Ηγέτες σκέψης
Σχεδιασμός, PoC και Παραγωγική Λειτουργία μιας Επιτυχημένης Επιχειρηματικής Λύσης με AI

Βασικά σημείαΜόνο το 15% των επιχειρηματικών λύσεων τεχνητής νοημοσύνης θα πετύχει έως το 2022 λόγω…
Δείτε περισσότερα
- Μόνο το 15% των επιχειρηματικών λύσεων τεχνητής νοημοσύνης θα πετύχει έως το 2022 λόγω μη ευθυγραμμισμένων προσδοκιών.
- Ο σχεδιασμός πρέπει να στοχεύει σε τομείς υψηλού αντίκτυπου και χαμηλού κινδύνου με συνεχή αύξηση δεδομένων, όπως η επεξεργασία δανείων.
- Η κλιμάκωση από την απόδειξη ιδέας στην παραγωγή απαιτεί αρθρωτό σχεδιασμό και διαχείριση μοντέλων που βασίζονται σε υπερβολικές προσδοκίες, όπως το GPT3.
Οι επιχειρήσεις επιταχύνουν τις πρωτοβουλίες τους για την τεχνητή νοημοσύνη (AI) με γρήγορο ρυθμό. Μια μελέτη από το Algorithmia έδειξε ότι το 76% των CIOs δίνουν προτεραιότητα και αυξάνουν τους προϋπολογισμούς τους για να εστιάσουν περισσότερο στις λύσεις AI και μηχανικής μάθησης (ML). Οι οργανισμοί αναγνωρίζουν επίσης τη σημασία των δεδομένων και η πλειονότητα από αυτούς αποδέχεται το γεγονός ότι το 80% των επιχειρηματικών δεδομένων είναι μη δομημένα.
Τα μη δομημένα δεδομένα παράγονται και αυξάνονται με ανησυχητικό ρυθμό σε ένα τεχνολογικό περιβάλλον μιας επιχείρησης. Η μονάδα μέτρησης έχει μετατοπιστεί από τα τεραμπάιτ σε πεταμπάιτ. Ως αποτέλεσμα, οι επαγγελματίες της τεχνολογίας, οι CDOs και οι CIOs πρέπει να αντιμετωπίσουν ορισμένες νέες προκλήσεις για να ικανοποιήσουν την αυξανόμενη ζήτηση για χρησιμοποιήσιμα δεδομένα και πληροφορίες που μπορούν να οδηγήσουν σε δράση. Παρά το τεράστιο δυναμικό της AI να μεταμορφώσει οποιαδήποτε βιομηχανία, μόνο το 15% των λύσεων AI που αναπτύχθηκαν μέχρι το τέλος του 2022 θα είναι επιτυχημένες, και λιγότερες από αυτές θα παράγουν θετικό ROI.
Το μεγαλύτερο πρόβλημα είναι ότι οι περισσότερες επιχειρηματικές λύσεις AI δεν βλέπουν το φως της ημέρας λόγω της μη συμφωνίας των προσδοκιών. Συνεχίζουν να υπάρχουν λάθη γύρω από τις δυνατότητες της AI και τα έργα συνεχίζουν να σχεδιάζονται με βάση μοντέλα που βασίζονται στον υπερβολικό ενθουσιασμό. Τα περισσότερα προϊόντα ή μοντέλα είναι μακριά από την πραγματική πραγματικότητα της ημερήσιας επιχειρηματικής λειτουργίας. Άλλοι παράγοντες που οδηγούν σε χαμηλότερους ρυθμούς επιτυχίας περιλαμβάνουν: υπερβολικές δαπάνες, έλλειψη Κέντρων Εξαιρετικότητας της AI (CoE), άπειρο προσωπικό, μη διαθεσιμότητα δεδομένων και ξεπερασμένες πολιτικές, για να αναφέρουμε μερικά παραδείγματα.
