Vellykket AI-adopteringskrav: 3 komponenter – De fleste virksomheder har kun 2

På dette punkt er AI ikke længere ny teknologi. Dens bevisede effektivitet i dataanalyse, mønstergenkendelse og videnssyntese kan gøre hold mere effektive. Men på trods af AI’s ubestridelige værdi, viser ny forskning, at kun 13% af virksomheder har adopteret det på en omfattende måde. De fleste virksomheder spiller det sikre spil og bruger kun AI til lav-risiko-opgaver. Hvad stopper mærkerne fra at springe ud og høste fordelene? Gapet mellem AI-aspirationer og -præstationer skyldes en strukturel svaghed.

Den manglende lænke.

Vellykket, omfattende AI-adopterings kræver tre komponenter: infrastruktur, applikation og data. Infrastrukturlaget består af AI-modellen, hvis rammeværk direkte former brugen og potentiale output.

Applikationslaget er, hvor softwareløsningerne bor. Dette er, hvor den største del af AI’s værdi genereres; det er, hvor brugerne interagerer (muligvis indirekte) med AI og gennemgår dens output; det er knudepunktet for AI-informeret beslutningstagning.

Mellem disse lag er datalaget, og det er denne komponent, som de fleste virksomheder har problemer med – uanset om de er bevidste om det eller ej. Dette lag indeholder alle data; data, der passer til de underliggende AI-modeller og vejleder de applikationer, der bygges. Datamaterialets kvalitet informerer direkte om outputtet på applikationslaget. Høj kvalitet, rigelig data kan understøtte solide brugstilfælde, mens tvivlsom eller utilstrækkelig data ikke kan.

Indtil organisationer kan bygge – eller samarbejde med virksomheder, der bygger – alle tre lag af AI-adopterings, vil de ikke kunne udnytte den maksimale værdi.

Implikationerne af ubalance.

AI’s output vil altid være betinget af de data, det får. Hvis en organisation ønsker, at dens AI kan forudsige syntetiske molekylærstrukturer, skal den føde det med mange fysikdata. Hvis en detailhandler ønsker at bruge AI til at forudsige brugernes adfærd og forbedre digitale oplevelser, skal den føde det med adfærdsdata.

Hvis virksomheder (eller deres partnere) ikke kan tilstrækkeligt understøtte deres AI-værktøjer med tilstrækkelige data, vil implikationerne være langtrukne. Først og fremmest er der AI-løsningen selv. I bedste fald vil den være teknisk operativ, omend ikke i den ønskede udstrækning. Output kan være svag, mangelfuld eller helt uden indsigt. Ud over dette “bedste” resultat ligger en mere sandsynlig konsekvens: AI-hallucinationer, fejlbehæftede output og negativ ROI. Ikke blot vil investeringen være spildt, men organisationer kan også være nødt til at bruge mere i navn af skadebegrænsning.

Når vi zoomer ud fra de umiddelbare konsekvenser, kan vi se de bredere implikationer af en data-svagt AI-løsning. Generelt set adopterer virksomheder AI, så de kan gøre mere: udvinde mere indsigt, betjene flere kunder, operere mere effektivt. Hvis organisationer hælder tid og ressourcer i en AI-værktøj, der falder fladt, har de effektivt hæmmet deres egen vækst, begrænset deres evne til at tilpasse sig markedet og overgå konkurrenterne. Det sætter dem i en ulempe og efterlader dem med at kæmpe for at indhente det tabte tid, ressourcer og – muligvis – kunder.

Men der er håb; der er meget, organisationer kan gøre for at positionere sig godt, korrigere (eller forebygge) en AI-ubalance og gå videre.

At udfylde gapet med de rette data.

På risiko for at forenkle for meget, kan det bedste, ledere kan gøre for at undgå en AI-ubalance, være at udføre deres due diligence, før de går videre med en AI-dreven løsning. Før de implementerer et nyt værktøj, skal de tage sig tid til at lære om, hvor data kommer fra og hvordan det genereres.

Hvis din løsningsudbyder eller lederingeniør ikke kan give dig et direkte svar om datakildens, kvalitetens eller mængdens grundlag, skal det udløse alarmklokker. Få en anden eller tredje mening fra kanalpartnere og integratorer. Samarbejd om intel ved at tappe ind i brugerdiskussionsnetværk som Reddit og Discord; se, hvor andre adoptere stødte på hindringer eller vejrblokke. At vide, hvilke røde flag at se efter før man tager nogen beslutninger, kan hjælpe ledere med at undgå en verden af hovedpiner og forventningsafvigelser.

Det er naturligvis ikke altid muligt, og det vil ikke hjælpe organisationer i midten af en AI-data-mangel. Hvis det ikke er en mulighed at skrotte den eksisterende løsning, er det næstbedste at finde en måde at injicere mere data på, så værktøjet har mere kontekst, mønstre og indsigt at trække på.

Syntetisk data er en mulighed her, men det er ikke en universalløsning. Det kan være svært at fastslå den præcise oprindelse af syntetisk data, så det kan ikke altid være den bedste vej frem. Det sagde, er der en tid og sted for syntetisk data. For eksempel er det godt til at træne AI-sikkerhedsmodeller, især på en modstander-måde. Som altid vil det at udføre forskning på forhånd hjælpe ledere med at træffe de bedste beslutninger for deres forretning.

For brancher som detailhandel eller hurtige service-restauranter (QSR) er menneskelig data at foretrække. Virksomheder i disse brancher bruger sandsynligvis AI til at hjælpe med at optimere deres kundeoplevelse, så deres værktøjer skal trænes på menneskelig adfærdsdata. For eksempel, hvis du håber at forudsige, hvor langt brugere vil rulle ned på en side, vil du ønske, at AI’en baserer sin forudsigelse på reel menneskelig adfærd under lignende betingelser.

I visse tilfælde handler det ikke om at få en tilførsel af ny data, men om at aktivere eksisterende data. Siden og app-brugere er allerede der – det handler blot om at fange, strukturere og analysere deres adfærdsdata, så AI-værktøjerne kan bruge det.

Til sidst er det bedre at have utilstrækkelig data end at have dårlig data; alt, hvad organisationer kan gøre for at rense deres løsninger, vil hjælpe med at drive bedre resultater.

Hvor at begynde.

At mangle AI-data kan udgøre en betydelig udfordring for organisationer af enhver størrelse, og det kan være overvældende at tænke på, hvad de næste skridt kan være. Men blot at erkende problemet er en præstation i sig selv. Derefter handler det om at finde de behandlelige, inkrementelle skridt, man kan tackle ét ad gangen.

AI har enormt potentiale – men kun for dem, der er villige til at investere i hver af dens nøglekomponenter: infrastruktur, applikation og data. Uden disse lag vil selv den mest elegante AI-løsning falde fladt. Organisationerne, der lukker data-gapet nu, vil ikke blot undgå at falde bagud; de vil sætte tempoet.