Η Τεχνητή Νοημοσύνη Συναντά την Μηχανική Αναλυτικών: Ωριμότητα Τεχνητής Νοημοσύνης για Διαδικασίες

Οι εταιρείες σε όλους τους κλάδους και ειδικότητες αισθάνονται την ανάγκη να βουτήξουν με το κεφάλι στο κόσμο της τεχνητής νοημοσύνης, και αυτό περιλαμβάνει τη μηχανική αναλυτικών. Οι ευκαιρίες είναι πραγματικές και είναι ενθουσιαστικές, αλλά οι οργανισμοί που επιθυμούν να εκμεταλλευτούν τις περισσότερες από αυτές πρέπει να εφαρμόσουν τη δομή της διαδικασίας τους με σκέψη και réalistically, με βάση την ωριμότητα της τεχνητής νοημοσύνης τους. Ας εξετάσουμε πώς.

Επίπεδα Ωριμότητας Τεχνητής Νοημοσύνης

Όταν περιγράφουμε τη сложικότητα της τεχνητής νοημοσύνης που χρησιμοποιούμε, τα επίπεδα ωριμότητας της τεχνητής νοημοσύνης είναι χρήσιμα ως ένα απλό, διευκρινιστικό πλαίσιο.

Επίπεδο 1: Βοηθούμενη Νοημοσύνη (Αυτοματοποίηση): Βασική αυτοματοποίηση επαναλαμβανόμενων εργασιών και ροών εργασίας. Παραδείγματα: chatbots με σταθερές απαντήσεις, εργαλεία αναζήτησης ιστοσελίδων, εσωτερικά εργαλεία αναζήτησης.

Επίπεδο 2: Ενισχυμένη Νοημοσύνη (Οδηγούμενη Ανάλυση): Λέτε στην τεχνητή νοημοσύνη τη μέθοδο/μοντέλο και τι να αναλύσει, και αυτή κάνει το υπόλοιπο. Παραδείγματα: αλγόριθμοι διαφήμισης, εργαλεία περίληψης περιεχομένου.

Επίπεδο 3: Αυτόνομη Νοημοσύνη (Αυτο-Μάθηση Τεχνητής Νοημοσύνης): Η τεχνητή νοημοσύνη επιλέγει μεθόδους, βρίσκει μοτίβα και προτείνει λύσεις. Παραδείγματα: αυτο-οδηγούμενα αυτοκίνητα, αυτο-διαχειριζόμενα ρομπότ μετοχών.

Πίεση για «Τεχνητή Νοημοσύνη»

Φυσικά, σήμερα υπάρχει μεγάλη πίεση για να «βρισκόμαστε στο επίπεδο 3». Αλλά αυτό εξαρτάται σε μεγάλο βαθμό από τους πόρους, τα περιουσιακά στοιχεία, τις βασικές ικανότητες, τις γνώσεις και τους ανθρώπους της εταιρείας σας. Η καλύτερη προσέγγιση είναι να αρχίσετε από εκεί που έχει νόημα, ακόμη και αν είναι στο επίπεδο 1.

Τώρα, υπάρχουν εκατομμύρια άρθρα στο διαδίκτυο που σας βομβαρδίζουν με ιδέες για τεχνητή νοημοσύνη. Αλλά οι ιδέες δεν φέρνουν το bacon. Σύμφωνα με την Adobe, μόνο 12% των εταιρειών έχουν λειτουργικές λύσεις τεχνητής νοημοσύνης που δείχνουν σαφή απόδοση επένδυσης. Οι περισσότερες από αυτές είναι ακόμα στη φάση πιλοτικών, αξιολογώντας την αποτελεσματικότητα, ή αντιμετωπίζουν προκλήσεις στην κλιμάκωση των πρωτοβουλιών τεχνητής νοημοσύνης. Πολλές ομάδες δυσκολεύονται να ανακαλύψουν πού μπορεί να ενσωματωθεί με νόημα η τεχνητή νοημοσύνη στις ροές εργασίας τους και ακόμη και όταν αναγνωρίζεται ένα σενάριο χρήσης, πολλές οργανώσεις λείπουν από τις εσωτερικές ικανότητες για να xây dựng προσαρμοσμένες εργαλεία τεχνητής νοημοσύνης ή να βρουν αξιόπιστες εξωτερικές λύσεις.

