Planlægning, Proof of Concept og Produktion af en Succesfuld AI-drevet Virksomheds løsning

Virksomheder accelererer deres kunstig intelligens (AI)-initiativer i en hurtig takt. En undersøgelse af Algorithmia viste, at 76 procent af CIO’er prioriterer og øger deres IT-budgetter for at fokusere mere på AI og maskinlæring (ML)-løsninger. Organisationer erkender også vigtigheden af data, og de fleste accepterer, at 80 procent af virksomhedsdata er ustuktureret af natur.

Ustuktureret data produceres og vokser i en alarmende takt i en virksomhedsstack. Måleenheden er skiftet fra terabyte til petabyte. Som følge heraf må IT-fagfolk, CDO’er og CIO’er håndtere nogle nye udfordringer for at imødekomme den øgede efterspørgsel efter brugbar data og handlingsorienterede indsigt. Trods AI’s enorme potentiale til at transformere enhver branche, vil kun 15 procent af AI-løsningerne, der er implementeret ved udgangen af 2022, være succesfulde, og endnu færre vil generere en positiv ROI.

Det største problem er, at de fleste virksomheds AI-løsninger ikke ser dagens lys på grund af misalignering af forventninger. Der er fortsat misforståelser omkring AI’s muligheder, og projekter bliver fortsat konceptualiseret på basis af hype-drevne modeller. De fleste produkter eller modeller er langt fra den faktiske virkelighed af dag-til-dag virksomhedsdrift. Andre faktorer, der bidrager til de lavere succesrater, omfatter omkostningsoverskridelser, mangel på AI-eksperter, uerfaren talent, utilgængelighed af data og forældede politikker, for at nævne nogle få.

Planlægning baner vejen for virksomheds AI-succes

Ustuktureret data er data, der mangler en foruddefineret datamodel, og omfatter alt fra teksttunge dokumenter og websites til billeder, videofiler, chatbots, lydstrømme og sociale medieindlæg. Med den øgede mængde ustuktureret data i virksomhedsarkitekturen er det kritisk at have en effektiv og inkremental plan, der er i overensstemmelse med målene for alle virksomhedens interessenter. Typiske mål på organisationsniveau kan omfatte automatisering af processer, svigagtigedetektion, forbedring af kundeoplevelsen, forbedring af sikkerheden, øgning af salget osv. Mens nogle af disse mål kan opnås ret effektivt på grund af den strukturerede natur af data, kan planlægning omkring ustuktureret data være udfordrende.

Planlægning starter typisk med at identificere områder med muligheder inden for en organisation. Mens der kan være en grandiose AI-vision på det øverste ledelsesniveau, er det kritisk at identificere et område, der har høj indvirkning, lav risiko og kontinuerlig vækst i data. Et godt eksempel på en sådan brugstilfælde ville være funktionen for lånbehandling i bank- og finanssektoren. Lånoptagelse til service er omgivet af manuelle processer, hvor information indtastes manuelt i systemer på en gentagen måde. Due diligence af låneansøgninger indebærer en betydelig mængde dokumentindsendelse, som udgør flere risici. Men AI kan anvendes på flere områder i arbejdsprocessen, herunder dokumentbehandling og svigagtigedetektion. Dette er også et område, hvor der er kontinuerlig år-til-år-vækst i data.

Andre kritiske skridt at overveje under denne planlægningsfase omfatter definition af målbare succeskriterier, formulering af en samlet datstrategi, kontinuerlig træning og feedback samt vurdering af brugeroplevelsen, skalerbarheden og infrastrukturen.

Definering af målbare succeskriterier (og undgåelse af “cart before the horse”-øjeblikket!)

Googles tidlige succes tilskrives ofte, at virksomheden har institueret Objective Key Results (OKR’er). Mens denne tilgang kan anvendes på enhver aspekt af forretning eller personlige mål, kan dette beprøvede tilgangsvinkel over for AI-strategi give nogle lovende resultater. Men når det kommer til ustuktureret data, er det et udviklende problem, som industrien som helhed forsøger at løse. Givet udfordringerne bør forretningsledere stille forskellige spørgsmål for at bestemme “hvad” og “hvorfor”. Eksempelvis, hvis øgning af produktiviteten er det nøgleobjektive, kan to spørgsmål, der kan besvares, være:

• Skal jeg planlægge at forbedre gennemstrømning via automatisering? eller
• Skal jeg planlægge at løse 80 procent af problemet for 100 procent af alle indsendte sager?

