Planlægning, PoC og produktion af en vellykket AI-drevet virksomhedsløsning

Virksomheder accelererer deres initiativer med kunstig intelligens (AI) i et hurtigt tempo. En undersøgelse af Algoritmi viste, at 76 procent af CIO'erne prioriterer og øger deres it-budgetter for at have større fokus på AI og maskinlæringsløsninger (ML). Organisationer anerkender også vigtigheden af ​​data, og de fleste omfavner det faktum, at 80 procent af virksomhedens data er ustruktureret i naturen.

Ustrukturerede data bliver produceret og vokser med en alarmerende hastighed i en virksomhedsstabel. Måleenheden er skiftet fra terabyte til petabyte. Som følge heraf skal it-professionelle, CDO'er og CIO'er håndtere nogle nye udfordringer for at imødekomme en stigende efterspørgsel efter brugbare data og handlingsorienteret indsigt. På trods af AI's enorme potentiale til at transformere enhver industri, kun 15 procent af AI-løsninger implementeret ved udgangen af ​​2022 vil være succesfulde, og færre af dem vil generere et positivt ROI.

Det største problem er, at de fleste AI-løsninger til virksomheder ikke ser dagens lys på grund af forventningsafstemning. Der er fortsat misforståelser omkring mulighederne for AI, og projekter bliver fortsat udtænkt på hype-drevne modeller. De fleste produkter eller modeller er langt fra den faktiske virkelighed i den daglige virksomhedsdrift. Andre drivende faktorer for lavere succesrater omfatter: omkostningsoverskridelser, mangel på AI Centers of Excellence (CoE), uerfarne talenter, utilgængelighed af data og forældede politikker, for at nævne nogle få.

Planlægning baner vejen for Enterprise AI-succes

Ustrukturerede data er data, der mangler en foruddefineret datamodel og omfatter alt fra teksttunge dokumenter og websteder til billeder, videofiler, chatbots, lydstreams og sociale medier. Med den stigende mængde af ustrukturerede data i virksomhedsarkitekturen er det afgørende at have en effektiv og trinvis plan, der stemmer overens med målene for alle virksomhedens interessenter. Typiske mål på et organisationsniveau kan omfatte: procesautomatisering, afsløring af svindel, forbedring af kundeoplevelsen, forbedring af sikkerheden, øget salg og så videre. Mens nogle af disse mål kan nås ret effektivt, kan planlægning omkring ustrukturerede data på grund af dataenes strukturerede karakter være udfordrende.

Typisk starter planlægningen med at identificere muligheder inden for en organisation. Selvom der kan være en storslået AI-vision på direktionsniveau, er det afgørende at identificere et område, der har høj effekt, lav risiko og kontinuerlig vækst i data. Et godt eksempel på en sådan use case ville være funktionen af ​​lånebehandling i bank- og finansbranchen. Låneoprindelse til servicering er fyldt med manuelle processer, hvor information manuelt indtastes i systemer på en gentagen måde. Due diligence af låneansøgninger involverer en betydelig mængde dokumentindsendelse, hvilket indebærer flere risici. AI kan dog anvendes i flere områder af arbejdsgangen, herunder dokumentbehandling og svindeldetektion. Dette er også et område, hvor der er en kontinuerlig vækst af data fra år til år.

Andre kritiske trin at overveje i denne planlægningsfase omfatter definering af målbare succeskriterier, formulering af en sammenhængende datastrategi, løbende træning og feedback og måling af brugeroplevelse, skalerbarhed og infrastruktur.

Definition af målbare succeskriterier (og undgå vognen før hesteøjeblikket!)

Googles tidlige succes tilskrives ofte, at virksomheden har indført objektive nøgleresultater (OKR'er). Selvom denne tilgang er noget, der kan anvendes til ethvert aspekt af forretningsmæssige eller personlige mål, kan denne gennemprøvede tilgang til din AI-strategi give nogle lovende resultater. Men når det kommer til ustrukturerede data, er det et problem under udvikling, som branchen som helhed forsøger at løse. I betragtning af udfordringerne bør virksomhedsledere stille forskellige spørgsmål for at bestemme 'hvad' og 'hvorfor'. For eksempel, hvis øget produktivitet er hovedmålet, er to spørgsmål, der kunne besvares:

• Skal jeg planlægge at forbedre gennemløbet ved hjælp af 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 ville være den rigtige for din virksomhed.

