5 Βήματα για την Εφαρμογή του AI στη Βизнес Σας Χωρίς Να Σπαταλήσετε Τα Λεφτά Σας

Η τεχνητή νοημοσύνη συνεχίζει να εξελίσσεται, και αν συνεχίσει να διεισδύει σε κάθε βιομηχανία, θα μεταμορφώσει完全 την τρόπο που ζούμε.

Ως αποτέλεσμα, η ενσωμάτωση του AI στις εταιρείες έχει γίνει μια από τις principales προτεραιότητες για πολλούς ιδρυτές. Ακόμη και άτομα ψάχνουν τρόπους να εκμεταλλευτούν το AI για να βελτιώσουν την προσωπική τους ζωή.

Ο θόρυβος είναι τέτοιος που το λεξικό Collins, μια εξέχουσα αρχή γλώσσας, έχει ονομάσει το AI ως τον όρο της χρονιάς, λόγω της αύξησης της δημοτικότητάς του.

Λέγοντας αυτό, για την πλειονότητα των οργανισμών, υπάρχει ένα τεράστιο χάσμα μεταξύ της ιδέας και της πραγματικότητας όταν προσπαθούν να ενσωματώσουν το AI στις διαδικασίες τους, επειδή ο δρόμος δεν είναι τόσο ευθύς όσο φαίνεται, και μπορεί να είναι πολύ ακριβός, τόσο σε όρους κεφαλαιουχικών εξόδων όσο και σε χαμένο χρόνο, επειδή οι αναπτύξεις δεν θα φέρουν τα αναμενόμενα αποτελέσματα. Αυτό έχει οδηγήσει πολλές εταιρείες σε δυσκολίες. Για παράδειγμα, το CNET πείραξε με άρθρα γραμμένα από το AI, και αυτά αποδείχθηκαν γεμάτα με λάθη. Άλλες εταιρείες, όπως η iTutor Group, έχουν υποστεί βαριές προστίμες εκτός από δημόσιο ψόγο λόγω των κακών εφαρμογών του AI.

Όπως αυτά τα παραδείγματα δείχνουν, οι εταιρείες μπορούν να κάνουν πολλά λάθη με το AI, και εκτός αν μια επιχείρηση έχει το χρηματικό μαξιλάρι της Amazon, της Google, της Microsoft ή της Meta, αυτές οι αποτυχημένες πειραματικές εφαρμογές μπορούν να οδηγήσουν αποτελεσματικά μια εταιρεία στη χρεοκοπία.

Εάν είστε ιδρυτής ή ιδιοκτήτης επιχείρησης, εδώ υπάρχει ένας οδηγός με πέντε βήματα για να σας βοηθήσει να εφαρμόσετε το AI στη βизнес σας, όλα αυτά ενώ κάνετε συνετή χρήση των πόρων σας – χρημάτων και χρόνου, που τελικά είναι χρήματα – και ενώ μειώνετε την πιθανότητα θανατηφόρων λαθών.

1. Να Είστε Σαφείς Στον Πρόβλημα που Προσπαθείτε να Λύσετε

Κανένα empresa δεν είναι απαλλαγμένο από αποτυχίες του AI. Και όπως η Amazon πονάει – μέσω των αποτυχημένων καταστημάτων Amazon Go – όχι κάθε επιχείρηση χρειάζεται AI.

Επομένως, είναι κρίσιμο να ορίσετε το πρόβλημα που προσπαθείτε να λύσετε με το AI. Αυτό πρέπει να περιγραφεί όσο το δυνατόν πιο σαφώς.

Για παράδειγμα, μια κοινή εφαρμογή του AI είναι η υποστήριξη πελατών. Η εφαρμογή του AI σε τέτοια περίπτωση είναι δυνατή με τρόπο που έχει συγκεκριμένα αποτελέσματα, για παράδειγμα, μειώνοντας τα έξοδα του κέντρου εξυπηρέτησης πελατών κατά X ποσό χρημάτων το μήνα ή επιταχύνοντας τον μέσο χρόνο που χρειάζεται για να λυθούν οι ερωτήσεις των πελατών κατά X λεπτά. Με αυτήν την προσέγγιση, έχουμε ένα μετρήσιμο δείκτη στη μορφή χρημάτων ή χρόνου, το οποίο θα προσπαθήσουμε να επιτύχουμε εφαρμόζοντας το AI και να δούμε αν αυτό έχει κάποιο αντίκτυπο.

