Πριν από Περισσότερα Μοντέλα, η Τεχνητή Νοημοσύνη στη Commerce Χρειάζεται Μια Επανάσταση Υποδομής

Η εφαρμογή της τεχνητής νοημοσύνης στη commerce προχωρά με αξιοσημείωτο ρυθμό. Η επένδυση στην τεχνητή νοημοσύνη στο λιανικό εμπόριο αυξάνεται γρήγορα, με την αγορά να προβλέπεται να αυξηθεί από 11,6 δισεκατομμύρια δολάρια το 2024 σε πάνω από 40 δισεκατομμύρια δολάρια μέχρι το 2030.

Ομοίως, νέα μοντέλα κυκλοφορούν με γρήγορη διαδοχή, οι προμηθευτές συνεχίζουν να επεκτείνουν τις ικανότητές τους και οι λιανέμπορες βρίσκονται υπό αυξαντική πίεση από τα διοικητικά συμβούλια και τους επενδυτές να αποδείξουν ότι ενεργούν για την ενσωμάτωση της τεχνητής νοημοσύνης στις λειτουργίες τους.

Στην επιφάνεια, αυτό δημιουργεί την εντύπωση ότι η βιομηχανία υποβάλλεται σε μια γρήγορη και αποφασιστική μεταμόρφωση. Ωστόσο, κάτω από αυτήν τη δραστηριότητα, οι περισσότερες από αυτές τις πρωτοβουλίες τοποθετούνται σε συστήματα που δεν σχεδιάστηκαν ποτέ για να τις υποστηρίξουν.

Το όριο δεν είναι η διαθεσιμότητα ούτε η ποιότητα των μοντέλων. Είναι η κατάσταση της υποδομής κάτω από αυτά.

Όταν εφαρμόζεται η τεχνητή νοημοσύνη, ο πρώτος προϋπολογισμός δεν πρέπει να Goes στην τεχνητή νοημοσύνη herself. Πρέπει να Goes σε αυτό που ονομάζουμε “data trust”, που είναι η υποδομή δεδομένων. Αυτά είναι οι συνδέσεις μεταξύ συστημάτων, η απαλοιφή διπλοτύπων και οι ενημερώσεις σε πραγματικό χρόνο.

Η αποτυχία να το κάνει αυτό είναι ο λόγος για τον οποίο η τεχνητή νοημοσύνη αποτυγχάνει στη commerce και γιατί τόσο πολλές προσπάθειες αρχίζουν με έμφαση αλλά αγωνίζονται να μεταφραστούν σε συνεχείς επιπτώσεις. Για να εφαρμόσουμε με επιτυχία την τεχνητή νοημοσύνη, πρέπει να αρχίσουμε από την υποδομή.

Σε αντίθεση, στη commerce, η συζήτηση herself τείνει να αρχίζει ένα επίπεδο πιο ψηλά, εστιάζοντας στην επιλογή μοντέλων ή την αναγνώριση υψηλής δυναμικής χρήσεων. Αυτό που λαμβάνει πολύ λιγότερη προσοχή είναι εάν η υποκείμενη αρχιτεκτονική δεδομένων μπορεί να υποστηρίξει οποιαδήποτε από αυτές τις αποφάσεις με σημαντικό τρόπο.

Εάν τα υποκείμενα δεδομένα είναι θραυσματικά, η τεχνητή νοημοσύνη θα παράγει μόνο εξόδους που μπορούν να είναι βλαβερά ή παραπλανητικά.

Σε μεγαλύτερες οργανώσεις, αυτή η τάση ενισχύεται από την ανάγκη να δείξουν πρόοδο. “Το να κάνεις κάτι με την τεχνητή νοημοσύνη” γίνεται ένα αντικείμενο σε αυτόν τον εαυτό, και η εισαγωγή ενός μοντέλου είναι συχνά ο πιο άμεσος τρόπος για να το επιτύχει, ανεξάρτητα από το αν παράγει μετρήσιμη αξία.

Στην επιχείρηση, οι προσδοκίες γύρω από την τεχνητή νοημοσύνη αυξάνονται με τη μορφή καλύτερης προσωποποίησης και μετρήσιμων κερδών στην αποδοτικότητα και το περιθώριο. Στο επίπεδο συστήματος, η ετοιμότητα δεν κρατάει το ρυθμό. Όσο μεγαλύτερη είναι η διαφορά, τόσο πιο ακριβό γίνεται να τη διορθώσει, καθώς προστίθενται στρώματα τεχνολογίας πάνω από θεμέλια που παραμένουν αμετάβλητα.