Med ustrukturerede data er et andet tvetydigt måleområde nøjagtighed. I eksemplet med lånebehandling er der så meget variation i de dokumenter, som kunderne indsender, at det er afgørende for forretnings- og teknologiledere at komme til enighed om, hvordan nøjagtigheden af ​​AI-løsningen måles. Hvis produktivitet er et af målene med at indføre en kunstig intelligens-løsning, vil det være nødvendigt at identificere andre områder, der påvirker produktiviteten. Dette kan opnås ved nøje at se på den nuværende, som-er-proces og genskabe processen med AI-automatisering. Ofte fører ny automatisering til nye trin i processen såsom manuel undtagelseshåndtering, annotering, træning osv. Med disse trin på plads ville det være lettere at bestemme, hvordan man måler nøjagtighed.

Data er livsnerven i alle virksomheder

Ustrukturerede data har en høj grad af variabilitet i, hvordan information er struktureret og præsenteret. Virksomheder er fyldt med information præsenteret i dokumenter, som i sagens natur har komplekse strukturer bestående af afsnit, sætninger og, endnu vigtigere, flerdimensionelle tabelstrukturer. Ud over dokumenter investerer organisationer i stigende grad i chatbots, overvågning af sociale mediedata og andre former for ustrukturerede data som nyheder, billeder og videoer.

De fleste organisationer undervurderer, hvor meget data der er tilgængeligt og tilgængeligt. Ofte er udfordringen så enkel som at overvinde compliance-restriktioner og dele data inden for organisationen. Ikke desto mindre giver det rene og høje variabilitet af data mulighed for bedre vurdering af et problem og design af en optimal løsning.

En anden vigtig faktor at overveje er, hvilket resultat du forventer af disse ustrukturerede data. Dette vil sikre en nøjagtig mængde sandhed, træning og testdata. Går vi tilbage til lånebehandlingseksemplet, hvis resultatet af denne AI-løsning er at bestemme ansøgeres gennemsnitlige daglige saldi, kan grundsandheden og træningsdata være hyperfokuseret omkring kontoudtog. Men hvis fokus er at fastslå svigagtige ansøgere gennem indsendte kontoudtog, bliver man nødt til at få adgang til en bredere vifte af dokumenter for at få den nødvendige grundsandhed og træningsdata.

Skalering fra PoC til produktion

At gå i gang med et målbart Proof of Concept (PoC) sikrer, at alle interessenter forstår udfordringerne, resultaterne og værdiforslaget ved en AI-løsning. En PoC er dog ikke det samme som en produktionsklar løsning. En PoC sætter en organisation i stand til at identificere huller, stimulerer designtænkning for en produktionsløsning og strømliner de mål og nøgleresultater, der bør opnås. For at gå fra PoC til en skalerbar løsning bør organisationer planlægge komplekse datascenarier, som inkluderer konstante dataændringer, utilgængelighed af mærkede data og en høj grad af variation i form og formater. Lige så vigtigt er omformulering af arbejdsgangen, omskoling af din arbejdsstyrke og fastlæggelse af den rigtige infrastruktur, omkostninger, ydeevne, dataarkitektur, informationssikkerhed og serviceniveauaftaler (SLA'er).

Det er absolut bydende nødvendigt at evaluere hele arbejdsgangen og forretningsprocessen for at opnå de bedste resultater fra enhver AI-løsning. Med udgangspunkt i adfærdsøkonomi er det afgørende at sammenligne resultatet med et eksisterende referencepunkt (også kendt som "referenceafhængighed"), på hvilket tidspunkt bedre effektivitet kan forventes forud for produktion gennem designtænkning og procesomlægning.

Dette scenarie antager, at både forretningsledere og tekniske ledere er blevet enige om en MI eller deep learning-tilgang baseret på PoC. Nogle problemformuleringer kunne være deterministiske, og en statistisk tilgang kan anvendes til at løse problemet, mens andre udfordringer kan kræve en kombination af MI og neurale netværksbaserede tilgange for at opnå de ønskede resultater.