Ο Σχεδιασμός Δημιουργεί το Δρόμο για την Επιτυχία της Επιχείρησης με τη Στήριξη της AI
Τα μη δομημένα δεδομένα είναι δεδομένα που λείπουν από ένα προκαθορισμένο μοντέλο δεδομένων και περιλαμβάνουν όλα, από έγγραφα πλούσια σε κείμενο και ιστοσελίδες μέχρι εικόνες, αρχεία βίντεο, chatbots, ακουστικά ρεύματα και αναρτήσεις στα κοινωνικά δίκτυα. Με την αυξανόμενη ποσότητα μη δομημένων δεδομένων στην επιχειρηματική αρχιτεκτονική, είναι κρίσιμο να υπάρχει ένας αποτελεσματικός και επαναλαμβανόμενος σχεδιασμός που συμφωνεί με τους στόχους όλων των εταιρικών ενδιαφερόμενων μερών. Τυπικοί στόχοι σε οργανωτικό επίπεδο μπορούν να περιλαμβάνουν: αυτοματοποίηση διαδικασιών, ανίχνευση απάτης, βελτίωση της εμπειρίας του πελάτη, βελτίωση της ασφάλειας, αύξηση των πωλήσεων και ούτω καθεξής. Ενώ ορισμένοι από αυτούς τους στόχους μπορούν να επιτευχθούν αρκετά αποτελεσματικά, λόγω της δομημένης φύσης των δεδομένων, ο σχεδιασμός γύρω από μη δομημένα δεδομένα μπορεί να είναι προκλητικός.
Συνήθως, ο σχεδιασμός αρχίζει με την αναγνώριση των περιοχών ευκαιριών μέσα στην οργάνωση. Ενώ μπορεί να υπάρχει ένα μεγάλο όραμα της AI στο επίπεδο της διεύθυνσης, είναι κρίσιμο να αναγνωριστεί μια περιοχή που έχει υψηλή επίδραση, χαμηλό κίνδυνο και συνεχή αύξηση των δεδομένων. Ένα καλό παράδειγμα μιας τέτοιας περίπτωσης θα ήταν η λειτουργία της διεκπεραίωσης δανείων στη βιομηχανία τραπεζών και χρηματοοικονομικών. Η αρχική διεκπεραίωση δανείων μέχρι την εξυπηρέτηση είναι γεμάτη με χειροκίνητες διαδικασίες όπου οι πληροφορίες εισάγονται με το χέρι στα συστήματα με επαναλαμβανόμενο τρόπο. Η due diligence των αιτήσεων δανείων περιλαμβάνει σημαντική ποσότητα υποβολής εγγράφων, που δημιουργεί διάφορα κινδύνους. Ωστόσο, η AI μπορεί να εφαρμοστεί σε διάφορες περιοχές της ροής εργασιών, συμπεριλαμβανομένης της επεξεργασίας εγγράφων και της ανίχνευσης απάτης. Αυτή είναι επίσης μια περιοχή όπου υπάρχει συνεχής αύξηση των δεδομένων από χρόνο σε χρόνο.
Άλλοι κρίσιμοι βήματα που πρέπει να ληφθούν υπόψη κατά τη διάρκεια αυτής της φάσης του σχεδιασμού περιλαμβάνουν τον ορισμό μετρήσιμων κριτηρίων επιτυχίας, τη διαμόρφωση μιας συνολικής στρατηγικής δεδομένων, τη συνεχή εκπαίδευση και ανατροφοδότηση, και την αξιολόγηση της εμπειρίας του χρήστη, της κλιμάκωσης και της υποδομής.
Ορισμός Μετρήσιμων Κριτηρίων Επιτυχίας (και Αποφυγή της Τοποθέτησης του Κάρου μπροστά από το Άλογο!)