Υπάρχουν διάφοροι τρόποι με τους οποίους αυτό μπορεί να συμβεί. Για παράδειγμα, αντί για ένα chatbot, μπορούμε να αναπτύξουμε ή να αγοράσουμε μια υπηρεσία που θα καθορίσει αν η ερώτηση του πελάτη μπορεί να απαντηθεί με μια σελίδα FAQ. Θα λειτουργήσει ως εξής. Όταν ένας πελάτης γράφει ένα μήνυμα, τρέχουμε αυτό το μοντέλο και μας λέει αν πρέπει να μεταφέρουμε αυτή τη συζήτηση σε einen πράκτορα ή να του δείξουμε μια σχετική σελίδα με απάντηση στην ερώτησή του. Η ανάπτυξη αυτού του μοντέλου είναι γρηγορότερη και φθηνότερη από το να χτίσουμε ένα σύνθετο chatbot από την αρχή. Αν αυτή η εφαρμογή επιτύχει, θα επιτύχουμε τον στόχο μας να μειώσουμε τα έξοδα ενώ βελτιστοποιούμε τις δαπάνες μας για το AI, σε σύγκριση με το κόστος ανάπτυξης ενός chatbot.

Ένας πρωτοπόρος σε αυτήν την προσέγγιση ήταν η Matten Law, μια εταιρεία δικαίου της Καλιφόρνιας που ενσωμάτωσε einen βοηθό που βασίζεται στο AI για να αυτοματοποιήσει πολλές εργασίες, επιτρέποντας στους δικηγόρους να dành περισσότερο χρόνο ακούγοντας τους πελάτες και μελετώντας τις πτυχές μιας υπόθεσης που ήταν οι πιο σχετικές. Αυτό δείχνει ότι ακόμη και οι πιο αυστηροί τομείς μπορούν να διαταραχθούν μέσω του AI με τρόπο που ενισχύει την εμπειρία του χρήστη, ενισχύοντας την ανθρώπινη επαφή όπου χρειάζεται περισσότερο.

Πρόσθετα κοινά προβλήματα που θα μπορούσαν να αντιμετωπιστούν με τη βοήθεια του AI περιλαμβάνουν την ανάλυση δεδομένων και τη δημιουργία προσαρμοσμένων προσφορών. Το Spotify είναι ένα εξαιρετικό παράδειγμα εταιρείας που χρησιμοποιεί με επιτυχία το AI για να αναπτύξει ένα έξυπνο σύστημα συστάσεων μουσικής, το οποίο φτάνει μέχρι λαμβάνοντας υπόψη την ώρα της ημέρας που κάποιος ακούει ένα συγκεκριμένο είδος.

Σε cả τις δύο περιπτώσεις, το AI βοηθά στην παροχή μιας καλύτερης εμπειρίας για τον πελάτη. Ωστόσο, ο λόγος για τον οποίο αυτές οι εταιρείες χρησιμοποίησαν το AI με επιτυχία ήταν ότι ήταν πολύ σαφείς στα στοιχεία που χρειάζονταν να ανατεθούν στο AI.

2. Αποφασίστε για τα Δεδομένα που Θα Χρειαστείτε να Αναλύσετε

Μόλις ορίζεται καλά το κύριο πρόβλημα, πρέπει να λάβουμε υπόψη τα δεδομένα που θα χρειαστούμε να ταΐσουμε το σύστημα. Είναι κρίσιμο να θυμόμαστε ότι το AI είναι ένας αλγόριθμος, ο οποίος αναλύει και προσαρμόζεται στα δεδομένα που παρέχουμε. Η βασική περίπτωση για τη συλλογή δεδομένων είναι η ακόλουθη:

1. Κατανοήστε ποια δεδομένα μπορεί να χρειαστούμε για να εφαρμόσουμε το AI.

2. Δείτε αν η επιχείρησή μας έχει αυτά τα δεδομένα.

   1. Αν έχει — καλά.

   2. Αν όχι, πρέπει να καθίσουμε και να σκεφτούμε αν μπορούμε να ξεκινήσουμε τη σωστή διαδικασία συλλογής δεδομένων εντός της εταιρείας. Ως άλλη πιθανότητα, μπορούμε να ζητήσουμε από τους développers να αποθηκεύσουν τα δεδομένα που χρειαζόμαστε αν δεν το κάνουμε ακόμη.

