksempel er en almindelig anvendelse af AI kundesupport. Implementering af AI i sådanne tilfælde er mulig på en måde, der har specifikke resultater, for eksempel reducerer kundesupportomkostningerne med X beløb om måneden eller accelererer gennemsnittiden for at løse kunde forespørgsler med X minutter. Med denne tilgang har vi en målbart indikator i form af penge eller tid, som vi vil forsøge at opnå ved at implementere AI og se, om det har nogen indvirkning.

Der er forskellige måder, dette kan ske på. For eksempel kan vi i stedet for en chatbot udvikle eller købe en tjeneste, der kan bestemme, 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, om vi skal overføre denne samtale til en agent eller vise 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 omkostningerne, 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’s hjælp, omfatter dataanalyse og oprettelse af tilpassede tilbud. Spotify er et ekstraordinært eksempel på en virksomhed, der med held 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 grunden til, at disse virksomheder brugte AI med held, var, fordi de var meget klare over, hvilke aspekter der skulle overdrages til AI.

2. Beslut dig for, hvilke data du vil analysere

Når det primære problem er godt defineret, skal vi tage i betragtning de data, vi skal føde systemet med. Det er vigtigt at huske, at AI er en algoritme, der analyserer og tilpasser sig de data, vi giver. Den grundlæggende scenario for dataindsamling er følgende:

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

2. Se, om vores virksomhed har disse data.

   1. Hvis det gør – godt.

   2. Hvis ikke, skal vi sidde ned og finde ud af, om vi kan starte den rigtige dataindsamling i huset. En anden mulighed er, at vi kan bede udviklerne 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 præsentere, når de foretager et køb. 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 undsætning. For eksempel, hvis vi har en kamera installeret i vores kaffebar – hvilket vi måske allerede har til sikkerhedsformål – kunne vi udnytte det til at indsamle data fra vores besøgende kunder. Jeg må sige, at før implementering, er det vigtigt at konsultere om persondata love, såsom GDPR, da denne tilgang ikke kan fungere i alle lande. Men i de jurisdiktioner, hvor det er tilladt, kan dette være en gnidningsløs måde at indsamle den information, du har brug for, og udnytte AI’s hjælp til at analysere og behandle den.

Hvis du undrer dig, er denne personlige loyalitetsprogram det, som Starbucks gjorde, med stor succes. Starbucks’ belønningsordning 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 føler dig usikker på, hvilke processer der kan eller skal optimeres af 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 disse 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 anbefalinger 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 søger straks at designe deres egne maskinlæringsalgoritmer. 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 findes. 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 tegne en kontrakt med en af dem og ansætte 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 tillade os at hurtigt 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 udviklede en model, ville vi bruge ML-specialistens løn gange den tid, de bruger på at udvikle modellen, samt eventuelle infrastrukturkostninger. Og så er det ikke klart, hvad man skal gøre med udvikleren og modellen, hvis den forventede effekt ikke er der.

Hvis vores hypotese er bevist, og det AI-drevne værktøj giver den forventede effekt, juble vi og kommer med en ny hypotese. I fremtiden, hvis vi forudser, at omkostningerne ved værktøjet stiger betydeligt, kan vi overveje at udvikle denne model selv og reducere omkostningerne endnu mere. Men vi skal først evaluere, om udviklingsomkostningerne faktisk er mindre 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 maskinlæringsprodukt, efter at du har opnået gode resultater fra brug af AI med de ovennævnte værktøjer, og når du er sikker på, at AI er den rigtige måde at løse dit problem på længere sigt. Ellers vil dit ML-projekt ikke levere den værdi, du søger, og som en brilant artikel i Harvard Business Review sagde, vil AI-hysteriet kun 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 virksomhedsinhabere begår, at de forsøger at gøre alt selv. De ansætter 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 jeres virksomheds formål, hvis I ikke har en ordentlig defineret AI-implementeringsstrategi. Der er også tilfælde, hvor de ansætter en junior ML-ingeniør for at spare penge i forhold til at ansætte en mere erfaren specialist. Dette er også farligt, fordi en person uden erfaring måske ikke kender de finere detaljer ved ML-systemudvikling og -design og kan begå “rookie-fejl”, som virksomheden vil få en høj pris for at betale, næsten altid overstigende prisen for at ansætte en enkelt erfaren ML-specialist.

Derfor anbefaler jeg, at du først ansætter 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 bevise din hypotese.

Hvis du er en tidlig start-up, og bekymrer dig om finansiering, er en løsning at kontakte AI-ingeniører på LinkedIn med specifikke spørgsmål. Tro det eller ej, men 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 konsulentportefølje.

Endelige tanker

Med al den hysteri, der omgiver AI, er det normalt, 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, 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 visse tilfælde, især for tidlige virksomheder, kan dette betyde deres undergang. Ved at tydeligt formulere et problem, indsamle relevante data, teste en hypotese og bruge de værktøjer, der allerede findes, 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.