Η πρώιμη επιτυχία της Google αποδίδεται συχνά στο γεγονός ότι η εταιρεία καθιέρωσε Στόχους και Βασικά Αποτελέσματα (OKRs). Ενώ αυτή η προσέγγιση είναι κάτι που μπορεί να εφαρμοστεί σε οποιοδήποτε πτυχή της επιχειρηματικής δραστηριότητας ή των προσωπικών στόχων, η λήψη αυτής της αποδεδειγμένης προσέγγισης για την στρατηγική της AI μπορεί να οδηγήσει σε κάποια υποσχόμενα αποτελέσματα. Ωστόσο, όταν πρόκειται για μη δομημένα δεδομένα, είναι ένα εξελισσόμενο πρόβλημα που η βιομηχανία ως σύνολο προσπαθεί να λύσει. Δεδομένων των προκλήσεων, οι ηγέτες των επιχειρήσεων πρέπει να θέσουν διάφορα ερωτήματα για να καθορίσουν το «τι» και το «γιατί». Για παράδειγμα, εάν η αύξηση της παραγωγικότητας είναι ο βασικός στόχος, δύο ερωτήματα που θα μπορούσαν να απαντηθούν είναι:
- Πρέπει να σχεδιάσω να βελτιώσω την απόδοση μέσω αυτοματοποίησης; ή
- Πρέπει να σχεδιάσω να λύσω το 80% του προβλήματος για το 100% όλων των υποβεβλημένων περιπτώσεων;
Απαντώντας σε αυτά τα ερωτήματα οδηγεί σε δύο διαφορετικά ταξίδια υλοποίησης και είναι σημαντικό να αποφασιστεί ποιο θα είναι σωστό για την επιχείρησή σας.
Με μη δομημένα δεδομένα, μια άλλη αμφίβολη περιοχή μέτρησης είναι η ακρίβεια. Στο παράδειγμα της διεκπεραίωσης δανείων, υπάρχει τόσο μεγάλη μεταβλητότητα στα έγγραφα που υποβάλλονται από τους πελάτες, είναι κρίσιμο για τους ηγέτες των επιχειρήσεων και της τεχνολογίας να συμφωνήσουν σε πώς θα μετρηθεί η ακρίβεια της λύσης AI. Εάν η παραγωγικότητα είναι ένας από τους στόχους της εγκατάστασης μιας λύσης AI, τότε θα ήταν απαραίτητο να αναγνωριστούν άλλες περιοχές που επηρεάζουν την παραγωγικότητα. Αυτό μπορεί να επιτευχθεί με την προσεκτική εξέταση της τρέχουσας διαδικασίας και την ανασύνθεση της διαδικασίας με αυτοματοποίηση AI. Συχνά, η νέα αυτοματοποίηση οδηγεί σε νέες βήματα στη διαδικασία, όπως η χειροκίνητη διαχείριση εξαιρέσεων, η επισημείωση δεδομένων, η εκπαίδευση κ.λπ. Με αυτά τα βήματα στη θέση τους, θα ήταν εύκολο να καθορίσετε πώς να μετρηθεί η ακρίβεια.
Τα Δεδομένα είναι το Αίμα της Ζωής όλων των Επιχειρήσεων
Τα μη δομημένα δεδομένα έχουν υψηλό βαθμό μεταβλητότητας στο πώς παρουσιάζονται τα δεδομένα. Οι επιχειρήσεις είναι γεμάτες με πληροφορίες που παρουσιάζονται σε έγγραφα, τα οποία φυσικά έχουν σύνθετες δομές που αποτελούνται από παραγράφους, προτάσεις και, πιο σημαντικά, πολυδιάστατες δομές πινάκων. Εκτός από τα έγγραφα, οι οργανισμοί επενδύουν ολοένα και περισσότερο σε chatbots, παρακολουθούν τα δεδομένα των κοινωνικών μέσων και άλλα είδη μη δομημένων δεδομένων, όπως ειδήσεις, εικόνες και βίντεο.
Οι περισσότερες οργανώσεις υποτιμούν πόσα δεδομένα είναι διαθέσιμα και προσβάσιμα. Συχνά, η πρόκληση είναι τόσο απλή όσο η υπέρβαση των περιορισμών συμμόρφωσης και η κοινή χρήση δεδομένων μέσα στην οργάνωση. Παρόλα αυτά, η διαθεσιμότητα καθαρών και υψηλής μεταβλητότητας δεδομένων επιτρέπει μια καλύτερη αξιολόγηση του προβλήματος και τον σχεδιασμό μιας βέλτιστης λύσης.