Εδώ υπάρχει ένα παράδειγμα. Ιδιοκτήτης ενός καφέ, και χρειαζόμαστε δεδομένα για το πόσοι πελάτες το επισκέπτονται. Μπορούμε να το κάνουμε εφαρμόζοντας προσωπικές κάρτες πίστης που οι πελάτες θα παρουσιάσουν κατά την αγορά. Έτσι, θα έχουμε τα δεδομένα που χρειαζόμαστε, όπως ποιοι πελάτες ήρθαν, πότε ήρθαν, τι αγόρασαν και σε ποια ποσότητα. Μόλις έχουμε αυτά τα δεδομένα, μπορούμε να τα χρησιμοποιήσουμε για να εφαρμόσουμε το AI. Ωστόσο, υπάρχουν φορές που η συλλογή αυτών των δεδομένων μπορεί να είναι πολύ ακριβή. Και είναι τότε που το AI μπορεί να έρθει στο σωτήριό μας. Για παράδειγμα, αν έχουμε μια κάμερα εγκατεστημένη στο καφέ μας – που μπορεί να έχουμε τουλάχιστον για λόγους ασφαλείας – θα μπορούσαμε να την χρησιμοποιήσουμε για να συλλέξουμε δεδομένα από τους πελάτες μας. Πρέπει να πω ότι πριν εφαρμόσουμε αυτήν την προσέγγιση, είναι σημαντικό να συμβουλευτούμε για τους νόμους προσωπικών δεδομένων, όπως το GDPR, επειδή αυτή η προσέγγιση μπορεί να μην λειτουργήσει σε κάθε χώρα. Αλλά σε αυτές τις δικαιοδοσίες στις οποίες επιτρέπεται, αυτό μπορεί να είναι ένας αβίαστος τρόπος για να συλλέξουμε τις πληροφορίες που χρειαζόμαστε και να ζητήσουμε τη βοήθεια του AI για να τις αναλύσουμε και να τις επεξεργαστούμε.

Αν σκέφτεστε, αυτό το προσωπικό πρόγραμμα πίστης είναι αυτό που έκανε η Starbucks, με μεγάλη επιτυχία. Το πρόγραμμα πίστης της Starbucks έφτασε μέχρι να παρέχει προσωπικές ενθαρρύνσεις όταν ένας πελάτης επισκεπτόταν την αγαπημένη του τοποθεσία ή παραγγέλνει το αγαπημένο του ποτό.

3. Ορίστε Μια Υπόθεση

Μожет υπάρξουν περιπτώσεις στις οποίες μπορεί να αισθανθείτε αβέβαιος σχετικά με ποια διαδικασία μπορεί ή χρειάζεται να βελτιωθεί από το AI.

Αν αυτό είναι η περίπτωσή σας, τότε μπορείτε να αρχίσετε να διασπάτε όλη τη διαδικασία σε στάδια και να αναγνωρίσετε αυτά τα στάδια στα οποία αισθάνεστε ότι η επιχείρησή σας υποφέρει. Ποια είναι αυτά τα σημεία στα οποία δαπανούμε太 πολλά χρήματα; Τι παίρνει περισσότερο χρόνο από το συνηθισμένο; Απαντώντας σε αυτά τα ερωτήματα, μπορείτε να εντοπίσετε τις κρίσιμες περιοχές για βελτίωση και να αποφασίσετε αν το AI μπορεί να βοηθήσει.

Όπως θα βρείτε, υπάρχουν περιπτώσεις στις οποίες οι συμβατικές λύσεις μπορεί να είναι πιο αποτελεσματικές. Αν παλεύετε με ποια προϊόντα να προτείνετε στους πελάτες, οι προτάσεις που βασίζονται στα πιο δημοφιλή προϊόντα είναι συχνά πολύ πιο αποτελεσματικές στα συστήματα συστάσεων της αγοράς από τις προσπάθειες να προβλέψουν τη συμπεριφορά του χρήστη. Έτσι, δοκιμάστε αυτό πρώτα. Μόλις έχετε ένα αποτέλεσμα – είτε είναι θετικό είτε αρνητικό – τότε μπορείτε να έχετε μια υπόθεση για δοκιμή του AI. Αλλιώς, ο χώρος δράσης θα είναι πολύ ασαφής και μπορεί να σπαταλήσετε χρόνο και χρήματα.

