Πέντε Λόγοι Για τους Οποίους οι Αλγόριθμοι Της Τεχνητής Νοημοσύνης Μπορούν Να Είναι Δύσκολοι Να Εφαρμοστούν στη Διαχείριση Λειτουργιών

Từ: Evgeniya Malina, Διευθύντρια Επιχειρηματικής Στρατηγικής και Λειτουργιών στη Food Rocket.

Σύμφωνα με πρόσφατη έρευνα του McKinsey Global Institute, η Τεχνητή Νοημοσύνη είναι έτοιμη να αυξήσει την παγκόσμια οικονομική παραγωγή κατά $13 τρισεκατομμύρια μέχρι το 2030.

Ωστόσο, αυτό συνοδεύεται από δικές του προκλήσεις και απρόβλεπτες συνέπειες. Κάποιες από τις πιο συχνά αναγνωρισμένες απειλές και προκλήσεις της εφαρμογής της Τεχνητής Νοημοσύνης περιλαμβάνουν προβλήματα ιδιωτικότητας, την αδυναμία γενίκευσης και την γενική έλλειψη εμπιστοσύνης.

Παρακάτω παρουσιάζονται τρεις προκλήσεις της Τεχνητής Νοημοσύνης που επηρεάζουν ειδικά τη διαχείριση λειτουργιών για τις επιχειρήσεις.

1. Κακή Ποιότητα Δεδομένων

Το πρώτο πράγμα που χρειάζεται ένας ισχυρός αλγόριθμος Τεχνητής Νοημοσύνης είναι τα δεδομένα. Για να εκπαιδεύσετε σωστά τον αλγόριθμο, πρέπει να του δώσετε τεράστιες ποσότητες ακριβών, υψηλής ποιότητας δεδομένων. Δυστυχώς, δεν είναι πάντα εύκολο να αποκτήσετε αυτά τα δεδομένα, και μια έκθεση του Gartner το 2020 σημειώνει ότι η κακή ποιότητα δεδομένων μπορεί να κοστίσει στην εταιρεία σας περίπου $13 εκατομμύρια κάθε χρόνο.

Για παράδειγμα, κάποιες διαδικασίες μπορεί να μην έχουν ψηφιακή παρουσία όταν ξεκινάτε. Δεν υπάρχουν δεδομένα για να τα δώσετε στον αλγόριθμο σε αυτές τις περιπτώσεις. Όλα όσα δίνετε είναι απλώς υποθετικές και εκπαιδευμένες εκτιμήσεις, που δημιουργούν δύο προβλήματα.

Πρώτον, αυτό εισάγει σημαντική ανθρώπινη προκατάληψη στη διαδικασία σας από την αρχή. Δεύτερον, σημαίνει ότι οποιαδήποτε αποτελέσματα από τον αλγόριθμο είναι απλώς μια επέκταση των καλύτερων εκτιμήσεών σας. Τελικά, αυτό σας αφήνει με ένα αμφίβολο τοπίο δεδομένων και μια αξιόπιστη, ασταθή διαδικασία λήψης αποφάσεων.

2. Πλοήγηση “Κρύων Ενάρξεων” και Εργαζοματικής Συμμετοχής

Η αυτοματοποίηση είναι εξαιρετική για τη ροή υπάρχοντων διαδικασιών, αλλά το αντίτιμο είναι η “κρύα έναρξη”. Αυτό συμβαίνει όταν πρέπει να ξεκινήσετε μια διαδικασία χωρίς ιστορικά δεδομένα στα οποία η Τεχνητή Νοημοσύνη μπορεί να βασίσει τη ρουτίνα της. Σε κάθε περίπτωση, η Τεχνητή Νοημοσύνη θα παλέψει να υπερβεί αυτό το εμπόδιο.

Σύμφωνα με το Harvard Business Review, 80 τοις εκατό ή περισσότερο του χρόνου μιας ομάδας IT μπορεί να ξοδευτεί προσπαθώντας να βελτιώσει και να εξευγενίσει ασυνεπή δεδομένα για αλγόριθμους Τεχνητής Νοημοσύνης

Συχνά απαιτείται σημαντική επένδυση ανθρώπινης προσπάθειας για να βοηθήσει την Τεχνητή Νοημοσύνη να υπερβεί αυτή τη “κρύα έναρξη” και να επαναφέρει ομαλή λειτουργία.

Σύμφωνα με την εμπειρία μου, μπορεί να προκαλέσει σοβαρές διαταραχές στη διαχείριση εφοδίων και μπορεί να κοστίσει στις εταιρείες σημαντικά έσοδα. Όλοι γνωρίζουμε ότι η Τεχνητή Νοημοσύνη δεν έχει ακόμη εξελιχθεί αρκετά για να χειριστεί όλες τις πτυχές ενός συστήματος διαχείρισης λειτουργιών. Αυτό σημαίνει ότι οποιαδήποτε λύση Τεχνητής Νοημοσύνης που χρησιμοποιεί η εταιρεία σας θα перекrýψει με ανθρώπινες διαδικασίες λήψης αποφάσεων.

Ενώ αυτό μπορεί να είναι ένα καλό πράγμα, μπορεί επίσης να οδηγήσει σε μια αποσύνδεση του αισθήματος προσωπικής ευθύνης του εργαζομένου. Σε ορισμένες περιπτώσεις, οι εργαζόμενοι μπορεί να νιώθουν ότι μπορούν να απομακρύνουν τον εαυτό τους από μια απόφαση επειδή “η Τεχνητή Νοημοσύνη το έκανε.”