Ας κρατήσουμε τις πραγματικές εφαρμογές. Υπάρχουν εξαιρετικοί τρόποι για να αναπτύξουμε σταδιακά τη χρήση της τεχνητής νοημοσύνης σε πραγματικά στοιχεία της εργασίας για τους ηγέτες που είναι έτοιμοι να ανεβάσουν το επίπεδο με ευθύνη.

Τι μπορεί να αυτοματοποιηθεί όταν χτίζετε αναλυτικά για ένα προϊόν e-commerce/SaaS

Σύμφωνα με την άποψή μου, υπάρχουν δύο κοινές διαδικασίες μέσα στις επιτυχημένες ομάδες μηχανικής αναλυτικών που είναι εξαιρετικοί υποψήφιοι για να xây dựng την ωριμότητα της τεχνητής νοημοσύνης:

1. Τεχνητή Νοημοσύνη για Διαχείριση Γνώσεων & Εισαγωγή
2. Τεχνητή Νοημοσύνη για Αυτοματοποίηση Ελέγχου & Διασφάλισης

1. Τεχνητή Νοημοσύνη για Διαχείριση Γνώσεων & Εισαγωγή

Η τεκμηρίωση είναι ένα βασικό εργαλείο για να κρατήσετε το χέρι σας σε σύνθετα συστήματα. Σύμφωνα με το Πλαίσιο Διαδικασίας, η Αναφορά Σχεδίου Λύσης (SDR) χρειάζεται να τεκμηριώσει κάθε einen από τα πέντε βήματα. Μπορεί να μοιάζει così:

• Διαδικασία #1: Τεκμηρίωση των αναμενόμενων αποτελεσμάτων.
• Διαδικασία #2: Παρακολούθηση των ιστοριών συλλογής δεδομένων που ελέγχονται τακτικά.
• Διαδικασία #3: Σημείωση της ιστορίας των απαιτήσεων δεδομένων των τρίτων μετόχων.
• Διαδικασία #4: Λεπτομέρεια του στρώματος δεδομένων σε όλες τις εφαρμογές και επιφάνειες.
• Διαδικασία #5: Περιγραφή και λεπτομέρεια της αρχιτεκτονικής μηχανικής με διαγράμματα, ιεραρχίες και απαιτήσεις.

Τώρα, ας προσθέσουμε κάποια τεχνητή νοημοσύνη σε αυτό.

Επίπεδο 1

Στο επίπεδο 1, μπορείτε να αρχίσετε να χρησιμοποιείτε εσωτερικούς chatbots για ανάκτηση εγγράφων.

Πολλές εταιρείες τώρα έχουν εσωτερικούς chatbots που μπορούν να εκπαιδευτούν σε ιδιόκτητα έγγραφα. Αν δεν έχετε εσωτερικό chatbot, μπορείτε να χρησιμοποιήσετε την λειτουργία incognito ή να σβήσετε την τεκμηρίωση σας πριν τη διαβιβάσετε στο bot.

Δώστε στο bot σας τις SDRs, τα εγχειρίδια ελέγχου, τις συμβάσεις ονοματοδοσίας και τα πρότυπα εφαρμογής.