4. Εκμεταλλευτείτε τις Υπάρχουσες Λύσεις

Πολυάριθμες εταιρείες στοχεύουν να σχεδιάσουν τους δικούς τους αλγόριθμους μηχανικής μάθησης. Ωστόσο, αν δεν σκοπεύετε να εκπαιδεύσετε αυτούς με μεγάλους συνόλους δεδομένων για εκτενείς περιόδους, μην το κάνετε. Θα είναι πολύ ακριβό και χρονοβόρο.

Αντίθετα, σας συνιστώ να επικεντρωθείτε στις λύσεις που ήδη υπάρχουν. Εταιρείες όπως η Amazon, η Google, η Microsoft και πολλές άλλες έχουν εργαλεία που βασίζονται στο AI που μπορούν να σας βοηθήσουν να επιτύχετε πολλά αποτελέσματα. Τότε, σταδιακά, θα μπορούσατε να υπογράψετε μια σύμβαση με μία από αυτές και να雇ώσετε έναν εσωτερικό développer για να ρυθμίσετε με επιτυχία τις απαραίτητες αιτήσεις API.

Η βασική ιδέα είναι ότι αυτά τα εργαλεία μπορούν να ενσωματωθούν από développers επιχειρήσεων (όχι ML ειδικών), τα οποία θα μας επιτρέψουν να δοκιμάσουμε γρήγορα την υπόθεση αν το AI φέρνει το αναμενόμενο αποτέλεσμα ή όχι. Αν αποτύχει να το κάνει, μπορούμε απλά να απενεργοποιήσουμε αυτά τα εργαλεία και το κόστος δοκιμής της υπόθεσής μας θα είναι μόνο ο χρόνος που ξοδεύτηκε για την ενσωμάτωση με αυτήν την υπηρεσία και το ποσό που πληρώσαμε για να χρησιμοποιήσουμε το εργαλείο. Αν αναπτύσσουμε ένα μοντέλο, θα ξοδεύουμε το μισθό του ML ειδικού πολλαπλασιαζόμενο με τον χρόνο που θα δαπανηθεί για την ανάπτυξη του μοντέλου, συν το κόστος της υποδομής. Και τότε δεν είναι σαφές τι να κάνετε με τον développer και το μοντέλο αν, στο τέλος, το αναμενόμενο αποτέλεσμα δεν υπάρχει.

Αν η υπόθεση μας αποδειχθεί, και το εργαλείο που βασίζεται στο AI φέρνει το αναμενόμενο αποτέλεσμα, χαιρόμαστε και βγάζουμε μια νέα υπόθεση. Στο μέλλον, αν προβλέψουμε ότι τα έξοδα του εργαλείου αυξάνονται σημαντικά, μπορούμε να σκεφτούμε να αναπτύξουμε αυτό το μοντέλο ourselves, και έτσι να μειώσουμε τα έξοδα ακόμη περισσότερο. Αλλά πρέπει πρώτα να αξιολογήσουμε αν το κόστος ανάπτυξης είναι στην πραγματικότητα λιγότερο από ότι θα πληρώναμε για να χρησιμοποιήσουμε ένα εργαλείο από μια άλλη εταιρεία που ειδικεύεται στην ανάπτυξη αυτών των εργαλείων.

Η συμβουλή μου είναι να εξετάσετε την ανάπτυξη του δικού σας προϊόντος μηχανικής μάθησης μόνο αφού έχετε λάβει καλά αποτελέσματα από τη χρήση του AI με τα εργαλεία που αναφέρθηκαν παραπάνω και αφού είστε βέβαιοι ότι το AI είναι ο σωστός τρόπος για να λύσετε το πρόβλημά σας μακροπρόθεσμα. Αλλιώς, το έργο ML σας δεν θα φέρει την αξία που ψάχνετε, και όπως ένα εξαιρετικό πρόσφατο κομμάτι του Harvard Business Review είπε, ο θόρυβος του AI θα σας απομακρύνει από την αποστολή σας, η οποία δεν χρειάζεται AI.