Ένας άλλος σημαντικός παράγοντας που πρέπει να ληφθεί υπόψη είναι το αποτέλεσμα που περιμένετε από αυτά τα μη δομημένα δεδομένα. Αυτό θα διασφαλίσει μια ακριβή ποσότητα ground truth, εκπαίδευσης και δοκιμαστικών δεδομένων. Επιστρέφοντας στο παράδειγμα της διεκπεραίωσης δανείων, εάν το αποτέλεσμα της λύσης AI είναι να καθορίσει τις μέσα ημερήσια υπόλοιπα των αιτούντων, τα δεδομένα ground truth και εκπαίδευσης μπορούν να εστιάσουν γύρω από τις τραπεζικές καταστάσεις. Ωστόσο, εάν ο στόχος είναι να καθορίσει τους απατεώνες αιτούντες μέσω των υποβεβλημένων τραπεζικών καταστάσεων, θα πρέπει να προσεγγιστεί ένα ευρύτερο φάσμα εγγράφων για να ληφθούν τα απαραίτητα δεδομένα ground truth και εκπαίδευσης.
Κλιμάκωση από Proof of Concept σε Παραγωγή
Η έναρξη ενός μετρήσιμου Proof of Concept (PoC) διασφαλίζει ότι όλα τα ενδιαφερόμενα μέρη κατανοούν τις προκλήσεις, τα αποτελέσματα και την αξία της λύσης AI. Ωστόσο, ένα PoC δεν είναι το ίδιο με μια λύση που είναι έτοιμη για παραγωγή. Ένα PoC επιτρέπει σε μια οργάνωση να αναγνωρίσει κενά, να διεγείρει τη σκέψη για μια λύση παραγωγής και να ρυθμίσει τους στόχους και τα αποτελέσματα που πρέπει να επιτευχθούν. Για να μεταβείτε από PoC σε μια λύση που μπορεί να κλιμακωθεί, οι οργανισμοί πρέπει να σχεδιάσουν για σύνθετες σενάρια δεδομένων που περιλαμβάνουν συνεχείς αλλαγές δεδομένων, μη διαθεσιμότητα ετικετών δεδομένων και υψηλό βαθμό μεταβλητότητας στη μορφή και τα φορμάτ. Ισότιμα σημαντικό είναι η ανασύνθεση της ροής εργασιών, η επαναεκπαίδευση του εργατικού δυναμικού και η καθορισμός της σωστής υποδομής, των κοστών, της απόδοσης, της αρχιτεκτονικής δεδομένων, της ασφάλειας πληροφοριών και των συμφωνιών επιπέδου υπηρεσιών (SLAs).
Είναι απολύτως απαραίτητο να αξιολογηθεί ολόκληρη η ροή εργασιών και η επιχειρηματική διαδικασία για να επιτευχθούν τα καλύτερα αποτελέσματα από οποιαδήποτε λύση AI. Λαμβάνοντας υπόψη τη συμπεριφορική οικονομική, είναι κρίσιμο να συγκριθεί το αποτέλεσμα με ένα υπάρχον σημείο αναφοράς (γνωστή ως “αναφορά εξάρτηση”), στο οποίο σημείο μπορούν να προβλεφθούν καλύτερες αποδοτικότητες πριν από την παραγωγή μέσω της σκέψης σχεδιασμού και της ανασύνθεσης της διαδικασίας.
Αυτό το σενάριο υποθέτει ότι τόσο οι επιχειρηματικοί όσο και οι τεχνικοί ηγέτες έχουν συμφωνήσει σε μια προσέγγιση MI ή βαθιάς μάθησης με βάση το PoC. Ορισμένες δηλώσεις προβλημάτων θα μπορούσαν να είναι ντετερμινιστικές και μια στατιστική προσέγγιση μπορεί να ληφθεί για να λυθεί το πρόβλημα, ενώ άλλες προκλήσεις μπορεί να απαιτούν μια συνδυασμένη προσέγγιση MI και νευρωνικών δικτύων για να επιτευχθούν τα επιθυμητά αποτελέσματα.