Μετά από μια επιτυχημένη κυκλοφορία, δώστε στο AI σας τις σημειώσεις του έργου ή τα σχέδια εφαρμογής, για να προσθέσετε στην τεκμηρίωση. Τότε, ρωτήστε την τεχνητή νοημοσύνη τις ακόλουθες ερωτήσεις:

• «Ποια είναι η καλύτερη μέθοδος για την εφαρμογή του X αν θέλω να χρησιμοποιήσω την ίδια λογική όπως το Y;»
• «Ποια δεδομένα χρειάζονται να συλλεχθούν για την παρακολούθηση των αγορών;»
• «Ποια ετικέτες λείπουν από αυτή τη νέα σελίδα προϊόντος;»

Το αποτέλεσμα αυτής της διαδικασίας είναι ότι περνάτε λιγότερο χρόνο σαρώνοντας έγγραφα ή στέλνοντας μηνύματα στους συνεργάτες, τα νέα μέλη της ομάδας μπορούν να εξυπηρετούνται αυτόματα και η γνώση της φυλής γίνεται κλιμακώσιμη.

Υπάρχουν κάποια προειδοποιήσεις εδώ. Αυτή η μέθοδος λειτουργεί πραγματικά αν κάνετε μια καλή δουλειά στην τήρηση της τεκμηρίωσης, και γίνεται κλιμακώσιμη μόνο αν εκπαιδεύσετε και απαιτήσετε από τους ανθρώπους σας να χρησιμοποιήσουν το εργαλείο.

Επίπεδο 2

Αν αυτό λειτουργεί για το τμήμα σας, σκεφτείτε να ανεβάσετε το επίπεδο σας συνδέοντας τον chatbot σας直接 με την τεχνολογία σας. Μπορείτε να αυτοματοποιήσετε την αυτοματοποίηση.

Επίπεδο 3

Είμαι βέβαιος ότι ο ουρανός είναι το όριο εδώ. Η κατεύθυνση που θα ακολουθήσω θα ήταν η κατασκευή μιας προηγμένης τεχνητής νοημοσύνης που σηματοδοτεί ασυνέπειες και προτείνει βελτιώσεις. Η πραγματικότητα είναι ότι λίγες εταιρείες φτάνουν σε αυτό το επίπεδο, και γράφω αυτό το άρθρο για την πλειοψηφία μας, που ακόμα μαθαίνει τα βασικά.

2. Τεχνητή Νοημοσύνη για Αυτοματοποίηση Ελέγχου & Διασφάλισης

Η τακτική διενέργεια ελέγχων των μεθόδων συλλογής δεδομένων είναι μια από τις καλύτερες πρακτικές για το Πλαίσιο Διαδικασίας. Πολύ συχνά, ο ελεγκτής θα είναι μια ομάδα ελέγχου, ή εναλλακτικά μπορεί να χρησιμοποιηθεί ένα εργαλείο ελέγχου. Για παράδειγμα, το ObservePoint είναι ένα εξοπλισμένο και高度 προσαρμόσιμο εργαλείο, που σας επιτρέπει να δημιουργήσετε πολύπλοκους ροές ελέγχου. Ακόμη και με ένα ρομπότ, θα μπορούσατε πάντα να χρησιμοποιήσετε κάποια τεχνητή νοημοσύνη, σωστά;

Επίπεδο 1

Ας αρχίσουμε αυτοματοποιώντας τις τεχνικές λεπτομέρειες. Η κατασκευή διαδρομών σε εργαλεία ελέγχου ρομπότ όπως το ObservePoint είναι συχνά τεχνική. Και απαιτεί πολλή υποστήριξη. Για να αυτοματοποιήσετε κάποιες από τις επαναλαμβανόμενες τεχνικές εργασίες, ενώ χτίζετε διαδρομές ελέγχου, μπορείτε να ζητήσετε τη βοήθεια ενός chatbot. Ρωτήστε την τεχνητή νοημοσύνη τις ακόλουθες ερωτήσεις:

«Δώστε μου τον επιλέκτη CSS για το κουμπί «Επόμενο Βήμα».

«Γράψτε τοποθετημένο κώδικα που αυτόματα ενεργοποιεί όλα τα cookies.»