Τι σημαίνει “δεν είναι έτοιμος για την τεχνητή νοημοσύνη” στην πράξη

Ένα основικό ζήτημα είναι η έλλειψη συνοχής μεταξύ συστημάτων. Για παράδειγμα, ένας πελάτης μπορεί να υπάρχει ταυτόχρονα σε μια πλατφόρμα ERP, ένα περιβάλλον ηλεκτρονικού εμπορίου και ένα σύστημα πιστότητας, κάθε παρουσία φέρνει διαφορετικές ιστορίες και υποθέσεις.

Τα δεδομένα προϊόντων, ενώ είναι τεχνικά πλήρη, είναι περιορισμένα σε όρους που παρέχουν контекστ για να ερμηνεύσει ή να συλλογιστεί αποτελεσματικά. Η κακή ποιότητα δεδομένων μόνο της κοστίζει στις οργανώσεις σχεδόν 13 εκατομμύρια δολάρια το χρόνο, υπογραμμίζοντας πόσο θεμελιώδεις αυτές οι περιορισμοί έχουν γίνει.

Οι ανθρώπινες ομάδες μαθαίνουν να διαπερνούν αυτές τις ασυνεπείς μεταξύ συστημάτων με τον καιρό, κατασκευάζοντας ανεπίσημες γέφυρες μεταξύ συστημάτων. Ένα μοντέλο, αντίθετα, λειτουργεί αυστηρά μέσα στη δομή που του δίνεται, και τα εξόδους που παράγει είναι περιορισμένα ανάλογα.

Όταν η τεχνητή νοημοσύνη εισαχθεί σε αυτό το περιβάλλον, το αποτέλεσμα δεν είναι η έλλειψη εξόδου αλλά η σταδιακή υποβάθμιση της ποιότητας.

Ένα μοντέλο μπορεί να επεξεργαστεί δεδομένα και να παράγει εξόδους, αλλά δεν θα συνδέσει συστήματα με το δικό του.

Στην πράξη, αυτό μπορεί να φανεί ως ένας μηχανισμός προσωποποίησης που αρχίζει να προσφέρει πολύ συγκεκριμένες συστάσεις προϊόντων που κατηγοριοποιούν έναν πελάτη με τρόπους που δεν ανταποκρίνονται στις πραγματικές προτιμήσεις ή προθέσεις.

Στα συστήματα που οδηγούνται από την τεχνητή νοημοσύνη, οι εμπειρίες των πελατών συχνά γίνονται πιο ακριβείς αλλά λιγότερο σχετικές.

Αυτή η μετατόπιση από τη γενική σχετικότητα στη συγκεκριμένη ανοχύτητα μπορεί να είναι πιο επιζήμια από ό,τι φαίνεται, καθώς αλλάζει τον τρόπο με τον οποίο οι πελάτες αντιλαμβάνονται την εταιρεία herself. Στις χειρότερες περιπτώσεις, αυτά τα συστήματα δεν απλώς υποφέρουν. Αктивικά υποβαθμίζουν την εμπειρία του πελάτη.

Γιατί οι περισσότερες πτήσεις της τεχνητής νοημοσύνης σταματούν και τι κοστίζει

Αυτή η δυναμική είναι ένας από τους κύριους λόγους για τους οποίους ένα μεγάλο ποσοστό των πιλότων της τεχνητής νοημοσύνης στη commerce δεν προχωρούν πέρα από την πειραματική φάση. Δεδομένα της βιομηχανίας δείχνουν ότι μόνο το μισό των πρωτοβουλιών της τεχνητής νοημοσύνης στη commerce φτάνει από την πειραματική φάση στη παραγωγή, αφήνοντας ένα σημαντικό ποσοστό σταματημένο στη φάση πειραματισμού.

Το ζήτημα σπάνια είναι η απουσία επένδυσης ή προθέσεων. Το όριο προκύπτει όταν τα εξόδους που παράγονται από αυτά τα συστήματα δεν δικαιολογούν την κλίμακα.

