Κατασκευάζω Συστήματα AI για Ζωή. Αυτό είναι το Σφάλμα που Κάνουν οι Πλείστοι Άνθρωποι

Κατασκευάζω συστήματα AI για εταιρικά κέντρα επαφών.

Όχι demos, benchmarks, ή ερευνητικά έργα. Συστήματα παραγωγής που αλληλεπιδρούν με πελάτες, περιηγούνται σε πολιτικές, ανακτούν πληροφορίες από αποσυνδεδεμένες εταιρικές πλατφόρμες και λειτουργούν σε περιβάλλοντα που διαμορφώνονται από ακατάστατο δεδομένα, αντικρουόμενες εγγραφές, θόρυβο και απρόβλεπτη ανθρώπινη συμπεριφορά.

Αυτή η εμπειρία μου έχει δώσει μια θέση στην πρώτη γραμμή για одну από τις μεγαλύτερες αποσυνδέσεις στην βιομηχανία AI. Η δημόσια συζήτηση για το AI συχνά κυριαρχείται από το τι μπορεί να γίνει η τεχνολογία κάποια μέρα, ενώ οι οργανισμοί προσπαθούν να κατανοήσουν πώς να την αναπτύξουν επιτυχώς σήμερα. Αυτά είναι πολύ διαφορετικές συζητήσεις.

Οι ερωτήσεις που απαντώ σπάνια αφορούν γενική νοημοσύνη ή αν οι μηχανές θα αντικαταστήσουν τελικά τους ανθρώπους. Τείνουν να είναι πολύ πιο πρακτικές. Μπορεί το σύστημα να ερμηνεύσει συνεχώς τις αιτήσεις του πελάτη; Μπορεί να ανακτήσει ακριβείς πληροφορίες σε πολλές εταιρικές πλατφόρμες; Μπορεί να ανακτήσει όταν τα δεδομένα είναι непλήρη; Μπορεί να ανεβάσει κατάλληλα όταν η εμπιστοσύνη είναι χαμηλή; Μπορούν οι ομάδες να την εμπιστευτούν αρκετά για να την αναπτύξουν σε μεγάλη κλίμακα;

Αυτές οι ερωτήσεις μπορεί να είναι λιγότερο ενθουσιαστικές από τους τίτλους, αλλά είναι αυτές που καθορίζουν εάν το εταιρικό AI θα επιτύχει. Με τον καιρό, έχω έρθει να πιστεύω ότι οι περισσότερες οργανώσεις υπερεκτιμούν τη σημασία του μοντέλου και υποεκτιμούν όλα όσα απαιτούνται για να κάνουν το μοντέλο χρήσιμο μέσα σε μια πραγματική επιχείρηση.

Η Δημοσίευση Δεν Είναι Η Αναπτύξη

Ο καθένας που εργάζεται στενά με το εταιρικό AI κατανοεί το χάσμα μεταξύ μιας ελεγχόμενης επίδειξης και μιας αναπτύξεως παραγωγής.

Συναντούμε παραδείγματα αυτού συνεχώς. Ένα σύστημα AI με το οποίο εργαζόμαστε έχει δυσκολίες περίπου μισό χρόνο να ερμηνεύσει σωστά einen 16-ψήφιο αριθμό παραγγελίας που μετατρέπεται σε λέξεις. Αυτοί οι τύποι αποτυχιών είναι παρόμοιοι με το знάμενο “πόσες r υπάρχουν στη λέξη strawberry;” πρόβλημα, όπου προηγμένα γλωσσικά μοντέλα είχαν δυσκολίες με μια εργασία που φαινόταν εύκολη για τους ανθρώπους. Τα ίδια μοντέλα μπορούν να πετύχουν εξαιρετικά σε εξετάσεις όπως το MCAT. Αυτή η αντίθεση αποκαλύπτει κάτι σημαντικό: η απόδοση των βεντζουρών και η αξιόπιστη λειτουργία δεν είναι το ίδιο πράγμα.

Μόλις το AI μπει στην παραγωγή, κληρονομεί όλη την πολυπλοκότητα του περιβάλλοντος γύρω του. Τα εταιρικά συστήματα περιέχουν непλήρες αρχεία, αντικρουόμενες πληροφορίες, ξεπερασμένες διαδικασίες, αποσυνδεδεμένες εφαρμογές και περιπτώσεις που έχουν συσσωρευτεί κατά τη διάρκεια δεκαετιών. Οι πελάτες κάνουν ασαφείς ερωτήσεις. Οι πολιτικές αλλάζουν. Η ποιότητα των δεδομένων ποικίλλει. Η ανθρώπινη συμπεριφορά παραμένει υπέροχα απρόβλεπτη.