At besvare disse spørgsmål fører til to forskellige implementeringsrejser, og det er vigtigt at beslutte, hvilken der er rette for din virksomhed.

Med ustuktureret data er et andet uklart målingsområde nøjagtighed. I eksemplet med lånbehandling er der så stor variabilitet i de dokumenter, der indsendes af kunder, at det er kritisk for forretnings- og teknologiledere at nå til enighed om, hvordan nøjagtigheden af AI-løsningen måles. Hvis produktivitet er et af målene for at indføre en AI-løsning, er det nødvendigt at identificere andre områder, der påvirker produktiviteten. Dette kan opnås ved at se nærmere på den nuværende proces og genopfinde processen med AI-automatisering. Ofte fører ny automatisering til nye skridt i processen, såsom manuel undtagelseshåndtering, annotation, træning osv. Med disse skridt på plads vil det være lettere at bestemme, hvordan man måler nøjagtighed.

Data er livsblodet for alle virksomheder

Ustuktureret data har en høj grad af variabilitet i, hvordan information er struktureret og præsenteret. Virksomheder er omgivet af information, der præsenteres i dokumenter, der af natur har komplekse strukturer bestående af afsnit, sætninger og, endnu vigtigere, multi-dimensionale tabelstrukturer. Ud over dokumenter investerer organisationer mere og mere i chatbots, overvågning af sociale medie-data og andre former for ustuktureret data som nyheder, billeder og videoer.

De fleste organisationer undervurderer, hvor meget data der er til rådighed og tilgængeligt. Ofte er udfordringen så simpel som at overvinde compliance-restriktioner og dele data inden for organisationen. Alligevel giver det at have ren og høj variabilitet af data mulighed for en bedre vurdering af et problem og design af en optimal løsning.

En anden vigtig faktor at overveje er, hvilken udfald du forventer af denne ustuktureret data. Dette vil sikre en præcis mængde grundsandhed, træning og testdata. Tilbage til eksemplet med lånbehandling, hvis udfaldet af denne AI-løsning er at bestemme ansøgeres gennemsnitlige daglige saldi, kan grundsandhed og træningsdata fokuseres på bankkontoudtog. Men hvis fokus er på at bestemme svigagtige ansøgere gennem indsendte bankkontoudtog, skal man have adgang til en bredere vifte af dokumenter for at opnå den nødvendige grundsandhed og træningsdata.

Skalering fra Proof of Concept til Produktion

At påbegynde en målbart Proof of Concept (PoC) sikrer, at alle interessenter forstår udfordringerne, resultaterne og værdien af en AI-løsning. Men en PoC er ikke det samme som en produktionsklar løsning. En PoC giver en organisation mulighed for at identificere huller, stimulerer design-tænkning for en produktionsløsning og strømliner målene og nøgle-resultaterne, der skal opnås. For at gå fra PoC til en skalerbar løsning bør organisationer planlægge komplekse datascenarier, der omfatter konstante dataændringer, utilgængelighed af mærket data og en høj grad af variation i form og formater. Lige så vigtigt er det at genopfinde arbejdsprocessen, genoptræne arbejdsstyrken og bestemme den rette infrastruktur, omkostninger, ydeevne, dataarkitektur, informationsikkerhed og service-niveauer (SLA’er).

Det er absolut nødvendigt at evaluere hele arbejdsprocessen og forretningsprocessen for at opnå de bedste resultater fra enhver AI-løsning. Ved at tage en cue fra adfærdsøkonomi er det kritisk at sammenligne resultatet med en eksisterende referencepunkt (også kendt som “reference-afhængighed”), hvorfra bedre effektivitet kan forventes før produktion gennem design-tænkning og process-genopfinde.

Dette scenario antager, at både forretnings- og teknologiledere har enighed om en MI eller dyb-læringstilgang baseret på PoC’en. Nogle problemformuleringer kan være deterministiske, og en statistisk tilgang kan tages for at løse problemet, mens andre udfordringer måske kræver en kombination af MI og neurale netværksbaserede tilgange for at opnå de ønskede resultater.