5. Συμβουλευτείτε με Ειδικούς του AI

Στο ίδιο πνεύμα, ένα άλλο πολύ συνηθισμένο λάθος που κάνουν οι ιδρυτές και οι ιδιοκτήτες επιχειρήσεων είναι ότι προσπαθούν να κάνουν mọiTHING εντός της εταιρείας.雇ώνονται έναν αρχιτέκτονα του AI ή ερευνητή, και τότε περισσότερους ανθρώπους για να σχηματίσουν μια ομάδα που μπορεί να δημιουργήσει ένα προϊόν που βασίζεται στο AI. Ωστόσο, αυτή η τεχνολογία θα είναι άχρηστη για τον σκοπό της εταιρείας σας αν δεν έχετε μια σωστά ορισμένη στρατηγική εφαρμογής του AI. Υπάρχει επίσης μια περίπτωση που雇ώνονται ένας Junior ML Engineer, για να σώσουν χρήματα σε σύγκριση με την雇ώτηση ενός πιο έμπειρου ειδικού. Αυτό είναι επίσης επικίνδυνο, επειδή ένας άνθρωπος χωρίς εμπειρία μπορεί να μην γνωρίζει τις λεπτομέρειες της ανάπτυξης και σχεδίασης του ML και να κάνει “ροokie λάθη”, για τα οποία η εταιρεία θα πρέπει να πληρώσει πολύ υψηλό τίμημα, σχεδόν πάντα υπερβαίνοντας το κόστος της雇ώματος ενός έμπειρου ML ειδικού.

Έτσι, η σύστασή μου είναι να雇ώσετε πρώτα έναν ειδικό του AI, όπως einen συμβουλή, ο οποίος θα σας οδηγήσει στο δρόμο και θα αξιολογήσει τη διαδικασία υιοθέτησης του AI. Εκμεταλλευτείτε την εμπειρία τους για να διασφαλίσετε ότι το πρόβλημα που δουλεύετε απαιτεί AI και ότι η τεχνολογία μπορεί να κλιμακωθεί αποτελεσματικά για να αποδείξει την υπόθεσή σας.

Αν είστε μια νεοσύστατη επιχείρηση και ανησυχείτε για τη χρηματοδότηση, ένα hack για αυτό είναι να επικοινωνήσετε με μηχανικούς του AI στο LinkedIn με συγκεκριμένα ερωτήματα. Πιστεύετε ή όχι, πολλοί ML και AI ειδικοί αγαπούν να βοηθούν, τόσο επειδή είναι πραγματικά στο θέμα, όσο και επειδή αν τους βοηθήσουν, μπορούν να το χρησιμοποιήσουν ως θετικό παράδειγμα για το πορτφόλιο συμβουλευτικής τους.

Τελικές Σκέψεις

Με όλο τον θόρυβο που περιβάλλει το AI, είναι φυσιολογικό ότι μπορείτε να είστε πρόθυμοι να ενσωματώσετε το AI στη βизнес σας και να αναπτύξετε μια λύση που βασίζεται στο AI που σας οδηγεί στο επόμενο επίπεδο. Ωστόσο, πρέπει να θυμάστε ότι το γεγονός ότι όλοι μιλάνε για το AI σημαίνει ότι η επιχείρησή σας χρειάζεται AI. Πολλές εταιρείες, δυστυχώς, βιάζονται να ενσωματώσουν το AI χωρίς einen σαφή στόχο στο μυαλό, και τελικά σπαταλούν τεράστια ποσά χρημάτων και χρόνου. Σε ορισμένες περιπτώσεις, ιδιαίτερα για νεοσύστατες εταιρείες, αυτό μπορεί να σημαίνει τον θάνατό τους. Καθορίζοντας σαφώς ένα πρόβλημα, συλλέγοντας σχετικά δεδομένα, δοκιμάζοντας μια υπόθεση και χρησιμοποιώντας τα εργαλεία που ήδη υπάρχουν με τη βοήθεια ενός ειδικού, μπορείτε να ενσωματώσετε το AI χωρίς να σπαταλήσετε τα χρηματικά αποθέματα της εταιρείας σας. Τότε, αν η λύση λειτουργεί, μπορείτε να κλιμακωθείτε σταδιακά και να ενσωματώσετε το AI σε αυτές τις περιοχές στις οποίες αυξάνει την αποτελεσματικότητα ή την κερδοφορία της εταιρείας σας.