Το AI δεν μπορεί να διορθώσει το κακό έδαφος: Πώς οι εταιρείες μπορούν να προετοιμάσουν το εσωτερικό τους οικοσύστημα για επιτυχημένη ανάπτυξη AI

Αν και οι επιχειρηματίες συχνά στιγματίζονται ως εκείνοι που ενδιαφέρονται μόνο για το κάτω μέρος της γραμμής, μια πρόσφατη μελέτη έχει δείξει ότι πάνω από 80% των εταιρειών δεν παρακολουθούν το ROI στις δαπάνες τους για το AI. Αντίθετα, εκείνοι που παρακολουθούν το ROI βρίσκουν ότι δεν ανταποκρίνεται στο χάος με μόνο ένα τέταρτο των διεθνών διευθυντών να αναφέρουν ότι οι επενδύσεις τους στο AI ανταποκρίνονται στις προσδοκίες του ROI.

Αλλά όπως λέει το ρητό, «ένας κακός ξυλουργός κατηγορεί τα εργαλεία του» – με άλλα λόγια, για πολλούς, το ROI είναι απογοητευτικό επειδή οι αναπτύξεις του AI έχουν ρυθμιστεί για να αποτύχουν. Αν κοιτάξουμε μια επιχείρηση ως einen κήπο, για να μεγαλώσουν η παραγωγικότητα και τα κέρδη, υπάρχουν ορισμένα βήματα που πρέπει να ληφθούν πριν από την ανάπτυξη eines εργαλείου όπως το AI, για να έχει την μεγαλύτερη μετρήσιμη επίδραση.

Βήμα 1: Αναγνωρίστε όπου οι άνθρωποι είναι απαραίτητοι

Μaybe λόγω της υπερ-επαγγελίας των ικανοτήτων που είναι εγγενείς στη διαφήμιση των προϊόντων LLM, υπάρχει một κοινή λανθασμένη αντίληψη ότι το AI είναι ένα θέμα plug-and-play. Στην πραγματικότητα, οι καλύτερες αναπτύξεις του AI ξεκινούν με την αναγνώριση όπου η ανθρώπινη επιτήρηση είναι απαραίτητη.

Για παράδειγμα, όταν εργαζόμουν με μια εταιρεία νομικών υπηρεσιών, η ομάδα μου και εγώ ανατέθηκε να υλοποιήσουμε ένα σύστημα AI που θα μπορούσε να επεξεργαστεί τεράστιους όγκους νομικών εγγράφων – να τα ταξινομήσει, να εξάγει βασικές πληροφορίες και να αποφασίσει αν θα τα διατηρήσει, να τα σβήσει ή να τα διαγράψει.

Ενώ το AI χειρίστηκε το βαρύ έργο της σάρωσης των εγγράφων για σχετικότητα, της επισήμανσης ευαίσθητων δεδομένων και της περίληψης απαντήσεων, τα αποτελέσματα传θηκαν στη συνέχεια στους ανθρώπινους δικηγόρους, οι οποίοι θα μπορούσαν να αναθεωρήσουν το έργο, να επιβεβαιώσουν τις νομικές κρίσεις και να αντικαταστήσουν τις ταξινομήσεις όταν ήταν απαραίτητο.

Δεν μόνο αυτό βοήθησε να προστατεύσει την εταιρεία από potεντικά κίνδυνο, αλλά η απομόνωση του κόστους της αυτοματοποίησης από το κόστος της επιτήρησης θα κάνει επίσης για καθαρότερες ελέγχους ROI στο μέλλον.

Βήμα 2: Κατατοπίστε πώς το AI μπορεί να ενισχύσει καλύτερα τους ανθρώπους σας

Για να μεγιστοποιήσετε το ROI του AI, πρέπει να είστε επιλεκτικοί σχετικά με το πού μπορεί να εξυπηρετήσει καλύτερα την οργάνωση σας. Ιδανικά процессы για να αναλάβουν περιλαμβάνουν επαναλαμβανόμενες ή βασισμένες σε κανόνες εργασίες (π.χ. βασική εξυπηρέτηση πελατών ή κωδικοποίηση τιμολόγησης), γνώσεων-βαρείς αναζητήσεις όπως κλάσεις συμβάσεων και λάθη-παραγωγική εισαγωγή δεδομένων, μεταξύ άλλων.

