5 Βήματα για την Εφαρμογή του AI στη Βизнес σας Χωρίς να Σπαταλήσετε τα Χρήματα

Το τεχνητό νοήμον (AI) συνεχίζει να εξελίσσεται και αν συνεχίσει να διεισδύει σε κάθε βιομηχανία, θα μεταμορφώσει τον τρόπο που ζούμε.

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

Η εντύπωση είναι τέτοια που το Λεξικό Collins, μια εξέχουσα αρχή γλώσσας, έχει ονομάσει το AI ως τον όρο της χρονιάς, λόγω της αύξησης της δημοτικότητάς του.

Έχοντας πει αυτό, για την πλειονότητα των εταιρειών, 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 ευθύγραμμος όσο φαίνεται, και μπορεί να είναι πολύ δαπανηρός, τόσο σε όρους κεφαλαιουχικών δαπανών 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 λάθη. Άλλες εταιρείες, όπως η iTutor Group, έχουν υποστεί μεγάλες προστίμες εκτός από δημόσια καταδίκη λόγω των κακών εφαρμογών του AI.

Όπως δείχνουν αυτά τα παραδείγματα, οι εταιρείες μπορούν να κάνουν πολλά λάθη με το AI, και εκτός αν μια εταιρεία έχει τον οικονομικό προστατευτικό φραγμό της Amazon, της Google, της Microsoft ή της Meta, αυτές οι αποτυχημένες πειραματικές εφαρμογές μπορούν να οδηγήσουν μια εταιρεία σε πτώχευση.

Εάν είστε ιδρυτής ή ιδιοκτήτης μιας εταιρείας, εδώ είναι ένας οδηγός με πέντε βήματα για να σας βοηθήσει να εφαρμόσετε το AI στη βизнес σας, όλα αυτά με προσεκτική χρήση των πόρων σας – χρημάτων και χρόνου, που στην πραγματικότητα είναι χρήματα – και μειώνοντας την πιθανότητα να κάνετε θανατηφόρα λάθη.

1. Να είστε σαφείς στο πρόβλημα που προσπαθείτε να λύσετε

Κανένα επιχείρημα δεν είναι απαθές σε αποτυχίες του AI. Και όπως η Amazon βρήκε με πόνο – μέσω των αποτυχημένων καταστημάτων Amazon Go – όχι κάθε επιχειρηματική περίπτωση 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 αυτή την περίπτωση είναι δυνατή με συγκεκριμένα αποτελέσματα, για παράδειγμα, μειώνοντας το κόστος 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, τον οποίο θα προσπαθήσουμε να επιτύχουμε εφαρμόζοντας το AI και να δούμε αν αυτό έχει κάποιο αποτέλεσμα.

Υπάρχουν διάφοροι τρόποι με τους οποίους αυτό μπορεί να συμβεί. Για παράδειγμα, αντί για einen chatbot, μπορούμε να αναπτύξουμε ή να αγοράσουμε μια υπηρεσία που θα καθορίσει αν η ερώτηση του πελάτη μπορεί να απαντηθεί με μια σελίδα συχνών ερωτήσεων. Θα λειτουργήσει ως εξής. Όταν ένας πελάτης γράφει ένα μήνυμα, τρέχουμε αυτό το μοντέλο και μας λέει είτε ότι πρέπει να μεταφέρουμε αυτή τη συζήτηση σε έναν πράκτορα, είτε μας δείχνει μια σχετική σελίδα με απάντηση στο ερώτημά του. Η ανάπτυξη αυτού του μοντέλου είναι ταχύτερη και φθηνότερη από το να χτίσουμε έναν περίπλοκο chatbot από την αρχή. Εάν αυτή η εφαρμογή επιτύχει, θα επιτύχουμε τον στόχο μας να μειώσουμε τα κόστη ενώ βελτιώνουμε τις δαπάνες μας που σχετίζονται με το AI, σε σύγκριση με το κόστος ανάπτυξης ενός chatbot.

