5 Askelta Tekoälynnäisen Implementoimiseksi Liiketoimintaasi Ilman Rahan Menetystä

Tekoäly jatkaa kasvuaan, ja jos se jatkaa tunkeutumistaan jokaiseen alaan, se muuttaa täysin tapamme elää.

Tämän seurauksena monien perustajien tavoitteena on tekoälyn integroiminen yrityksiinsä. Myös yksityishenkilöt etsivät keinoja hyödyntääksesi tekoälyä henkilökohtaisten elämien parantamiseksi.

Hype on sellaista, että Collins Dictionary, merkittävä kieli-auktoriteetti, on nimennyt tekoälyn vuoden sanaksi, sen suosiota kasvavan vuoksi.

Tässä sanotaan, että useimmissa organisaatioissa on suuri kuilu idean ja todellisuuden välillä tekoälyn pyrkimyksessä prosessien integroimiseksi, koska polku ei ole yhtä suoraviivainen kuin se näyttää, ja se voi olla erittäin kallista sekä pääomakulutuksissa että haaskattuina aikana, koska kehitykset eivät tuota odotettuja tuloksia. Tämä on johtanut useita yrityksiä vaikeuksiin. Esimerkiksi CNET kokeili tekoälykirjoittamia artikkeleita, ja ne osoittautuivat virheellisiksi. Muita yrityksiä, kuten iTutor Group, on joutunut maksamaan suuria sakkoja lisäksi julkisen pilkkan ja heikkoon tekoälyn toteutukseen.

Nämä tapaukset osoittavat, että yritykset voivat tehdä paljon virheitä tekoälyssä, ja ellei yrityksellä ole Amazonin, Google, Microsoftin tai Metan kaltaista taloudellista tyynyttä, nämä epäonnistuneet kokeilut voivat tehokkaasti ajaa yrityksen konkurssiin.

Jos olet perustaja tai liiketoiminnan omistaja, tässä on opas, jossa on viisi askelta auttamaan sinua toteuttamaan tekoälyä liiketoiminnassasi, kaiken aikaa käyttäen varovasti resursseja – rahaa ja aikaa, joka lopulta on rahaa – ja vähentämällä vakavien virheiden mahdollisuutta.

1. Ole selkeä siinä ongelmassa, jonka yrität ratkaista

Mikään yritys ei ole immuuni tekoälyvirheille. Ja kuten Amazonin kivuton kokemus – sen epäonnistuneiden kassattomien myymälöiden Amazon Go – ei kaikilla liiketoimintatapauksilla tarvita tekoälyä.

Siksi on kriittinen, että määrittelet ongelman, jonka yrität ratkaista tekoälyllä. Tämä tarvitsee oltava määritelty mahdollisimman selkeästi.

Esimerkiksi yleinen tekoälyn soveltaminen on asiakastuki. Tekoälyn toteuttaminen tässä tapauksessa on mahdollista tietyillä tuloksilla, esimerkiksi vähentämällä asiakaspalvelukeskuksen kustannuksia X määrällä rahaa kuukaudessa tai nopeuttamalla keskimääräistä aikaa, joka kuluu asiakaskysymysten ratkaisemiseen X minuutilla. Tällä lähestymistavalla meillä on mitattava osoittaja rahana tai aikana, jonka yritämme saavuttaa tekoälyn toteuttamisen kautta ja nähdä, onko siinä vaikutusta.

On useita tapoja, joilla tämä voi tapahtua. Esimerkiksi sen sijaan, että kehittäisimme chatbottia, voimme kehittää tai ostaa palvelun, joka määrittää, voitaisiinko asiakkaan kysymystä vastata usein kysyttyjen kysymysten sivulla. Se toimisi seuraavasti. Kun asiakas kirjoittaa viestin, suoritamme tämän mallin, ja se kertoo meille, onko tarpeen siirtää tämä keskustelu asiakaspalvelijalle, tai näyttää heille relevantin sivun, jossa on vastaus heidän kysymykseensä. Tämän mallin kehittäminen on nopeampaa ja halvempaa kuin monimutkaisen chatbottin rakentaminen alusta alkaen. Jos tämä toteutus onnistuu, saavutamme tavoitteemme kustannusten vähentämisestä tekoälyyn liittyvien pääomakulutusten optimoinnissa verrattuna chatbottin kehittämiseen.

