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

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

Το λείπων σύνδεσμος.

Η επιτυχημένη, εκτεταμένη υιοθέτηση του AI απαιτεί τρεις συνιστώσες: υποδομή, εφαρμογή και δεδομένα. Ο слой της υποδομής περιλαμβάνει το μοντέλο του AI, του οποίου το πλαίσιο διαμορφώνει trực tiếp τη χρήση και τις πιθανές εξόδους.

Ο слой της εφαρμογής είναι όπου ζουν οι λύσεις λογισμικού. Αυτό είναι όπου παράγεται το μεγαλύτερο μέρος της αξίας του AI· είναι όπου οι χρήστες αλληλεπιδρούν (ίσως间접ικά) με το AI και αναθεωρούν τις εξόδους του· είναι το κέντρο της λήψης αποφάσεων που ενημερώνονται από το AI.

Μεταξύ αυτών των στρωμάτων είναι ο слой των δεδομένων, και είναι αυτή η συνιστώσα με την οποία οι περισσότερες επιχειρήσεις έχουν δυσκολίες – είτε είναι επίσημες είτε όχι. Αυτός ο слой, φυσικά, περιέχει όλα τα δεδομένα· δεδομένα που ταιριάζουν στο υποκείμενο μοντέλο του AI και οδηγούν τις εφαρμογές που κατασκευάζονται. Η ποιότητα του στρώματος των δεδομένων επηρεάζει trực tiếp την έξοδο στο επίπεδο της εφαρμογής. Υψηλής ποιότητας, άφθονα δεδομένα μπορούν να υποστηρίξουν ισχυρές περιπτώσεις χρήσης, ενώ αμφίβολη ή ανεπαρκής δεδομένα δεν μπορούν.

Όσο οι οργανισμοί δεν μπορούν να κατασκευάσουν – ή να συνεργαστούν με επιχειρήσεις που κατασκευάζουν – όλα τα τρία στρώματα 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 της παρέχει 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 του παρέχει δεδομένα συμπεριφοράς.

Αν οι επιχειρήσεις (ή οι συνεργάτες τους) δεν μπορούν να υποστηρίξουν επαρκώς τα εργαλεία του AI με επαρκеса δεδομένα, οι επιπτώσεις θα είναι μακροπρόθεσμες. Πρώτα, υπάρχει η λύση του AI. Στο καλύτερο σενάριο, θα είναι τεχνικά λειτουργική, αν και όχι στο βαθμό που επιθυμείται. Οι εξόδους μπορεί να είναι αδύναμες, ανεπαρκείς ή στερημένες από εποπτείες. Πέρα από αυτό το “καλύτερο” αποτέλεσμα, υπάρχει ένα πιο πιθανό αποτέλεσμα: παραισθήσεις του AI, λανθασμένες εξόδους και αρνητική απόδοση επενδύσεων. Όχι μόνο θα έχει σπαταληθεί η επένδυση, αλλά οι οργανισμοί μπορεί να πρέπει να ξοδέψουν περισσότερα για το όνομα του ελέγχου των ζημιών.

Ζουμώντας έξω από τις άμεσες επιπτώσεις, μπορούμε να δούμε τις ευρύτερες επιπτώσεις μιας λύσης του AI που στερείται δεδομένων. Γενικά, οι επιχειρήσεις υιοθετούν το AI για να μπορέσουν να κάνουν περισσότερα: να αποκτήσουν περισσότερες εποπτείες, να εξυπηρετήσουν περισσότερους πελάτες, να λειτουργήσουν πιο αποτελεσματικά. Αν οι οργανισμοί ρίχνουν χρόνο και πόρους σε ένα εργαλείο του AI που δεν προσφέρει τα αναμενόμενα αποτελέσματα, έχουν ουσιαστικά εμποδίσει τη δική τους ανάπτυξη, περιορίζοντας την ικανότητά τους να προσαρμοστούν στη αγορά και να ξεπεράσουν τον ανταγωνισμό. Αυτό τους ставάζει σε μειονεκτική θέση και θα τους αφήσει να αγωνίζονται 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 τοποθετηθούν καλά, να διορθώσουν (ή να προλαμβάνουν) μια ανισορροπία του AI και να προχωρήσουν.

Γεμίζοντας το κενό με τα σωστά δεδομένα.

