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

Kunstig intelligens fortsætter med at blomstre, og hvis den fortsætter med at trænge ind i alle brancher, vil den fuldstændig transformere den måde, vi lever på.

Som et resultat af dette er integration af AI i deres virksomheder blevet en højeste prioritet for mange grundlæggere. Selv enkeltpersoner leder efter måder at udnytte AI til at forbedre deres personlige liv.

Hypen er sådan, at Collins Dictionary, en skelsættende sprogmyndighed, har navngivet AI som årets termin, på grund af dens stigning i popularitet.

Når dette er sagt, er der for de fleste organisationer en enorm kløft mellem idé og virkelighed, når de forsøger at inkorporere AI i deres processer, fordi vejen ikke er så ligetil, som den ser ud til, og den kan være meget dyr, både i form af anlægsudgifter nødvendigt og i spildtid, fordi udviklingen ikke vil give de forventede resultater. Dette er landet flere virksomheder i problemer. For eksempel CNET eksperimenteret med AI-skrevne artikler, og de viste sig at være fulde af fejl. Andre virksomheder, som iTutor Group, har fået store bøder ud over offentlig latterliggørelse på grund af deres dårlige AI-implementeringer.

Som disse sager viser, kan virksomheder begå en masse fejl med AI, og medmindre et foretagende har Amazon, Google, Microsoft eller Metas økonomiske polstring, kan disse mislykkede eksperimenter effektivt slå en virksomhed konkurs.

Hvis du er grundlægger eller virksomhedsejer, er her en guide med fem trin til at hjælpe dig med at implementere kunstig intelligens i din virksomhed, alt imens du bruger dine ressourcer forsigtigt – penge og tid, som i sidste ende er penge – og samtidig reducerer du muligheden for dødelig fejl.

1. Vær klar over det problem, du forsøger at løse

Ingen virksomhed er immun over for AI-fejl. Og som Amazon smerteligt fandt - gennem sine slyngende kasseløse butikker Amazon Go -ikke alle business case har brug for AI.

Derfor er det afgørende, at du definerer det problem, som du sigter mod at løse med AI. Dette skal skitseres så klart som muligt.

For eksempel er en almindelig anvendelse af AI kundesupport. Implementering af AI i et sådant tilfælde er muligt på en måde, der har specifikke resultater, for eksempel at reducere call center-omkostninger med X beløb pr. måned eller fremskynde den gennemsnitlige tid, det tager at løse kundeforespørgsler, 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 det har nogen indflydelse.

Der er forskellige måder, hvorpå dette kan ske. For eksempel kan vi i stedet for en chatbot udvikle eller købe en tjeneste, der afgør, om en kundes forespørgsel kan besvares med en FAQ-side. Det vil fungere sådan her. 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 nå vores mål om at reducere omkostningerne og samtidig optimere vores AI-relaterede kapitaludgifter sammenlignet med omkostningerne ved at udvikle en chatbot.

En pioner inden for denne tilgang var Matten Law, et Californien-baseret advokatfirma integreret en AI-drevet assistent til at automatisere mange opgaver, hvilket gør det muligt for advokater at bruge mere tid på at lytte til kunder og studere de aspekter af en sag, der var de mest relevante. Dette illustrerer, at selv de mest rigide af sektorer kan forstyrres gennem AI på en måde, der styrker brugeroplevelsen, ved at forstærke den menneskelige berøring, hvor der er mest brug for det.

Yderligere 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 succes udnytter AI til at udvikle et intelligent system til musikanbefalinger, som går så langt som under hensyntagen til tidspunktet på dagen, hvor nogen lytter til en bestemt genre.

I begge de førnævnte scenarier er AI med til at give en bedre oplevelse for kunden. Men grunden til, at disse virksomheder brugte AI med succes, var, at de var meget klare over de aspekter, der skulle uddelegeres til AI.

2. Beslut dig for de data, du skal analysere

Når hovedproblemet er veldefineret, skal vi tage højde for de data, som vi skal fodre systemet med. Det er vigtigt at huske, at AI er en algoritme, som analyserer og justerer til de data, vi leverer. Det grundlæggende scenarie for dataindsamling er som følger:

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

2. Se, om vores virksomhed har disse data.

   1. Hvis det gør - fantastisk.

   2. Hvis ikke, skal vi sætte os ned og finde ud af, om vi kan starte den rigtige dataindsamlingsproces internt. Som en anden mulighed kan vi bede udviklere om at gemme de data, vi har brug for, hvis vi ikke gør det endnu.

Her er et eksempel. Vi ejer en kaffebar, og vi har brug for data om, hvor mange lånere 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 hvilke kunder der kom, hvornår de kom, hvad de købte, og i hvilken mængde. Når vi har det, kan vi bruge disse data til at implementere AI. Men der er tidspunkter, hvor det kan være meget dyrt at indsamle disse data. Og det er, når AI kan komme os til undsætning. For eksempel, hvis vi har et kamera installeret i vores kaffebar - hvilket vi måske i det mindste af sikkerhedsmæssige årsager - kunne bruge det til at indsamle data fra vores besøgende lånere. Jeg må sige, at før implementering af dette, er det vigtigt at rådføre sig om persondatalovgivning, såsom GDPR, da denne tilgang ikke kunne fungere i alle lande. Men i de jurisdiktioner, hvor det er tilladt, kan dette være en problemfri måde at indsamle de oplysninger, du har brug for, og få AI's hjælp til at analysere og behandle dem.