Αυτές οι πραγματικότητες διαμορφώνουν αποτελέσματα πολύ περισσότερο από τις βαθμολογίες των βεντζουρών, επειδή το AI δεν λειτουργεί σε μια βεντζούρα. Λειτουργεί μέσα σε επιχειρηματικές διαδικασίες, συστήματα και ροές εργασιών που εισάγουν πολυπλοκότητα που το μοντέλο δεν μπορεί να λύσει μόνο του.

Το Εταιρικό AI Έχει Ένα Επιχειρησιακό Στρώμα

Ένα μάθημα που συνεχώς εκπλήσσει τους ανθρώπους είναι πόσο γρήγορα η απόδοση του μοντέλου παύει να είναι ο περιοριστικός παράγοντας. Μόλις ένα σύστημα φτάσει στην παραγωγή, οι επιχειρησιακές προκλήσεις συχνά γίνονται πιο σημαντικές από το μοντέλο selbst. Οι επιτυχείς πρωτοβουλίες AI εξαρτώνται από το σχεδιασμό της διαδικασίας, την εταιρική ευθυγράμμιση, την ποιότητα των δεδομένων, την ενοποίηση του συστήματος, την παρατηρησιμότητα, τους δρόμους ανέβασσης, τη διακυβέρνηση και την εμπιστοσύνη.

Οι ομάδες χρειάζονται σαφείς διαδικασίες για την αντιμετώπιση των αποτυχιών. Χρειάζονται ορατότητα σε πώς τα συστήματα λαμβάνουν αποφάσεις. Χρειάζονται την εμπιστοσύνη ότι τα ζητήματα μπορούν να αναγνωριστούν και να επιλυθούν πριν επηρεάσουν τους πελάτες. Οι οργανισμοί συχνά ανακαλύπτουν ότι η δουλειά που περιβάλλει το σύστημα AI απαιτεί τόσο προσοχή όσο και το ίδιο το σύστημα AI.

Αυτό το επιχειρησιακό στρώμα είναι όπου πολλές αναπτύξεις τελικά επιτύχουν ή πλήττονται.

Η Εξυπηρέτηση Πελατών Παραμένει Ένα από τα Πιο Δύσκολα Προβλήματα

Η εμπειρία του πελάτη προσφέρει ένα από τα σαφέστερα παραδείγματα αυτής της πολυπλοκότητας.

Οι απλές αλληλεπιδράσεις έχουν γίνει ολοένα και πιο διαχειρίσιμες για τα συστήματα AI. Ελέγχοντας τον ισολογισμό του λογαριασμού. Επαναφέροντας τον κωδικό πρόσβασης. Ψάχνοντας την κατάσταση της πτήσης. Αυτές είναι高度 δομημένες εργασίες με προβλέψιμες εξελίξεις.

Οι πραγματικές συνομιλίες των πελατών σπάνια παραμένουν τόσο απλές.

Ένας πελάτης που προσπαθεί να giải quyết ένα αεροπορικό ζήτημα που αφορά πόντους πίστης, συνεργαζόμενους μεταφορείς, διαμάχες αποζημίωσης, εξαιρέσεις πολιτικής, και πολλές προηγούμενες αλληλεπιδράσεις, παρουσιάζει μια πολύ διαφορετική πρόκληση. Το контекст είναι θραυσματικό. Τα αντικειμενικά μπορεί να είναι ασαφή. Οι πολιτικές μπορεί να αντικρούονται. Οι συναισθήματα συχνά μπαίνουν στη συζήτηση.

Αυτές οι αλληλεπιδράσεις συνεχίζουν να αντιπροσωπεύουν ένα σημαντικό μέρος της δουλειάς της εξυπηρέτησης πελατών και απαιτούν συλλογισμό σε συστήματα, διαδικασίες και επιχειρηματικές κανόνες με τρόπους που παραμένουν δύσκολοι για το AI. Η πρόοδος έχει sido αξιοσημείωτη. Η πολυπλοκότητα παραμένει πραγματική.