Το αποτέλεσμα αυτού θα πρέπει να είναι μεγαλύτερη ευκολία χρήσης όταν εργάζεστε με εξαιρετικά τεχνικά εργαλεία, ταχύτερη διερεύνηση και αντιμετώπιση προβλημάτων και λιγότερη εξάρτηση από την υποστήριξη και τους προγραμματιστές frontend.

Υπάρχουν κάποια προειδοποιήσεις εδώ. Αν δεν χρησιμοποιείτε ένα ρομπότ για τους ελέγχους δεδομένων, μπορείτε να χρησιμοποιήσετε μια ομάδα ελέγχου. Η ομάδα ελέγχου μπορεί να εξετάσει την υιοθέτηση αυτοματοποιήσεων για κοινά βήματα. Ξεκινήστε μικρά, αυξήστε όταν είστε έτοιμοι· τα επόμενα βήματα σας γίνονται πιο σαφή μόνο όταν κάνετε το πρώτο βήμα.

Επίπεδο 2

Για το επίπεδο 2 της χρήσης της τεχνητής νοημοσύνης, εξετάστε την ενσωμάτωση του chatbot σας με το εργαλείο απευθείας, αποφεύγοντας την χειροκίνητη προώθηση του chatbot.

Επίπεδο 3

Τέλος, για το επίπεδο 3, ο ουρανός είναι πάλι το όριο. Ανακαλύψτε πώς μπορείτε να κάνετε τις αυτοματοποιήσεις σας πιο προηγμένες στην ανίχνευση βελτιώσεων και στην πρόταση λύσεων. Πηγαίνετε σε αυτή τη διαδρομή μόνο αν αισθάνεστε ότι διανύετε άνετα το επίπεδο 2.

Τι Δεν Πρέπει να Αυτοματοποιήσετε (Ακόμα)

Ας εξετάσουμε την Καλύτερη Πρακτική #3: Συνεργασία με τρίτους τεχνολογικούς μετόχους. Αυτό είναι κάτι που οι άνθρωποι κάνουν ακόμα καλύτερα. Μπορείτε να χρησιμοποιήσετε τεχνητή νοημοσύνη για να προετοιμαστείτε για κλήσεις προμηθευτών, να συνοψίσετε συμβάσεις ή να σχεδιάσετε περίγραμμα ενσωμάτωσης. Αλλά για τώρα, η οικοδόμηση σχέσεων παραμένει ανθρώπινη.

Τελικές Σκέψεις

Ακόμη και αν δεν έχετε προϋπολογισμό για την ανάπτυξη προσαρμοσμένης τεχνητής νοημοσύνης, μπορείτε να αρχίσετε με τα εργαλεία που ήδη έχετε. Μια καλή διαδικασία και ένας καλός chatbot πάνε πολύ μακριά.

Ξεκινήστε απλά, με το επίπεδο 1 ή 2, και αφήστε την ομάδα σας να εξοικειωθεί. Μόλις δείτε πού η τεχνητή νοημοσύνη σας εξοικονομεί χρόνο και αυξάνει τη συνέπεια, θα γνωρίζετε πού να επενδύσετε σε πιο προηγμένα εργαλεία. Το πιο δύσκολο μέρος της υιοθέτησης της τεχνητής νοημοσύνης είναι συχνά να καταλάβετε πού την χρειάζεστε πρώτα. Μόλις έχετε καθορίσει αυτή τη βάση, δοκιμάστε να ανεβάσετε το επίπεδο με την ομάδα σας και να δείτε πόσο πιο ομαλά μπορεί να γίνει η μηχανική αναλυτικών με τη δύναμη της τεχνητής νοημοσύνης.

Θέλετε να μάθετε περισσότερα για την τεχνητή νοημοσύνη στη μηχανική αναλυτικών, και πιο συγκεκριμένα, τις καλύτερες διαδικασίες για καθαρή συλλογή δεδομένων; Διαβάστε το άρθρο μου για τη δημιουργία ενός Καθαρό Πλαίσιο Δεδομένων Εμπορίου Ηλεκτρονικού.