Η Επιτυχημένη Υιοθέτηση του AI Απαιτεί 3 Συνιστώσες — Οι Πλείστες Εταιρείες Έχουν Μόνο 2

Σε αυτό το σημείο, το AI δεν είναι πλέον μια νέα τεχνολογία. Η αποδεδειγμένη αποτελεσματικότητά του στην ανάλυση δεδομένων, την αναγνώριση προτύπων και τη σύνθεση γνώσεων μπορεί να κάνει τις ομάδες πιο αποτελεσματικές. Αλλά παρά την αδιαμφισβήτητη αξία του AI, νέα έρευνα δείχνει ότι μόνο το 13% των επιχειρήσεων έχουν υιοθετήσει σε εκτεταμένο βαθμό. Οι περισσότερες επιχειρήσεις παίζουν ασφαλές, χρησιμοποιώντας το AI μόνο για τις εργασίες με το χαμηλότερο ρίσκο. Τι εμποδίζει τις μάρκες από το να πηδήξουν μέσα και να αποκτήσουν τα οφέλη; Το χάσμα μεταξύ των φιλοδοξιών του AI και της επίτευξης οφείλεται σε μια δομική ελλειπή.

Το λείπων κρίκο.

Η επιτυχημένη, εκτεταμένη υιοθέτηση του AI απαιτεί τρεις συνιστώσες: υποδομή, εφαρμογή και δεδομένα. Το επίπεδο υποδομής αποτελείται από το μοντέλο AI, του οποίου το πλαίσιο διαμορφώνει直接 την χρήση και τις πιθανές εξόδους.
Η εφαρμογή του είναι το σημείο όπου ζουν οι λύσεις λογισμικού. Αυτό είναι το σημείο όπου οι χρήστες αλληλεπιδρούν (ίσως έμμεσα) με το AI και αναθεωρούν τις εξόδους του· είναι το κέντρο της λήψης αποφάσεων που ενημερώνονται από το AI.
Μεταξύ αυτών των επιπέδων είναι το επίπεδο δεδομένων, και είναι αυτή η συνιστώσα που οι περισσότερες επιχειρήσεις έχουν δυσκολία – είτε είναι επίγνωσες είτε όχι. Αυτό το επίπεδο, φυσικά, περιέχει όλα τα δεδομένα· δεδομένα που ταιριάζουν στο υποκείμενο μοντέλο AI και οδηγούν τις εφαρμογές που κατασκευάζονται. Η ποιότητα του επιπέδου δεδομένων επηρεάζει直接 την έξοδο στο επίπεδο εφαρμογής. Υψηλής ποιότητας, άφθονα δεδομένα μπορούν να υποστηρίξουν ισχυρές περιπτώσεις χρήσης, ενώ αμφίβολη ή ανεπαρκής δεδομένα δεν μπορούν.
Μέχρι οι οργανισμοί να μπορέσουν να κατασκευάσουν – ή να συνεργαστούν με επιχειρήσεις που κατασκευάζουν – όλα τα τρία επίπεδα της υιοθέτησης του AI, δεν θα αποκτήσουν την μέγιστη αξία.

Οι επιπτώσεις της ανισορροπίας.