Ένας πρωτοπόρος σε αυτήν την προσέγγιση ήταν η Matten Law, μια εταιρεία δικηγορικών γραφείων στην Καλιφόρνια, η οποία ενσωμάτωσε einen AI-ενισχυμένο βοηθό για να αυτοματοποιήσει πολλές εργασίες, επιτρέποντας στους δικηγόρους να αφιερωθούν περισσότερο χρόνο στην ακρόαση των πελατών και στη μελέτη των πτυχών μιας υπόθεσης που ήταν οι πιο σχετικές. Αυτό δείχνει ότι ακόμη και οι πιο αυστηροί τομείς μπορούν να διαταραχθούν μέσω του AI με έναν τρόπο που ενισχύει την εμπειρία του χρήστη, ενισχύοντας την ανθρώπινη επαφή όπου είναι πιο απαραίτητη.

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

Σε ambles τις 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 επειδή ήταν πολύ σαφείς στα στοιχεία που χρειάζονταν να ανατεθούν στο AI.

2. Αποφασίστε ποια δεδομένα θα χρειαστείτε για ανάλυση

Μόλις το κύριο πρόβλημα είναι καλά ορισμένο, πρέπει να λάβουμε υπόψη τα δεδομένα που πρέπει να τροφοδοτήσουμε 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 συλλογή δεδομένων είναι η ακόλουθη:

1. Κατανοήστε ποια δεδομένα μπορεί να χρειαστείτε για την εφαρμογή του AI.

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

   1. Εάν τα έχει — καλά.

   2. Εάν όχι, πρέπει να καθίσετε και να σκεφτείτε αν μπορείτε να ξεκινήσετε τη σωστή διαδικασία συλλογής δεδομένων εντός της εταιρείας. Ως άλλη πιθανότητα, μπορείτε να ζητήσετε από τους dévelopτερ να αποθηκεύσουν τα δεδομένα που χρειαζόμαστε εάν δεν το κάνουμε ακόμη.

Εδώ είναι ένα παράδειγμα. Κατέχουμε ένα καφενείο και χρειαζόμαστε δεδομένα για το πόσοι πελάτες το επισκέπτονται. Μπορούμε να το κάνουμε αυτό εφαρμόζοντας προσωπικές κάρτες πιστότητας που οι πελάτες θα παρουσιάσουν κατά την πραγματοποίηση μιας αγοράς. Αυτό μας δίνει 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 δαπανηρή. Και είναι τότε που το AI μπορεί να μας βοηθήσει. Για παράδειγμα, εάν έχουμε μια κάμερα εγκατεστημένη στο καφενείο μας – η οποία μπορεί να είναι τουλάχιστον για λόγους ασφαλείας – μπορούμε να τη χρησιμοποιήσουμε για να συλλέξουμε δεδομένα από τους πελάτες μας. Πρέπει να σημειωθεί ότι πριν από την εφαρμογή αυτής της μεθόδου, είναι σημαντικό να συμβουλευτείτε τους νόμους περί προσωπικών δεδομένων, όπως τον GDPR, επειδή αυτή η προσέγγιση μπορεί να μην λειτουργήσει σε κάθε χώρα. Αλλά σε αυτές τις δικαιοδοσίες στις οποίες είναι επιτρεπτό, αυτό μπορεί να είναι ένας αβίαστος τρόπος για να συλλέξετε τις πληροφορίες που χρειάζεστε και να ζητήσετε τη βοήθεια του AI για να τις αναλύσει και να τις επεξεργαστεί.

Εάν σκέφτεστε, αυτό το προσωπικό πρόγραμμα πιστότητας είναι αυτό που έκανε η Starbucks, με μεγάλη επιτυχία. Το πρόγραμμα πιστότητας της Starbucks πήγε τόσο μακριά όσο να παρέχει προσωπικές ενθαρρύνσεις όταν ένας πελάτης επισκέπτεται την προτιμώμενη τοποθεσία του ή παραγγέλνει το αγαπημένο του ποτό.