Matten Law, kalifornialainen lakifirma, oli uranuurtaja tässä lähestymistavassa, kun integroi tekoälypohjaisen avustajan automatisoimaan monia tehtäviä, mahdollistaen lakimiesten viettää enemmän aikaa asiakkaiden kuuntelemiseen ja tutkimiseen niitä tapausten osia, jotka olivat merkittävimpiä. Tämä osoittaa, että jopa jäykimmät toimialat voivat olla mullistumassa tekoälyllä tavalla, joka vahvistaa käyttäjäkokemusta, voimistamalla inhimillistä kosketusta siellä, missä sitä eniten tarvitaan.

Lisäksi yleisiä ongelmia, joita voidaan ratkaista tekoälyn avulla, ovat data-analyysi ja räätälöityjen tarjousten luominen. Spotify on poikkeuksellinen esimerkki yrityksestä, joka hyödyntää tekoälyä kehittääkseen älykkään musiikkisuosittelujärjestelmän, joka menee niin pitkälle kuin päivän aikaan, jolloin joku kuuntelee tietyn genren.

Molemmissa edellä mainituissa skenaarioissa tekoäly auttaa tarjoamaan paremman asiakaskokemuksen. Mutta syy, miksi nämä yritykset käyttivät tekoälyä onnistuneesti, oli se, että he olivat hyvin selkeästi määritelleet ne asiat, jotka tarvitsivat tekoälyä.

2. Päätä datasta, jota tarvitset analyysia varten

Kun pääongelma on hyvin määritelty, meidän on otettava huomioon data, jota meidän on syötettävä järjestelmään. On tärkeää muistaa, että tekoäly on algoritmi, joka analysoi ja mukautuu siihen dataan, jonka annamme sille. Perusskenaario datan keräämiselle on seuraava:

1. Ymmärrä, mitä dataa meidän on mahdollisesti tarjoitettava tekoälyn toteuttamiseksi.

2. Tarkista, onko liiketoiminnallamme tämä data.

   1. Jos meillä on – hyvä.

   2. Jos ei, meidän on istuttava alas ja mietittävä, voimmeko aloittaa oikean datan keräämisen prosessin sisäisesti. Toisena mahdollisuutena voimme pyytää kehittäjiä tallentamaan tarvitsemamme datan, jos emme sitä vielä tee.

Tässä on esimerkki. Omistamme kahvilan, ja tarvitsemme dataa siitä, kuinka monta asiakasta sen käy. Voimme tehdä tämän toteuttamalla henkilökohtaiset uskollisuuskortit, joita asiakkaat esittävät ostettaessa. Tällä tavoin meillä on data, jota tarvitsemme, kuten mitkä asiakkaat tulivat, milloin he tulivat, mitä he ostivat ja mihin määrään. Kun meillä on se, voimme käyttää tätä dataa tekoälyn toteuttamiseen. Mutta on tilanteita, joissa tämän datan kerääminen voi olla erittäin kallista. Ja silloin tekoäly voi tulla avuksi. Esimerkiksi, jos meillä on kamera asennettuna kahvilassamme – mitä meillä voi olla ainakin turvallisuuden vuoksi – voimme hyödyntää sitä keräämään dataa vierailijoilta. Minun on sanottava, että ennen tämän toteuttamista on tärkeää konsultoida henkilötietolakeja, kuten GDPR, koska tämä lähestymistapa ei välttämättä toimi jokaisessa maassa. Mutta niissä jurisdiktiioissa, joissa se on sallittua, tämä voi olla vaivaton tapa kerätä tarvittava tieto ja pyytää tekoälyn apua analysoimaan ja prosessoida sitä.