Η έξοδος του AI θα είναι πάντα προκαθορισμένη από τα δεδομένα που λαμβάνει. Αν μια οργάνωση θέλει το AI της να μπορεί να προβλέψει συνθετικές μοριακές δομές, θα πρέπει να τα ταΐσει με πολλά δεδομένα φυσικής. Αν ένας λιανοπωλητής θέλει να χρησιμοποιήσει το AI για να προβλέψει τη συμπεριφορά των χρηστών και να βελτιώσει τις ψηφιακές εμπειρίες, θα πρέπει να τα ταΐσει με δεδομένα συμπεριφοράς.
Αν οι επιχειρήσεις (ή οι συνεργάτες τους) δεν μπορέσουν να υποστηρίξουν επαρκώς τα εργαλεία AI τους με επαρκή δεδομένα, οι επιπτώσεις θα είναι εκτεταμένες. Πρώτα, υπάρχει η λύση AI herself. Στο καλύτερο των περιπτώσεων, θα είναι τεχνικά λειτουργική, αν και όχι στο βαθμό που επιθυμείται. Οι εξόδους μπορεί να είναι αδύναμες, φτωχές ή στερημένες από ερευνήσεις. Πέρα από αυτό το “καλύτερο” αποτέλεσμα βρίσκεται ένα πιο πιθανό αποτέλεσμα: παραισθήσεις AI, λανθασμένες εξόδους και αρνητικό ROI. Όχι μόνο θα είχε σπαταληθεί η επένδυση, αλλά οι οργανισμοί μπορεί να πρέπει να δαπανήσουν περισσότερα με το όνομα του ελέγχου ζημιών.
Ζουμ άνω από τις άμεσες επιπτώσεις, μπορούμε να δούμε τις ευρύτερες επιπτώσεις μιας λύσης AI που πεινά. Γενικά, οι επιχειρήσεις υιοθετούν το AI ώστε να μπορέσουν να κάνουν περισσότερα: να αποκτήσουν περισσότερες ερευνήσεις, να εξυπηρετήσουν περισσότερους πελάτες, να λειτουργήσουν πιο αποτελεσματικά. Αν οι οργανισμοί ρίχνουν χρόνο και πόρους σε ένα εργαλείο AI που πέφτει, έχουν αποτελεσματικά εμποδίσει τη δική τους ανάπτυξη, περιορίζοντας την ικανότητά τους να προσαρμοστούν με την αγορά και να ξεπεράσουν τον ανταγωνισμό. Αυτό τους βάζει σε μια μειονεκτική θέση και θα τους αφήσει να παλεύουν για να αναπληρώσουν τον χαμένο χρόνο, τους πόρους και – πιθανώς – τους πελάτες.
Αλλά η ελπίδα δεν έχει χαθεί· υπάρχουν πολλά που οι οργανισμοί μπορούν να κάνουν για να θέσουν τον εαυτό τους καλά, να διορθώσουν (ή να προλαμβάνουν) μια ανισορροπία AI και να προχωρήσουν.

Γεμίζοντας το χάσμα με τα σωστά δεδομένα.