3. Ορίστε μια υπόθεση

Μожет υπάρχουν περιπτώσεις στις οποίες αισθάνεστε αβέβαιος σχετικά με ποια διαδικασίες μπορούν ή πρέπει να βελτιωθούν από το AI.

Εάν αυτή είναι η περίπτωσή σας, τότε μπορείτε να αρχίσετε να διασπάτε την ολόκληρη διαδικασία σας σε στάδια και να αναγνωρίσετε εκείνες τις φάσεις στις οποίες αισθάνεστε ότι η επιχείρησή σας υποπερφόρμησε. Ποια είναι εκείνα τα σημεία στα οποία δαπανούμε πολλά χρήματα; Τι παίρνει περισσότερο χρόνο από το συνηθισμένο; Απαντώντας σε αυτά τα ερωτήματα, μπορείτε να αναγνωρίσετε 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. Εάν δυσκολεύεστε με το ποια προϊόντα να προτείνετε στους πελάτες σας, οι προτάσεις που βασίζονται στα πιο δημοφιλή προϊόντα είναι συχνά πολύ πιο αποτελεσματικές σε συστήματα συστάσεων αγοράς από τις προσπάθειες να προβλέψουν τη συμπεριφορά του χρήστη. Επομένως, δοκιμάστε πρώτα αυτό. 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 λύσεις που ήδη υπάρχουν

Πολυάριθμες εταιρείες στοχεύουν να σχεδιάσουν αμέσως τους δικούς τους αλγόριθμους μηχανικής μάθησης. Ωστόσο, εάν δεν σκοπεύετε να τους εκπαιδεύσετε με μεγάλες συνόλους δεδομένων για einen εκτενέστερο χρόνο, μην το κάνετε. Θα είναι πολύ δαπανηρό 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. Στη συνέχεια, μπορείτε να υπογράψετε μια σύμβαση με μία από αυτές και να雇ώσετε έναν εσωτερικό dévelopτερ για να ρυθμίσει με επιτυχία τις απαραίτητες αιτήσεις API.

Η βασική ιδέα είναι ότι αυτά τα εργαλεία μπορούν να ενσωματωθούν από dévelopτερς επιχειρήσεων (όχι ειδικούς ML), οι οποίοι θα μας επιτρέψουν να δοκιμάσουμε γρήγορα την υπόθεση ότι το AI φέρνει το αναμενόμενο αποτέλεσμα ή όχι. Εάν αποτύχει να το κάνει, μπορούμε απλά να απενεργοποιήσουμε αυτά τα εργαλεία και το κόστος δοκιμής της υπόθεσής μας θα είναι μόνο ο χρόνος του dévelopτερ που δαπανήθηκε για την ενσωμάτωση με αυτήν την υπηρεσία και το ποσό που πληρώσαμε για να χρησιμοποιήσουμε το εργαλείο. Εάν αναπτύσουμε ένα μοντέλο, θα δαπανήσουμε το μισθό του ειδικού ML φορές τον χρόνο που θα δαπανηθεί για την ανάπτυξη του μοντέλου, συν任何ς δαπάνες υποδομής. Και τότε δεν είναι σαφές τι να κάνετε με τον dévelopτερ και το μοντέλο εάν, στο τέλος, το αναμενόμενο αποτέλεσμα δεν υπάρχει.