Είναι επίσης εξίσου σημαντικό ότι τα μοντέλα AI ρυθμίζονται στρατηγικά για να συμπληρώσουν, αντί να διαταράξουν, τη ροή εργασίας. Για να το κάνετε αυτό, χαρτογραφήστε τις εργασίες των εργαζομένων σας σε εργασίες και στη συνέχεια επισημάνετε αυτές τις εργασίες σε μια από τις τρεις κατηγορίες διαδικασιών: γεννήτρια, επιλογή ή κρίση. Οι γεννητικές εργασίες μπορούν να ανατεθούν στο AI, οι εργασίες που απαιτούν κρίση παραμένουν στους ανθρώπινους εργαζόμενους και οι εργασίες που απαιτούν επιλογή μπορούν να είναι μια συνεργατική διαδικασία όπου το AI προτείνει τα επόμενα βήματα και οι άνθρωποι καθορίζουν το καλύτερο δρόμο προς τα εμπρός.

Στο παράδειγμα των νομικών υπηρεσιών παραπάνω, το AI χειρίστηκε την αρχική τριβή με την ταξινόμηση εγγράφων (γεννήτρια), την επισήμανση ευαίσθητων περιεχομένων (γεννήτρια) και την εμφάνιση πιθανών απαντήσεων (επιλεκτική). Με αυτόν τον τρόπο, ο ρόλος των ανθρώπινων εργαζομένων μετατοπίστηκε από το να ψάχνουν τις λεπτομέρειες των εγγράφων για να επιβεβαιώσουν τα αποτελέσματα (κρίση) – μετατρέποντας την εργασία που χρησιμοποιούσε να διαρκεί ημέρες σε ένα ζήτημα ωρών.

Όσον αφορά το ROI, αυτό απελευθερώνει περισσότερο χρόνο για να εξοδεύεται στα εξαιρέσεις των κανόνων, που είναι όπου κρύβονται τα κέρδη.

Βήμα 3: Стандαρτοποιήστε τα δεδομένα εκπαίδευσης σας

Η εξειδικευμένη ρύθμιση των LLM με τα δεδομένα της εταιρείας σας μπορεί να ξεκλειδώσει ανταγωνιστικά πλεονεκτήματα, αλλά για να είναι το AI επιτυχημένο, χρειάζεται θρεπτικό έδαφος, που σημαίνει καλά, καθαρά δεδομένα. Κακά ή θορυβώδη δεδομένα θα δηλητηριάσουν τα αποτελέσματα και θα ενισχύσουν την προκατάληψη. Με λίγα λόγια, η πειθαρχία των δεδομένων σας ορίζει την αξιοπιστία της έξοδου.

Τι σημαίνει αυτό; Ένας μεγάλος όγκος και ποικιλία δεδομένων είναι σημαντικός, αλλά είναι εξίσου σημαντικό ότι είναι υψηλής ποιότητας. Οι ασυνεπείς διατυπώσεις των μορφών δεδομένων και των συμβάσεων ονοματοδοσίας ή τα λείψανα/ατελή πεδία θα επηρεάσουν αρνητικά την ποιότητα των сырыχ εισροών. Παρόμοια, τα διπλά ή μη δομημένα δεδομένα pipelines θα φουσκώσουν τους λογαριασμούς αποθήκευσης και θα επιβραδύνουν την απόδοση του μοντέλου.

Επομένως, είναι απαραίτητο ότι οι εισροές δεδομένων έχουν ελέγχους ποιότητας και ισχυρή διακυβέρνηση – που σημαίνει έλεγχο πρόσβασης και συμμόρφωση με τους κανονισμούς. Χωρίς αυτά τα φίλτρα, δεν επενδύετε στο AI, απλά καίτε τα χρήματα σας σε βρόχους καθαρισμού.

Με όλα το χάος γύρω από το AI, είναι κατανοητό ότι οι ηγέτες μπορεί να αισθανθούν πιεσμένοι να βουτήξουν στην εφαρμογή όσο το δυνατόν γρηγορότερα, αλλά η λήψη του χρόνου για την στρατηγική ανάπτυξη ενός μοντέλου, ή για την γονιμοποίηση του εδάφους πριν από το φύτεμα των σπερμάτων, θα οδηγήσει σε πολύ μεγαλύτερη επιτυχία και απόδοση επένδυσης.