Με τον κίνδυνο να απλοποιήσω, το καλύτερο που μπορούν να κάνουν οι ηγέτες για να αποφύγουν μια ανισορροπία του AI είναι να εκτελέσουν την αναλογική τους έρευνα πριν προχωρήσουν με οποιαδήποτε λύση που βασίζεται στο AI. Πριν από την ανάπτυξη eines νέου εργαλείου, να πάρουν χρόνο να μάθουν από 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 σας προκαλέσει κώδικες συναγερμού. Πάρτε μια δεύτερη ή τρίτη γνώμη από κανάλια συνεργατών και ενοποιητές. Συλλέξτε πληροφορίες από δίκτυα συζητήσεων χρηστών όπως το Reddit και το Discord· δείτε όπου άλλοι χρήστες αντιμετώπισαν προβλήματα ή εμπόδια. Γνωρίζοντας ποια κόκκινα σημαία να ψάχνετε πριν από την λήψη οποιασδήποτε απόφασης μπορεί να βοηθήσει τους ηγέτες να αποφύγουν έναν κόσμο προβλημάτων και απροσδόκητων αποτυχιών.

Φυσικά, αυτή η πρόνοια δεν είναι πάντα δυνατή και δεν θα βοηθήσει τις οργανώσεις που βρίσκονται στη μέση μιας έλλειψης δεδομένων του AI. Αν η απόρριψη της υπάρχουσας 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 контекст, πρότυπα και εποπτείες για να आकरBOύσει.

Συνθετικά δεδομένα είναι μια επιλογή εδώ, αλλά δεν είναι ένα πανάκης. Μπορεί να είναι δύσκολο να προσδιορίσετε την ακριβή προέλευση των συνθετικών δεδομένων, οπότε μπορεί να μην είναι πάντα ο καλύτερος δρόμος προς τα εμπρός. Όμως, υπάρχει ένας καιρός και ένας τόπος για συνθετικά δεδομένα. Για παράδειγμα, εξαιρετικά στο να εκπαιδεύουν μοντέλα ασφαλείας του AI, ειδικά με ανταγωνιστικό τρόπο. Όπως πάντα, η διεξαγωγή έρευνας πριν από την πλήρη είσοδο θα βοηθήσει τους ηγέτες να λάβουν τις καλύτερες αποφάσεις για την επιχείρησή τους.

Για βιομηχανίες όπως το λιανικό εμπόριο ή τα γρήγορα εστιατόρια (QSR), τα ανθρώπινα δεδομένα είναι προτιμότερα. Οι επιχειρήσεις σε αυτές τις βιομηχανίες πιθανότατα χρησιμοποιούν το AI για να βοηθήσουν στην βελτίωση της εμπειρίας του πελάτη, οπότε τα εργαλεία τους πρέπει να εκπαιδευτούν σε ανθρώπινα δεδομένα συμπεριφοράς. Για παράδειγμα, αν ελπίζετε να προβλέψετε πόσο μακριά οι χρήστες θα κάνουν scroll σε μια σελίδα, θα θέλατε το AI να βασίσει την πρόβλεψή του σε πραγματική ανθρώπινη συμπεριφορά υπό παρόμοιες συνθήκες.

Σε ορισμένες περιπτώσεις, η απόκτηση μιας εισροής ανθρώπινων δεδομένων δεν είναι τόσο πολύ για την απόκτηση νέων δεδομένων όσο είναι για την ενεργοποίηση υπάρχοντων δεδομένων. Οι επισκέπτες του site και της εφαρμογής είναι ήδη εκεί – είναι απλώς ένα ζήτημα να καταγράψουν, να δομήσουν και να αναλύσουν τα δεδομένα συμπεριφοράς τους ώστε τα εργαλεία του AI να μπορέσουν να τα χρησιμοποιήσουν.

Στο τέλος της ημέρας, να έχει ανεπαρκή δεδομένα είναι καλύτερο από το να έχει κακά δεδομένα· οτιδήποτε οι οργανισμοί μπορούν να κάνουν για να καθαρίσουν τις λύσεις τους θα βοηθήσει να οδηγήσει σε καλύτερα αποτελέσματα.

Πού να αρχίσετε.

Η έλλειψη δεδομένων του AI μπορεί να αποτελέσει ένα σημαντικό πρόβλημα για τις οργανώσεις οποιασδήποτε μεγέθους, και μπορεί να είναι αποθαρρυντικό ακόμη και να σκεφτείτε τι επόμενα βήματα μπορεί να υπάρχουν. Αλλά ακόμη και το να αναγνωρίσετε το ζήτημα είναι μια επιτυχία καθ’ εαυτό. Από εκεί, είναι ζήτημα να βρείτε τα διαχειρίσιμα, σταδιακά βήματα που μπορείτε να αντιμετωπίστε ένα προς ένα.

Το AI έχει τεράστια υπόσχεση – αλλά μόνο για εκείνους που είναι διατεθειμένοι να επενδύσουν σε κάθε einen από τους βασικούς συνιστώσες του: υποδομή, εφαρμογή και δεδομένα. Χωρίς αυτά τα στρώματα, ακόμη και η πιο εύγλωττη λύση του AI θα πέσει πεπλατυσμένη. Οι οργανισμοί που κλείνουν το κενό δεδομένων τώρα δεν θα αποφύγουν μόνο να μείνουν πίσω· θα ορίζουν το ρυθμό.