Επιπλέον, είναι συνηθισμένο για την εισαγωγή ενός νέου αλγορίθμου να συμπίπτει με μια σημαντική πτώση στα μετρικά της ποιότητας. Σύμφωνα με την εμπειρία μου, αυτό το παράδοξο είναι αποτέλεσμα ενός ατόμου που ήταν προηγουμένως υπεύθυνο για το μετρικό να νιώθει ότι είναι τώρα απλώς ένα μη σημαντικό σύνδεσμο σε μια αλυσίδα αυτοματοποιημένων αποφάσεων.

Είναι απαραίτητο να διαχειριστούμε αυτό το аспект της αυτοματοποίησης λόγω του πόσο εύκολα μπορεί να οδηγήσει την ομάδα σας σε einen δρόμο απάθειας και μειωμένου δεσμευμένου.

3. Προκλήσεις Με Γνωριμότητα και Αποτελεσματική Εφαρμογή

Όπως κάθε ιδιοκτήτης επιχείρησης γνωρίζει, τα πράγματα μπορούν να αλλάξουν σε μια στιγμή. Οι εταιρείες δεν έχουν πάντα χρόνο να κατασκευάσουν một σύνθετη λύση Τεχνητής Νοημοσύνης για μια νέα λειτουργία.

Στην πραγματικότητα, είναι πολύ πιο συνηθισμένο για τις επιχειρήσεις να βρεθούν σε μια χρονική πίεση και να αναγκαστούν να λύσουν ένα πρόβλημα χωρίς τη βοήθεια της αυτοματοποίησης επειδή η εγκατάσταση μιας νέας διαδικασίας απαιτεί πολύ χρόνο.既然 δεν υπάρχει χρόνος για να γράψουμε σύνθετα μοντέλα, δύο πράγματα συμβαίνουν.

Πρώτον, η επιχείρηση μπορεί να επιλέξει να εφαρμόσει μια σχεδόν ολοκληρωμένη διαδικασία αλλά να εισάγει ένα χειροκίνητο ενδιάμεσο βήμα μέχρι η διαδικασία να可以 βελτιωθεί. Σε αυτή την περίπτωση, οι επιχειρήσεις χάνουν μέχρι και 80 τοις εκατό της υπολογισμένης αποδοτικότητας της διαδικασίας.

Εναλλακτικά, η επιχείρηση μπορεί να αναπτύξει SaaS για να επιταχύνει την διαδικασία εφαρμογής. Ενώ οι χρονικοί και οικονομικοί κόστοι θα είναι χαμηλότεροι, το πρόβλημα της απώλειας αποδοτικότητας παραμένει. Σε αυτή την περίπτωση, η εφαρμογή αλγορίθμων SaaS που δεν είναι ειδικά προσαρμοσμένοι στις ανάγκες της εταιρείας μπορεί να κάνει μια διαδικασία λιγότερο αποτελεσματική από ότι αν γινόταν χειροκίνητα.

Επιπλέον σε αυτά τα προβλήματα, είναι σημαντικό να κατανοήσουμε ότι η διαφάνεια στη διαδικασία Τεχνητής Νοημοσύνης είναι εξαιρετικά δύσκολο να επικοινωνηθεί στη διοίκηση, ακόμη και από τους ειδικούς. Αυτό οφείλεται στην πολυπλοκότητα των αλγορίθμων, αλλά μπορεί να κάνει την ομάδα σας να νιώθει επιφυλάξεις σχετικά με τη μετάβαση σε αυτοματοποιημένες λειτουργίες.

Πού Πηγαίνουμε Από Εδώ;

Ορισμένοι ερευνητές προτείνουν ότι οι προκλήσεις που αντιμετωπίζουμε σήμερα θα οδηγήσουν σε νέους ανθρώπινους ρόλους σε μια εταιρεία: Εκπαιδευτές, εξηγητές και διατηρητές.

Οι εκπαιδευτές θα βοηθήσουν να βελτιωθεί η απόδοση της Τεχνητής Νοημοσύνης. Οι εξηγητές θα έχουν την任务 να αναλύουν τις αποφάσεις της Τεχνητής Νοημοσύνης για μη ειδικούς, και οι διατηρητές θα εργάζονται για να κάνουν τις διαδικασίες Τεχνητής Νοημοσύνης βιώσιμες για μακροπρόθεσμο.

Ωστόσο, μέχρι τότε, οι επιχειρήσεις και οι ιδρυτές πρέπει να λάβουν υπόψη περισσότερα από το σημαντικό πλεονέκτημα ανταγωνισμού που μπορεί να προσφέρει η Τεχνητή Νοημοσύνη. Το πλεονέκτημα πρέπει να ζυγιστεί ενάντια στην αμφιβολία, τους χρονικούς κόστους και τα εμπόδια ανάπτυξης που συνοδεύουν την Τεχνητή Νοημοσύνη.

Η Τεχνητή Νοημοσύνη έχει ακόμη πολύ δρόμο να διανύσει σε όρους ανάπτυξης, εξέλιξης και εφαρμογής. Μπορεί αναμφισβήτητα να κάνει μια τεράστια διαφορά στη διαχείριση λειτουργιών, αλλά δεν μπορούμε ακόμη να βασιστούμε πλήρως σε αυτήν ως την καλύτερη επιλογή.