Ορισμένες λύσεις AI απαιτούν την ενσωμάτωση της επεξεργασίας φυσικής γλώσσας (NLP). Ενώ τα γενικά μοντέλα γλώσσας χρησιμεύουν ως ένα θεμελιώδες βήμα, τα περισσότερα μοντέλα δεν σχεδιάζονται για να ικανοποιήσουν τις μοναδικές ανάγκες κάθε επιχειρηματικού προβλήματος και θα απαιτούσαν fine-tuning. Ταυτόχρονα, οι περισσότεροι διευθυντές είναι πιθανό να ενθουσιαστούν με τεράστια μοντέλα όπως το GPT3, τα οποία απαιτούν σημαντική υπολογιστική δύναμη και μπορούν να έχουν άμεση επίδραση στο ROI της εταιρείας. Αυτά τα μοντέλα είναι πιθανότατα δεν είναι κατάλληλα για την εταιρεία σας.
Η λύση Proof of Concept της AI είναι μόνο η αρχή μιας μακράς διαδικασίας, οπότε να έχετε υπόψη τα ακόλουθα:
- Μην επιλέξετε ένα σύνθετο πρόβλημα για να λύσετε στη φάση του PoC
- Εφαρμόστε τη σκέψη σχεδιασμού και αναθεωρήστε τη διαδικασία σας από άκρη σε άκρη· προβλέψτε και διαχειριστείτε τους κινδύνους νωρίς
- Η ακρίβεια δεν είναι το μόνο μέτρο· σχεδιάστε και κατασκευάστε μια λύση που οδηγεί στην αξία έναντι της επίτευξης 100% ακρίβειας
- Αξιολογήστε την προσέγγισή σας AI· μην σχεδιάζετε με βάση μοντέλα που βασίζονται στον υπερβολικό ενθουσιασμό, αλλά επιλέξτε την πιο βέλτιστη προσέγγιση που είναι αρθρωτή
- Διαχειριστείτε τις προσδοκίες σε όλα τα ενδιαφερόμενα μέρη για να διασφαλίσετε την πιο επιτυχημένη έκβαση
- Σχεδιάστε τη λύση και την αρχιτεκτονική σας για να κλιμακωθούν με την αύξηση των δεδομένων σας για το καλύτερο δυνατό ROI
Καλύτερες Πρακτικές για Λύσεις με Υποστήριξη της AI
Σήμερα, οι περισσότερες επιχειρήσεις αναλαμβάνουν ένα ή περισσότερα έργα AI. Παρά τις εξαιρετικές προθέσεις και τη σκληρή δουλειά, πολλά επιχειρηματικά προγράμματα AI δεν επιτυγχάνουν τις προσδοκίες, δεν κλιμακώνονται και δεν παράγουν το επιθυμητό ROI. Θα χρειαστεί χρόνος για να ενσωματωθεί η τεχνητή νοημοσύνη ως βασικό επιχειρηματικό συστατικό, ωστόσο ορισμένες από τις καλύτερες πρακτικές που ακολουθούνται από επιτυχημένες οργανώσεις περιλαμβάνουν:
- Ξεκινήστε με το Κέντρο Εξαιρετικότητας της AI (AI CoE): Πολλές μεγάλες εταιρείες, ακόμη και μη τεχνολογικές, έχουν εγκαταστήσει Κέντρα Εξαιρετικότητας της AI (AI CoE) για να μεγιστοποιήσουν τις πιθανότητες επιτυχίας τους. Ένα Κέντρο Εξαιρετικότητας της AI συγκεντρώνει την απαραίτητη εμπειρογνωσία, τους πόρους και τους ανθρώπους για να επιτρέψει τις πρωτοβουλίες μετασχηματισμού με βάση την AI. Τα κύρια οφέλη περιλαμβάνουν:
- Συγκέντρωση της μάθησης AI, των πόρων και των ταλέντων σε ένα σημείο