Τα Εταιρικά Δεδομένα Τελικά Γίνονται Χρήσιμα

Ένα πεδίο όπου βλέπω σημαντική μετασχηματισμό να συμβαίνει σήμερα αφορά τα εταιρικά δεδομένα.

Οι περισσότερες οργανώσεις έχουν ξοδέψει χρόνια συσσωρευώντας πληροφορίες σε δεκάδες ή εκατοντάδες αποσυνδεδεμένα συστήματα. Τιμές γνώσεις υπάρχουν, αλλά η τοποθεσία και η χρήση τους αποτελεσματικά συχνά ήταν δύσκολη. Το AI κάνει αυτήν την πληροφορία πιο προσιτή.

Οι οργανισμοί αρχίζουν να συνθέτουν δεδομένα σε συστήματα, να επιφέρουν σχετικό контекст πιο αποτελεσματικά και να βοηθούν τους υπαλλήλους να ναυηγούν σε πληροφορίες που ήταν προηγουμένως σκορπισμένες σε πολλές εφαρμογές και αποθήκες. Αυτή η ικανότητα να κάνει τα εταιρικά γνώσεις λειτουργικά μπορεί να αποδειχθεί πιο μετασχηματιστική από πολλές από τις επικεφαλίδες-παραγωγές επίδειξης AI που κυριαρχούν στη δημόσια συζήτηση.

Η Επόμενη Πρόκληση: Το AI Εργάζεται με το AI

Η επόμενη κυματική καινοτομία θα涉αίνει πολλά συστήματα AI που εργάζονται μαζί.

Οι οργανισμοί πειραματίζονται ήδη με ροές εργασιών όπου οι πράκτορες μοιράζονται πληροφορίες, συντονίζουν εργασίες και συνεισφέρουν σε μεγαλύτερες επιχειρηματικές διαδικασίες. Αυτό δημιουργεί νέες προκλήσεις γύρω από την ευθύνη, την εμπιστοσύνη, την ανέβασή, την επικοινωνία και τη διακυβέρνηση.

Οι άνθρωποι έχουν αναπτύξει σιωπηλά συνεργατικά χέρια κατά τη διάρκεια αιώνων. Κατανοούμε πώς να ζητήσουμε βοήθεια, να επικοινωνήσουμε την αβεβαιότητα, να ανεβάσουμε κινδύνους και να ανακτήσουμε από λάθη. Η κατασκευή αυτής της συμπεριφοράς σε συστήματα AI είναι μια πολύ νεότερη επιστήμη.

Πολύ από το επόμενο κεφάλαιο του εταιρικού AI θα涉αίνει τη διδασκαλία των συστημάτων να λειτουργούν αποτελεσματικά δίπλα-δίπλα ενώ παραμένουν ευθυγραμμισμένα με τους εταιρικούς στόχους.

Τι Απαιτεί Σправα το Εταιρικό AI

Μετά από χρόνια κατασκευής και αναπτύξεως συστημάτων AI, έχω έρθει να πιστεύω ότι οι οργανισμοί ξοδεύουν πολύ χρόνο αξιολογώντας την νοημοσύνη του μοντέλου και όχι αρκετό χρόνο προετοιμάζοντας το περιβάλλον γύρω του.

Η νοημοσύνη που αυτά τα μοντέλα δείχνουν μπορεί να είναι αξιοσημείωτη. Κάθε χρόνο γίνονται πιο ικανά, πιο χρήσιμα και πιο σύνθετα. Ωστόσο, οι επιτυχείς αναπτύξεις εξαρτώνται ακόμα από τα βασικά: αξιόπιστο δεδομένα, καλά σχεδιασμένες διαδικασίες, προσεκτική διακυβέρνηση, σαφή ευθύνη και άνθρωποι που κατανοούν πώς να ενσωματώνουν νέα τεχνολογία σε υφιστάμενες επιχειρηματικές διαδικασίες.

Οι οργανισμοί που βλέπουν την μεγαλύτερη αξία από το AI προσεχτικά παρακολουθούν αυτά τα βασικά. Διότι η νοημοσύνη μόνο δεν δημιουργεί μετασχηματισμό.

Ο μετασχηματισμός συμβαίνει όταν η τεχνολογία, τα δεδομένα, οι διαδικασίες και οι άνθρωποι εργάζονται μαζί για να παράγουν καλύτερα αποτελέσματα.