Εάν η υπόθεση μας αποδειχθεί και το εργαλείο που βασίζεται στο AI φέρει το αναμενόμενο αποτέλεσμα, χαιρόμαστε και βάζουμε μια νέα υπόθεση. Στο μέλλον, εάν προβλέψουμε ότι τα κόστη του εργαλείου αυξάνονται σημαντικά, μπορούμε να σκεφτούμε να αναπτύξουμε αυτό το μοντέλο ourselves, και έτσι να μειώσουμε τα κόστη 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 σκεφτείτε να αναπτύξετε το δικό σας προϊόν 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 είπε ένα εξαιρετικό πρόσφατο άρθρο του Harvard Business Review, ο κύκλος υπεροπτισμού του AI θα σας αποσπάσει από την αποστολή σας, η οποία δεν χρειάζεται AI.

5. Συμβουλευτείτε με ειδικούς του AI

Στο ίδιο πνεύμα, άλλο ένα πολύ συνηθισμένο λάθος που κάνουν οι ιδρυτές και οι ιδιοκτήτες επιχειρήσεων είναι ότι προσπαθούν να κάνουν τα πάντα εντός της εταιρείας.雇ώνουν έναν αρχιμηχανικό AI ή έναν ερευνητή και στη συνέχεια 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 εάν δεν έχετε μια σωστά ορισμένη στρατηγική εφαρμογής του AI. Υπάρχει επίσης η περίπτωση που雇ώνουν έναν νεαρό μηχανικό ML, για να σώσουν χρήματα σε σύγκριση με την雇ώνηση ενός πιο έμπειρου ειδικού. Αυτό είναι επίσης επικίνδυνο, επειδή ένας άνθρωπος χωρίς εμπειρία μπορεί να μην γνωρίζει τις λεπτομέρειες της ανάπτυξης και σχεδίασης του συστήματος ML και να κάνει “λαθάκια”, για τα οποία η εταιρεία θα πρέπει να πληρώσει πολύ υψηλό τίμημα, σχεδόν πάντα υπερβαίνοντας το κόστος της雇ώνησης ενός έμπειρου ειδικού ML.

Επομένως, η συμβουλή μου είναι να πρώτα雇ώσετε έναν ειδικό του AI, όπως ένας σύμβουλος, 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 εργάζεστε πάνω του απαιτεί AI και ότι η τεχνολογία μπορεί να κλιμακωθεί αποτελεσματικά για να αποδείξει την υπόθεση σας.

Εάν είστε μια νεοσύστατη εταιρεία και ανησυχείτε για τη χρηματοδότηση, ένας τρόπος για αυτό είναι να επικοινωνήσετε με μηχανικούς AI στο LinkedIn με συγκεκριμένα ερωτήματα. Πιστέψτε το ή όχι, πολλοί ML και ειδικοί του AI αγαπούν να βοηθούν, τόσο επειδή είναι πραγματικά ενθουσιασμένοι με το θέμα, όσο και επειδή εάν τους βοηθήσετε, μπορούν να το χρησιμοποιήσουν ως ένα θετικό μελέτη περίπτωσης για το χαρτοφυλάκιο συμβουλών τους.

Τελικές Σκέψεις

Με όλη την υπεροπτική που περιβάλλει το AI, είναι φυσιολογικό ότι μπορεί να είστε ανυπόμονοι να το ενσωματώσετε 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 μιλάουν για το AI δεν σημαίνει ότι η βизнес σας χρειάζεται AI. Πολλές εταιρείες, δυστυχώς, βιάζονται να ενσωματώσουν το AI χωρίς σαφή στόχο στο μυαλό τους και τελικά σπαταλούν τεράστια ποσά χρημάτων και χρόνου. Σε ορισμένες περιπτώσεις, ιδιαίτερα για τις νεοσύστατες εταιρείες, αυτό μπορεί να σημαίνει τον τερματισμό 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 σπαταλάτε τους οικονομικούς πόρους της εταιρείας σας. Στη συνέχεια, εάν η λύση λειτουργεί, μπορείτε να αυξήσετε σταδιακά και να ενσωματώσετε το AI σε αυτές τις περιοχές στις οποίες αυξάνει την αποτελεσματικότητα ή την κερδοφορία της εταιρείας σας.