- Ανάπτυξη μιας ενιαίας όρασης και επιχειρηματικής στρατηγικής AI
- Τυποποίηση των προσεγγίσεων AI, των πλατφορμών και των διαδικασιών
- Αναγνώριση νέων ευκαιριών εσόδων για την AI και την καινοτομία
- Κλιμάκωση των προσπαθειών της επιστήμης δεδομένων με την κάνων την AI διαθέσιμη σε όλες τις επιχειρηματικές λειτουργίες
- Εγκριση της Διεύθυνσης: Μια στρατηγική AI είναι πιο επιτυχημένη μέσω μιας τοπ-κάτω προσέγγισης. Η κλιμάκωση των πιλότων σε ολόκληρη την οργάνωση με επιτυχία απαιτεί εγκριση της διεύθυνσης, απαραίτητες δεξιότητες και δεδομένα, και την εγκατάσταση μιας οργανωτικής δομής που διασφαλίζει ότι τα μοντέλα παραμένουν ακριβή με τον καιρό.
- Διαθεσιμότητα Δεδομένων: Οι περισσότερες οργανώσεις έχουν δεδομένα απομονωμένα σε σιλό για διάφορους λόγους συμμόρφωσης. Ωστόσο, τα δεδομένα είναι το αίμα της ζωής κάθε λύσης AI και η προμήθεια αυτών των δεδομένων είναι κρίσιμη. Μαζί με την προμήθεια, η ταξινόμηση και η καθαρισμός των δεδομένων είναι απαραίτητη. Η ανάπτυξη ακριβών δεδομένων ground truth και εκπαίδευσης μπορεί να καθορίσει την επιτυχία ή την αποτυχία μιας λύσης AI.
- Αρχιτεκτονική: Η χρήση της AI είναι μια αλλαγή παραδείγματος για οποιαδήποτε οργάνωση, η οποία απαιτεί νέους τρόπους σκέψης και σχεδιασμού. Ο σχεδιασμός μιας βέλτιστης τεχνικής και λειτουργικής αρχιτεκτονικής αυξάνει τις πιθανότητες επιτυχίας. Αυτό περιλαμβάνει τη διαθεσιμότητα νέων λειτουργιών όπως ML ops, data ops, επαναλαμβανόμενη εκπαίδευση και επισημείωση δεδομένων, μεταξύ άλλων.
- Αρθρωτή Δομή και Ευελιξία: Οι λύσεις με υποστήριξη της AI είναι ακόμη σε πρώιμο στάδιο, ιδιαίτερα όταν οι οργανισμοί αντιμετωπίζουν πολλά μη δομημένα δεδομένα. Είναι κρίσιμο να σχεδιαστεί και να κατασκευαστεί μια λύση που είναι αρθρωτή και ευέλικτη και μπορεί να κλιμακωθεί με την επιχείρηση και τις αυξανόμενες προκλήσεις της.
Η εγκατάσταση και η έναρξη μιας στρατηγικής AI έχει τεράστιο δυναμικό για τις περισσότερες οργανώσεις, και οι περιπτώσεις χρήσης είναι απεριόριστες. Οι λύσεις μηχανικής και βαθιάς μάθησης αγγίζουν κάθε πτυχή μιας οργάνωσης, από τις πωλήσεις και το μάρκετινγκ μέχρι τις καθημερινές επιχειρηματικές λειτουργίες. Ωστόσο, όπως η κατασκευή ενός πυραύλου ή η εφεύρεση ενός νέου gadget, η επιτυχία δεν θα επιτευχθεί με μία μόνο προσπάθεια. Οι λύσεις με υποστήριξη της AI πρέπει να αντιμετωπίζονται σε στάδια και να χτίζονται σε μικρότερες νίκες με τον καιρό.