Σε αυτό το σημείο, οι οργανώσεις αντιμετωπίζουν μια επιλογή μεταξύ της συνέχισης της επένδυσης στην βελτίωση ή της εγκατάλειψης της πρωτοβουλίας ολικά. Σε πολλές περιπτώσεις, επιλέγουν το δεύτερο γιατί το περιβάλλον στο οποίο αναπτύσσεται δεν μπορεί να υποστηρίξει συνεπείς αποτελέσματα.

Σε όλη τη βιομηχανία, τα ίδια κενά υποδομής επαναλαμβάνονται. Τα δεδομένα των πελατών παραμένουν θραυσματικά αντί να είναι ενοποιημένα. Τα δεδομένα προϊόντων υπάρχουν, αλλά λείπουν του βάθους που απαιτείται για την ερμηνεία. Τα συστήματα λειτουργούν παράλληλα αντί να αποτελούν μια συνεκτική ροή πληροφοριών. Όταν εισαχθούν μοντέλα σε αυτό το περιβάλλον, αυτά τα προβλήματα κλιμακώνονται.

Το κόστος αυτής της προσέγγισης εκτείνεται πέρα από τις άμεσες δαπάνες. Εμφανίζεται ως μια συσσώρευση συστάσεων που δεν μετατρέπονται, προσωποποίησης που feels ασυνεπής και αυτοματοποίησης που ενισχύει τα υπάρχοντα λάθη.

Με τον καιρό, αυτό δημιουργεί μια υπονόμευση της εμπιστοσύνης μέσα στην οργάνωση. Οι ομάδες αρχίζουν να αμφιβάλλουν για την αξιοπιστία των συστημάτων που κατασκευάζουν και προστίθενται επιπλέον στρώματα τεχνολογίας σε μια προσπάθεια να αποζημιώσουν. Το αποτέλεσμα είναι μια καθυστέρηση στην επίτευξη της σαφήνειας που απαιτείται για να κατασκευαστούν συστήματα που λειτουργούν.

Ο λόγος για τον οποίο πολλές εταιρείες κατασκευάζουν πιλότους της τεχνητής νοημοσύνης αλλά δεν προχωρούν πέρα από αυτούς είναι ότι κατασκευάζουν αυτούς τους πιλότους πάνω από αδύναμες βάσεις, που είναι σαν να μαγειρεύεις με κακά υλικά.

Μπορείτε να έχετε ένα recipe του Gordon Ramsay και εξαιρετικό εξοπλισμό, αλλά αν τα υλικά είναι κακά, το αποτέλεσμα θα είναι ακόμη αρνητικό.

Η διαφορά μεταξύ startups και μεγάλων εταιρειών

Οι μικρότερες οργανώσεις, ιδιαίτερα αυτές στη μεσαία αγορά, συχνά δείχνουν μεγαλύτερη ικανότητα να εφαρμόσουν την τεχνητή νοημοσύνη αποτελεσματικά. Αυτό οφείλεται στο ότι τα συστήματά τους είναι λιγότερο θραυσματικά και οι процесσοι λήψης αποφάσεων είναι πιο απευθείας.

Στις μεγαλύτερες οργανώσεις, η δομή herself εισάγει 潜在的な εμπόδια. Οι πρωτοβουλίες οδηγούνται συχνά από την ανάγκη να απαντήσουν σε εξωτερικές προσδοκίες και η τεχνητή νοημοσύνη γίνεται μια κατηγορία που πρέπει να αντιμετωπιστεί αντί για μια ικανότητα που ενσωματώνεται προσεκτικά.

Λέγοντας “θέλουμε να εφαρμόσουμε την τεχνητή νοημοσύνη” είναι σαν να φέρνεις ηλεκτρισμό σε ένα εργοστάσιο χωρίς μηχανές. Τα φώτα ανάβουν, αλλά η παραγωγή δεν βελτιώνεται, γιατί επενδύσατε σε τεχνολογία χωρίς να ξέρετε τι θα κάνει πραγματικά.

Η μετατόπιση από τα μοντέλα στην υποδομή

Μια εναλλακτική προσέγγιση αρχίζει να διαμορφώνεται μεταξύ των οργανώσεων που έχουν συναντήσει αυτές τις περιορισμούς trực tiếp.