Jos olet ihmettelevä, tämä henkilökohtainen uskollisuusohjelma on se, mitä Starbucks teki, suurella menestyksellä. Starbucksin palkkio-ohjelma meni niin pitkälle, että se tarjosi henkilökohtaisia kannustimia aina, kun asiakas vieraili heidän suosikkisijainnissaan tai tilasi heidän suosikkijuomansa.

3. Määrittele hypoteesi

On tilanteita, joissa voit tuntea epävarmuutta siitä, mitkä prosessit voidaan tai tarvitaan optimoida tekoälyllä.

Jos tämä on tapauksesi, voit aloittaa jakamalla koko prosessin vaiheisiin ja tunnistamalla ne vaiheet, joissa koet liiketoimintasi olevan heikkoa. Mitkä alueet ovat niitä, joille käytät liikaa rahaa? Mikä kestää tavallista kauemmin? Vastatessasi näihin kysymyksiin, voit tunnistaa kriittiset parantamisen alueet ja päättää, voitko tekoäly auttaa.

Kuten löydät, on tilanteita, joissa perinteiset ratkaisut voivat olla tehokkaampia. Jos kamppailet sen kanssa, mitkä tuotetarjoukset esittää asiakkaillesi, suositukset perustuvat useimmiten suosituimpiin tuotteisiin markkinapaikan suosittelujärjestelmissä kuin yritykset ennustaa käyttäjän käyttäytymistä. Siksi kokeile sitä ensin. Kun sinulla on tulos – olkoon se positiivinen tai negatiivinen – voit muodostaa hypoteesin tekoälyn testaamiseksi. Muuten toiminta-alue on liian epämääräinen, ja voit lopulta haaskata aikaa ja rahaa.

4. Hyödynnä olemassa olevia ratkaisuja

Monet yritykset pyrkivät suunnittelemaan omat koneoppimisalgoritminsä heti. Mutta jos et suunnittele kouluttavasi niitä suurilla datasarjoilla pitkän ajan kuluessa, älä tee sitä. Se on erittäin kallista ja aikaa vievää.

Sen sijaan suosittelen, että keskityt olemassa oleviin ratkaisuihin. Yritykset kuten Amazon, Google, Microsoft ja monet muut tarjoavat tekoälypohjaisia työkaluja, jotka voivat auttaa sinua saavuttamaan monia tavoitteita. Sitten voit vähitellen allekirjoittaa sopimuksen yhden heidän kanssaan ja palkata sisäisen kehittäjän taitavasti konfiguroimaan tarvittavat API-pyyntöjä.

Perusidea on, että nämä työkalut voidaan integroida liiketoimintakehittäjien (ei ML-erikoistujien) toimesta, mikä mahdollistaa nopean testaamisen hypoteesistä, tuottavatko tekoälytyökalut odotetun vaikutuksen vai eivät. Jos se epäonnistuu, voimme yksinkertaisesti poistaa nämä työkalut, ja kokeilemisen kustannukset olisivat vain kehittäjän aika, jonka vietimme integroidessa työkaluja, ja määrä, jonka maksoimme työkalun käyttöön. Jos kehittäisimme mallin, käytimmekin ML-erikoistujan palkkaa kertaa aika, jonka hän vietti mallin kehittämisessä, lisäksi infrastruktuurikustannuksiin. Ja silloin ei ole selvää, mitä tehdä kehittäjälle ja mallille, jos lopulta odotettu vaikutus ei ole siellä.

Jos hypoteesimme osoittautuu todeksi, ja tekoälypohjainen työkalu tuo odotetun vaikutuksen, meillä on ilo ja tulemme uudesta hypoteesista. Tulevaisuudessa, jos ennustamme, että työkalun kustannukset kasvavat merkittävästi, voimme ajatella kehittääväsi tämän mallin itse ja siten vähentää kustannuksia vielä enemmän. Mutta meidän on ensin arvioitava, onko kehittämiskustannus todella vähemmän kuin mitä maksamme työkalun käytöstä toisesta yrityksestä, joka erikoistuu näiden työkalujen kehittämiseen.