Nogle AI-løsninger kræver integration af Natural Language Processing (NLP). Mens generelle sprogmodeller tjener som en grundlæggende skridt, er de fleste modeller ikke designet til at møde de unikke behov for hver virksomheds problemformulering og ville kræve finjustering. Samtidig er de fleste direktører sandsynligvis entusiastiske over store modeller som GPT3, som kræver betydelig beregningskraft og kan have en direkte indvirkning på en virksomheds ROI. Disse modeller er sandsynligvis ikke en passende fit for din virksomhed.

Din AI-drevne PoC er kun begyndelsen på en lang proces, så husk følgende:

• Vælg ikke et komplekst problem at løse på PoC-stadiet
• Anvend design-tænkning og gennemse din end-to-end-proces; forudse og håndter risici tidligt
• Nøjagtighed er ikke det eneste mål; design og planlæg at bygge en værdidrevet løsning i stedet for at opnå 100 procent nøjagtighed
• Evaluér din AI-tilgang; planlæg ikke på basis af hype-drevne modeller, men vælg den mest optimale tilgang, der er modulær af natur
• Håndter forventninger på tværs af alle interessenter for at sikre det mest succesfulde udfald
• Design din løsning og arkitektur til at skale med væksten af din data for den mest optimale ROI

Bedste Praksis for AI-drevne Løsninger

I dag påtager de fleste virksomheder en eller flere AI-projekter. Trods gode intentioner og hårdt arbejde falder mange virksomheds AI-programmer kort af forventningerne, skalerer ikke og genererer ikke den ønskede ROI. Det vil tage tid at integrere kunstig intelligens som en kerneforretningskomponent, men nogle af de bedste praksisser, der følges af succesfulde organisationer, omfatter:

• Start med AI CoE: Mange store virksomheder, selv ikke-tekniske, har etableret AI-eksperter (AI CoE) for at maksimere chancerne for deres succes. En AI CoE bringer sammen den nødvendige ekspertise, ressourcer og mennesker for at tillade AI-baseret transformationsinitiativer. De primære fordele omfatter:
• Sammenlægning af AI-læring, ressourcer og talent i ét sted
• Udvikling af en samlet AI-vision og forretningsstrategi
• Standardisering af AI-tilgange, platforme og processer
• Identifikation af nye indtægtsmuligheder for AI og innovation
• Skalering af datavidenskabsindsats ved at gøre AI tilgængelig for alle forretningsfunktioner
• Executive Buy In: En AI-strategi er mest succesfuld gennem en top-down-tilgang. Skalering af pilotprojekter i hele organisationen kræver ledelsesforpligtelse, nødvendige færdigheder og data samt etablering af en organisationsstruktur, der sikrer, at modeller forbliver nøjagtige over tid.
• Tilgængelighed af Data: De fleste organisationer har siloede data af forskellige compliance-årsager. Men data er livsblodet for enhver AI-løsning, og tilgængelighed af data er kritisk. Sammen med tilgængelighed er klassificering og rensning af data essentiel. Udvikling af præcis grundsandhed og træningsdata kan gøre eller ødelægge en AI-løsning.
• Arkitektur: Anvendelse af AI er en paradigmeskift for enhver organisation, der kræver nye måder at tænke og planlægge på. Design af en optimal teknisk og operativ arkitektur øger chancerne for succes. Dette inkluderer nye funktioner som ML-ops, data-ops, iterativ træning og annotation, blandt andre.
• Modularitet og Fleksibilitet: AI-drevne løsninger er stadig i deres spæde år, især når organisationer har med ustuktureret data at gøre. Det er kritisk at designe og bygge en modulær og fleksibel løsning, der kan skale med virksomheden og dens voksende udfordringer.

At etablere og påbegynde en AI-strategi har stor potentiale for de fleste organisationer, og brugstilfældene er uendelige. Maskin- og dyb-læringssolutioner berører enhver aspekt af en organisation, fra salg og marketing til daglige operationer. Men succes vil ikke opnås på én gang. AI-drevne løsninger bør tilgås i stadier og bygges på mindre sejre over tid.