Με το ρίσκο της υπερ_SIMπλότητας, το καλύτερο που μπορούν να κάνουν οι ηγέτες για να αποφύγουν μια ανισορροπία AI είναι να εκτελέσουν την due diligence τους πριν προχωρήσουν με οποιαδήποτε λύση που βασίζεται στο AI. Πριν από την ανάπτυξη eines νέου εργαλείου, να πάρουν χρόνο να μάθουν για το πού προέρχονται τα δεδομένα και πώς παράγονται.
Αν ο πάροχος λύσεων ή ο αρχιμηχανικός σας δεν μπορεί να σας δώσει μια ευθεία απάντηση σχετικά με την πηγή, την ποιότητα ή την ποσότητα των υποκείμενων δεδομένων, αυτό πρέπει να ενεργοποιήσει τις σειρήνες. Πάρτε μια δεύτερη ή τρίτη γνώμη από συνεργάτες καναλιών και ολοκληρωτές. Κοινοποιήστε πληροφορίες από δίκτυα συζητήσεων χρηστών όπως το Reddit και το Discord· δείτε πού άλλοι υιοθετούντες έπεσαν σε εμπόδια ή εμπόδια. Γνωρίζοντας τι σημάδια να ψάξετε πριν από την λήψη αποφάσεων μπορεί να βοηθήσει τους ηγέτες να αποφύγουν έναν κόσμο από πονοκέφαλο και χαμένες προσδοκίες.
Φυσικά, αυτή η προοπτική δεν είναι πάντα δυνατή και δεν θα βοηθήσει τις οργανισμοί που βρίσκονται στη μέση μιας ελλειψης δεδομένων AI. Αν η διάλυση της υφιστάμενης λύσης δεν είναι μια επιλογή, το επόμενο καλύτερο πράγμα είναι να βρεθεί ένας τρόπος για να ενject περισσότερα δεδομένα ώστε το εργαλείο να έχει περισσότερο контέκστ, πρότυπα και ερευνήσεις για να आकरτήσει.
Συνθετικά δεδομένα είναι μια επιλογή εδώ, αλλά δεν είναι ένα πανάκης. Μπορεί να είναι δύσκολο να εντοπίσουμε την ακριβή προέλευση των συνθετικών δεδομένων, οπότε μπορεί να μην είναι πάντα ο καλύτερος δρόμος. Αυτό που λέει, υπάρχει ένας καιρός και ένας τόπος για συνθετικά δεδομένα. Για παράδειγμα, εξαιρετικά στο να εκπαιδεύουν μοντέλα ασφαλείας AI, ιδιαίτερα με έναν ανταγωνιστικό τρόπο. Όπως πάντα, η διεξαγωγή έρευνας πριν από την είσοδο headfirst θα βοηθήσει τους ηγέτες να λάβουν τις καλύτερες αποφάσεις για την επιχείρησή τους.
Για βιομηχανίες όπως το λιανικό εμπόριο ή τα εστιατόρια γρήγορου σερβίρισματος (QSR), τα ανθρώπινα δεδομένα είναι προτιμότερα. Οι επιχειρήσεις σε αυτές τις βιομηχανίες είναι πιθανό να χρησιμοποιούν το AI για να βοηθήσουν στην βελτίωση της εμπειρίας του πελάτη, οπότε τα εργαλεία τους πρέπει να εκπαιδευτούν σε δεδομένα συμπεριφοράς ανθρώπων. Για παράδειγμα, αν ελπίζετε να προβλέψετε πόσο μακριά οι χρήστες θα κύλισουν xuống σε μια σελίδα, θα θέλατε το AI να βασίσει την πρόβλεψή του σε πραγματική συμπεριφορά ανθρώπων υπό παρόμοιες συνθήκες.
Σε ορισμένες περιπτώσεις, η απόκτηση ενός ρεύματος ανθρώπινων δεδομένων δεν είναι τόσο πολύ για την απόκτηση νέων δεδομένων, όσο είναι η ενεργοποίηση υπάρχοντων δεδομένων. Οι επισκέπτες του site και της εφαρμογής είναι ήδη εκεί – είναι απλά μια Frage του να 캡्चερ, να δομήσουν και να αναλύσουν τα δεδομένα συμπεριφοράς τους, ώστε τα εργαλεία AI να μπορέσουν να τα χρησιμοποιήσουν.
Στο τέλος της ημέρας, η ανεπαρκής δεδομένα είναι καλύτερη από κακά δεδομένα· οτιδήποτε οι οργανισμοί μπορούν να κάνουν για να σκουπίσουν τις λύσεις τους θα βοηθήσει να οδηγήσει καλύτερα αποτελέσματα.

Πού να αρχίσετε.

Η έλλειψη δεδομένων AI μπορεί να θέσει μια σημαντική πρόκληση για τις οργανισμοί οποιασδήποτε μεγέθους, και μπορεί να είναι δαυνο να σκεφτείτε τι επόμενα βήματα μπορεί να είναι. Αλλά ακόμη και το να αναγνωρίσετε το ζήτημα είναι μια επιτυχία σε αυτόν τον εαυτό. Από εκεί, είναι μια Frage να βρείτε τα διαχειρίσιμα, τα βήματα που μπορείτε να αντιμετωπίσετε ένα-ένα.
Το AI κρατάει μια τεράστια υπόσχεση – αλλά μόνο για εκείνους που είναι διατεθειμένοι να επενδύσουν σε κάθε eine από τις κλειδιά του: υποδομή, εφαρμογή και δεδομένα. Χωρίς αυτά τα επίπεδα, ακόμη και η πιο ελεγμένη λύση AI θα πέσει. Οι οργανισμοί που θα κλείσουν το χάσμα δεδομένων τώρα δεν θα αποφύγουν μόνο να μείνουν πίσω· θα ορίζουν το ρυθμό.