Hvis du undrer dig, er dette personlige loyalitetsprogram hvad Starbucks gjorde, med stor succes. Starbucks' belønningsordning gik så langt som at give personlige incitamenter, når en kunde besøgte deres foretrukne sted 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 dit tilfælde, kan du starte med at nedbryde hele din proces i faser og identificere de faser, hvor du føler, at din virksomhed er underpræsterende. Hvad er det for områder, du bruger for mange penge på? Hvad tager længere tid end normalt? Ved at besvare disse spørgsmål kan du udpege de kritiske områder for forbedring og beslutte, 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 til dine kunder, er forslag baseret på de mest populære produkter ofte langt mere effektive i markedspladsanbefalingssystemer end forsøg på at forudsige brugeradfærd. Prøv det derfor først. Når du har et resultat - uanset om det er positivt eller negativt - så kan du have en hypotese til AI-test. Ellers bliver indsatsområdet for vagt, og du kan ende med at spilde tid og penge.

4. Udnyt de løsninger, der allerede findes

Mange virksomheder sigter mod, med det samme, at designe deres egne maskinlæringsalgoritmer. Men hvis du ikke planlægger at træne dem med betydelige datasæt over en længere periode, så lad være med at 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 nå mange mål. Derefter kan du gradvist underskrive en kontrakt med en af ​​dem og hyre en intern udvikler til dygtigt 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 ikke lykkes, kan vi simpelthen deaktivere disse værktøjer, og vores omkostninger ved at teste vores hypotese ville kun være den udviklertid, vi brugte på at integrere med den service, og det beløb, vi betalte for at bruge værktøjet. Hvis vi udviklede en model, ville vi bruge ML-specialistens løn gange den tid, de bruger på at udvikle modellen ud over eventuelle infrastrukturomkostninger. Og så er det ikke klart, hvad man skal gøre med udvikleren og modellen, hvis den forventede effekt i sidste ende ikke er der.

Hvis vores hypotese er bevist, og det AI-drevne værktøj bringer den forventede effekt, glæder vi os og kommer med en ny hypotese. Hvis vi i fremtiden forudser, at omkostningerne til værktøjet vokser markant, kan vi tænke på at udvikle denne model selv, og dermed reducere omkostningerne endnu mere. Men vi skal først vurdere, om omkostningerne ved udvikling i virkeligheden er mindre end, hvad vi ville betale for at bruge et værktøj fra en anden virksomhed, der er specialiseret i at udvikle disse værktøjer.

Mit råd er, at du først overvejer at udvikle dit eget maskinlæringsprodukt, når du har opnået gode resultater af at bruge AI med ovennævnte værktøjer, og når du er sikker på, at AI er den rigtige måde at løse dit problem på i det lange løb. Ellers vil dit ML-projekt ikke levere den værdi, du leder efter, og som et genialt nyligt stykke af Harvard Business Review sagde, AI-hype vil kun distrahere dig fra din mission, som ikke behøver AI.

5. Rådfør dig med AI-specialister

På samme måde er en anden meget almindelig fejl, som grundlæggere og virksomhedsejere begår, at de forsøger at gøre alt internt. De ansætter en AI-chefingeniør eller -forsker og så flere mennesker til at danne et team, der kan skabe et banebrydende produkt. Den teknologi vil dog være værdiløs for din virksomheds formål, hvis du ikke har en korrekt defineret AI-implementeringsstrategi. Der er også et tilfælde, når de hyrer en Junior ML Engineer, for at spare penge sammenlignet med at ansætte en mere erfaren specialist. Dette er også farligt, fordi en person uden erfaring måske ikke kender finesserne i ML-systemudvikling og -design og begår "rookie-fejl", som virksomheden skal betale for høj en pris for, som næsten altid overstiger prisen for at ansætte en erfaren ML specialist.

Derfor er min anbefaling, at du først hyrer én AI-ekspert, som en konsulent, som vil guide dig på vej og evaluere din AI-adoptionsproces. Udnyt deres ekspertise til at sikre, at det problem, du arbejder på, kræver kunstig intelligens, og at teknologien kan skaleres effektivt for at bevise din hypotese.

Hvis du er en startup i en tidlig fase og er bekymret for finansiering, er et hack til dette at kontakte AI-ingeniører på LinkedIn med specifikke spørgsmål. Tro det eller ej, mange ML- og AI-eksperter elsker at hjælpe, både fordi de virkelig er til emnet, og fordi hvis det lykkes dem at hjælpe dig, kan de bruge det som et positivt casestudie til deres konsulentportefølje.

Afsluttende tanker

Med al den hype, der er omkring AI, er det normalt, at du måske er ivrig efter at inkorporere det i din virksomhed og udvikle en AI-drevet løsning, der tager dig til næste niveau. Du skal dog huske på, at det faktum, at alle taler om AI, betyder, at din virksomhed har brug for AI. Mange virksomheder skynder sig desværre at integrere AI uden et klart mål for øje og ender med at spilde enorme mængder penge og tid. I nogle tilfælde, især for virksomheder i tidlig fase, kan dette betyde deres død. Ved klart at formulere et problem, indsamle relevante data, teste en hypotese og bruge de værktøjer, der allerede er tilgængelige med hjælp fra en ekspert, kan du integrere AI uden at dræne din virksomheds økonomiske ressourcer. Så hvis løsningen virker, kan du gradvist opskalere og inkorporere AI i de områder, hvor det øger effektiviteten eller rentabiliteten i din virksomhed.