Neuvoni on, että harkitset kehittäväsi oman koneoppimistuotteen vasta kun olet saavuttanut hyvät tulokset käyttämällä tekoälyä edellä mainituilla työkaluilla ja kun olet varma, että tekoäly on oikea tapa ratkaista ongelmasi pitkällä aikavälillä. Muuten tekoälyprojektisi ei toisi arvoa, jonka etsit, ja kuten äskettäinen Harvard Business Review -artikkeli sanoi, tekoälyn hype vain häikäisee sinua tehtävistäsi, jotka eivät tarvitse tekoälyä.

5. Konsultoi tekoälyasiantuntijoita

Samalla tavoin toinen yleinen virhe, jonka perustajat ja liiketoiminnan omistajat tekevät, on se, että he yrittävät tehdä kaiken itse. He palkkaavat tekoälypäällikön tai tutkijan ja sitten muita ihmisiä muodostamaan tiimin, joka voi luoda uraauurtavan tuotteen. Mutta tuo teknologia on turha yrityksesi tarkoitukselle, jos et ole määritellyt oikein tekoälyn toteutusstrategiaa. On myös tapaus, jossa he palkkaavat junior-ML-insinöörin säästääkseen rahaa verrattuna kokeneemman asiantuntijan palkkaamiseen. Tämä on myös vaarallista, koska kokematon henkilö ei välttämättä tiedä ML-järjestelmän kehittämisen ja suunnittelun hienouksia ja voi tehdä “tulokasvirheitä”, joista yritykselle on maksettava liian korkea hinta, lähes aina ylittäen kokeneemman asiantuntijan palkkaamisen hinnan.

Siksi suosittelen, että palkkaat ensin yhden tekoälyasiantuntijan, kuten konsultin, joka opastaa sinua matkalla ja arvioi tekoälysi omaksumisprosessia. Käytä heidän asiantuntemustaan varmistaaksesi, että ongelma, jota työskentelet, vaatii tekoälyä, ja että teknologia voidaan skaalata tehokkaasti osoittamaan hypoteesisi.

Jos olet varhaisen vaiheen startup, ja olet huolissasi rahoituksesta, hakuna tässä on ottaa yhteyttä tekoälyinsinööriin LinkedInissä tiettyihin kysymyksiin. Usko tai älä, monet ML- ja tekoälyasiantuntijat rakastavat auttaa, sekä siksi, että he ovat todella kiinnostuneita aiheesta, ja siksi, että jos he onnistuvat auttamaan sinua, he voivat käyttää sitä myönteisenä tapaustutkimuksena konsultointiportfoliolleen.

Loppukommentit

Kaiken tekoälyä ympäröivän hypen vuoksi on luonnollista, että sinä saatat olla innostunut sisällyttämään sitä liiketoimintaasi ja kehittämään tekoälypohjaista ratkaisua, joka vie sinut seuraavalle tasolle. Mutta sinun on muistettava, että se, että kaikki puhuvat tekoälystä, tarkoittaa, että liiketoimintasi tarvitsee tekoälyä. Monet yritykset valitettavasti kiirehtivät tekoälyn integroimiseen ilman selkeää tavoitetta mielessään ja lopulta haaskaa valtavia määriä rahaa ja aikaa. Joidenkin tapauksissa, erityisesti varhaisen vaiheen yrityksille, tämä voi tarkoittaa heidän tuhoaan. Määrittelemällä ongelman, keräämällä relevantin datan, testaamalla hypoteesia ja käyttämällä olemassa olevia työkaluja asiantuntijan avulla, voit integroida tekoälyä ilman, että tyhjennät yrityksesi taloudellisia resursseja. Sitten, jos ratkaisu toimii, voit vähitellen skaalata ja sisällyttää tekoälyä niissä alueissa, joissa se lisää yrityksesi tehokkuutta tai tuottavuutta.