Nogle AI-løsninger kræver inkorporering af Natural Language Processing (NLP). Selvom generelle sprogmodeller fungerer som et grundlæggende trin, er de fleste modeller ikke designet til at opfylde de unikke behov for enhver virksomheds problemformulering og vil kræve finjustering. Samtidig vil de fleste ledere sandsynligvis blive begejstrede for enorme modeller som GPT3, som kræver betydelig regnekraft og kan have direkte indflydelse på en virksomheds ROI. Disse modeller passer højst sandsynligt ikke til 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 designtænkning og gennemgå din ende-til-ende-proces; forudsige og håndtere risici tidligt
• Nøjagtighed er ikke den eneste måling; designe og planlægge at bygge en værdidrevet løsning i forhold til at opnå 100 procent nøjagtighed
• Evaluer din AI-tilgang; ikke planlæg på hype-drevne modeller, men vælg snarere den mest optimale tilgang, der er modulopbygget
• Administrer forventninger på tværs af alle interessenter for at sikre det mest succesfulde resultat
• Design din løsning og arkitektur til at skalere med væksten af ​​dine data for at opnå det mest optimale ROI

Bedste praksis for AI-drevne løsninger

I dag er de fleste virksomheder i gang med et eller flere AI-projekter. På trods af fremragende hensigter og hårdt arbejde lever mange virksomheds AI-programmer ikke op til forventningerne, skaleres ikke og genererer ikke det ønskede ROI. Det vil tage tid at integrere kunstig intelligens som en kerneforretningskomponent, men nogle af de bedste praksisser, som succesfulde organisationer følger, omfatter:

• Start med AI CoE: Mange store virksomheder, selv ikke-teknologiske, har oprettet AI Centres of Excellence (AI CoE) for at maksimere chancerne for deres succes. En AI CoE samler den nødvendige ekspertise, ressourcer og mennesker for at tillade AI-baserede transformationsinitiativer. De primære fordele omfatter:
  • Konsoliderer AI-læring, ressourcer og talent på et enkelt sted
  • Udvikling af en samlet AI-vision og forretningsstrategi
  • Standardisering af AI-tilgange, platforme og processer
  • Identificering af nye indtægtsmuligheder for kunstig intelligens og innovation
  • Skalering af datavidenskabelige indsatser ved at gøre AI tilgængelig for alle forretningsfunktioner
• Executive Buy In: En AI-strategi er mest vellykket gennem en top-down tilgang. En vellykket skalering af pilotprojekter gennem en organisation kræver ledelsesindkøb, nødvendige færdigheder og data og etablering af en organisationsstruktur, der sikrer, at modeller forbliver nøjagtige over tid.
• Tilgængelighed af data: De fleste organisationer har skjult data af forskellige compliance-årsager. Data er imidlertid livsnerven i enhver AI-løsning, og levering af disse data er kritisk. Sammen med levering er klassificering og rensning af data afgørende. Udvikling af nøjagtig jordsandhed og træningsdata kan gøre eller ødelægge en AI-løsning.
• Arkitektur: At udnytte AI er et paradigmeskifte for enhver organisation, som kræver nye måder at tænke og planlægge på. At designe en optimal teknisk og operationel arkitektur øger dine chancer for succes. Dette inkluderer blandt andet at have nye funktioner som ML-operationer, dataoperationer, iterativ træning og annoteringer.
• Modularitet og fleksibilitet: AI-drevne løsninger er stadig i deres begyndelsesstadier, især når organisationer har at gøre med tunge ustrukturerede data. Det er afgørende at designe og bygge en modulær og fleksibel løsning, der kan skalere med virksomheden og dens voksende udfordringer.

Etablering og påbegyndelse af en AI-strategi har et stort potentiale for de fleste organisationer, og anvendelsesmulighederne er uendelige. Maskin- og deep learning-løsninger berører alle aspekter af en organisation, fra salg og marketing til daglig drift. Men ligesom at bygge en raket eller opfinde en ny gadget, opnås succes ikke på én gang. AI-drevne løsninger bør tilgås i etaper og bygges på mindre gevinster over tid.