Αντί να διαθέτουν αρχικούς προϋπολογισμούς σε μοντέλα της τεχνητής νοημοσύνης, επενδύουν σε αυτό που μπορεί να περιγραφεί ως “data trust”, που είναι η δημιουργία μιας βάσης όπου τα δεδομένα είναι συνεπή, συνδεμένα και συνεχώς ενημερωμένα. Ο στόχος είναι να διασφαλιστεί ότι τα δεδομένα που χρησιμοποιούνται μπορούν να υποστηρίξουν σημαντικές αποφάσεις.

Η προετοιμασία δεδομένων μπορεί να πάρει μέχρι και 80% του χρόνου που ξοδεύεται σε projects της μηχανικής μάθησης, υπογραμμίζοντας πόσο πολύ από το έργο βρίσκεται στο υποκείμενο επίπεδο δεδομένων και όχι στα μοντέλα themselves.

Αυτή η διαδικασία συνήθως αρχίζει με μια λεπτομερή χαρτογράφηση των υφιστάμενων συστημάτων και την αναγνώριση των κενών στη ροή και την ακεραιότητα δεδομένων. Οι πρώτες 30 έως 60 ημέρες είναι συχνά αφιερωμένες στην κατανόηση του πώς η πληροφορία μετακινείται ή δεν μετακινείται μέσα στην οργάνωση. Αυτό ακολουθείται από μια περίοδο ολοκλήρωσης και τυποποίησης, κατά την οποία τα δεδομένα καθαρίζονται, απαλοιφούνται και ευθυγραμμίζονται σε όλες τις πλατφόρμες.

Στα επόμενα τρία έως έξι μήνες, οι εταιρείες εστιάζουν στην κατασκευή αξιόπιστων αγωγών δεδομένων και τη σύνδεση υψηλής αξίας συστημάτων με τρόπους που υποστηρίζουν πραγματικές περιπτώσεις χρήσης. Μόνο όταν αυτή η βάση είναι σε θέση, γίνεται δυνατό να εισαχθεί η τεχνητή νοημοσύνη σε ροές εργασιών που μπορούν να παράγουν συνεπείς, μετρήσιμες αποτελέσματα.

Μέσα σε ένα ορίζοντα έξι έως εννέα μηνών, οι οργανώσεις που ακολουθούν αυτήν την προσέγγιση συνήθως αρχίζουν να βλέπουν σημαντικά αποτελέσματα με τη μορφή διαδικασιών που οδηγούνται από την τεχνητή νοημοσύνη και επηρεάζουν μετρήσεις όπως η μετατροπή, η διατήρηση και η βελτίωση του περιθωρίου. Σε αυτό το σημείο, τα μοντέλα σταματούν να είναι πειράματα και γίνονται μέρος των λειτουργιών. Η απόδοσή τους σταθεροποιείται και τα εξόδους τους γίνονται ενεργά μέχρι το σημείο που οι ομάδες μπορούν να βασιστούν σε αυτά.

Η επιτάχυνση της επένδυσης στην τεχνητή νοημοσύνη στη commerce είναι απίθανο να επιβραδύνει στο κοντινό μέλλον. Αυτό που παραμένει αβέβαιο είναι εάν η ετοιμότητα της υποδομής θα κρατήσει το ρυθμό και θα μπορέσει να την υποστηρίξει. Η διευρύνοντας κενό μεταξύ того που οι οργανώσεις περιμένουν να παραδώσει η τεχνητή νοημοσύνη και τι τα συστήματά τους μπορούν να υποστηρίξουν είναι ήδη ορατό στη μεγαλύτερη Zahl των πιλότων που δεν φτάνουν στην παραγωγή. Η διόρθωση αυτού του κενού απαιτεί μια μετατόπιση της προσοχής στη δημιουργία αυτής της κρίσιμης υποδομής.

Η μετακίνηση της συζήτησης από τα μοντέλα στην υποδομή δεν φέρει την ίδια αμεσότητα ή ορατότητα. Αλλά είναι εκεί όπου πολλές από τις τρέχουσες περιορισμούς κατοικούν. Και είναι εκεί όπου η επόμενη φάση της σημαντικής πρόοδου στη commerce που οδηγείται από την τεχνητή νοημοσύνη είναι πιθανό να εμφανιστεί.