5 Askelta Tekoälynhallintaan Ilman Rahan Menetystä

Tekoäly jatkaa kasvuaan, ja jos se jatkaa tunkeutumistaan jokaiseen alaan, se muuttaa täysin elämämme tapaa.

Tämän seurauksena monien perustajien tavoitteeksi on tullut 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 suuren suosion vuoksi.

Sanottuun, useimmille organisaatioille on suuri kuilu idean ja todellisuuden välillä, kun yritetään ottaa tekoäly käyttöön prosesseissaan, koska polku ei ole yhtä suoraviivainen kuin se näyttää, ja se voi olla hyvin kallista sekä pääomakulutuksissa että haaskatussa ajassa, koska kehitykset eivät tuota odotettuja tuloksia. Tämä on saattanut useat yritykset vaikeuksiin. Esimerkiksi CNET kokeili tekoälykirjoittamia artikkeleita, ja ne osoittautuivat täynnä virheitä. Muita yrityksiä, kuten iTutor Group, on saanut suuria sakkoja lisäksi julkisen pilkkan, heidän huonojen tekoälytoteutusten vuoksi.

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

Jos olet perustaja tai yritysjohtaja, tässä on opas, jossa on viisi askelta, joiden avulla voit ottaa tekoälyn käyttöön liiketoiminnassasi, kaiken aikaa käyttäen varovasti resursseja – rahaa ja aikaa, jotka lopulta ovat rahaa – ja vähentäen vakavien virheiden mahdollisuutta.

1. Ole selvillä ongelmasta, jonka yrität ratkaista

Mikään yritys ei ole immuuni tekoälyvirheille. Ja kuten Amazonin kivuliaasti kokemuksen kautta – sen epäonnistuneiden kassattomien myymälöiden Amazon Go – kaikilla yrityksillä ei ole tarvetta tekoälyyn.

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

Esimerkiksi yleinen tekoälyn sovellus on asiakastuki. Tekoälyn toteuttaminen tällaisessa tapauksessa on mahdollista tietyillä tuloksilla, esimerkiksi vähentämällä asiakaspalvelukeskuksen kustannuksia X summalla rahaa kuukaudessa tai nopeuttamalla keskimääräistä aikaa, joka kuluu asiakaskysymyksen ratkaisemiseen X minuutilla. Tällä lähestymistavalla meillä on mitattava osoittaja, joka on joko rahaa tai aikaa, jonka yritämme saavuttaa tekoälyn avulla ja nähdä, onko siinä vaikutusta.

Tämä voi tapahtua monin eri tavoilla. Esimerkiksi chat-robotin sijaan voimme kehittää tai ostaa palvelun, joka määrittää, voidaanko asiakkaan kysymyksen vastata usein kysyttyjen kysymysten sivulla. Se toimii 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 chat-robotin rakentaminen alusta alkaen. Jos tämä toteutus onnistuu, saavutamme tavoitteemme vähentämällä kustannuksia ja optimoimalla tekoälyyn liittyvät pääomakulutuksemme verrattuna chat-robotin kehittämiseen.

Tässä lähestymistavassa edelläkävijä oli Matten Law, Kaliforniassa sijaitseva asianajotoimisto, joka integroi tekoälypohjaisen avustajan automatisoimaan monia tehtäviä, mahdollistaen lakimiesten viettää enemmän aikaa asiakkaiden kuuntelemisessa ja tutkimisessa heidän tapauksensa merkittävimmistä osista. Tämä osoittaa, että jopa jäykimmät toimialat voivat olla mullistettavissa tekoälyllä tavalla, joka vahvistaa käyttäjäkokemusta lisäämällä ihmisten kosketusta siellä, missä se on eniten tarpeen.

Muita yleisiä ongelmia, joita voidaan ratkaista tekoälyn avulla, ovat data-analyysi ja räätälöityjen tarjousten luominen. Spotify on poikkeuksellinen esimerkki yrityksestä, joka hyödyntää menestyksekkäästi tekoälyä kehittääkseen älykkään musiikkisuosittelujärjestelmän, joka menee niin pitkälle kuin huomioon ottaa musiikin kuunteluaika.

Molemmissa edellä mainituissa tilanteissa tekoäly auttaa tarjoamaan paremman asiakaskokemuksen. Mutta syynä siihen, miksi nämä yritykset käyttivät tekoälyä menestyksekkäästi, oli se, että he olivat hyvin selkeästi määritelleet ne asiat, jotka olivat siirrettävä tekoälylle.

2. Päätä, mitä dataa tarvitset analyysin suorittamiseen

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

1. Ymmärrä, mitä dataa meidän on mahdollisesti tarpeen ottaa tekoälyyn.

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.

Esimerkiksi omistamme kahvilan, ja tarvitsemme dataa siitä, kuinka monta asiakasta sen käy. Voimme tehdä tämän toteuttamalla henkilökohtaiset lojaliteettikortit, joita asiakkaat esittävät ostoksilla. Tällä tavoin meillä on data, jota tarvitsemme, kuten asiakkaiden tiet, milloin he tulivat, mitä he ostivat ja määrän. Kun meillä on tämä data, voimme käyttää sitä tekoälyn toteuttamiseen. On kuitenkin tilanteita, joissa tämän datan kerääminen voi olla hyvin kallista. Ja silloin tekoäly voi tulla avuksi. Esimerkiksi, jos meillä on kamera asennettuna kahvilassamme – joka on ainakin turvallisuuden vuoksi – voimme hyödyntää sitä keräämään dataa vierailijoiltamme. On kuitenkin tärkeää konsultoida henkilökohtaisia tietosuojalakeja, kuten GDPR, ennen kuin toteutamme tämän lähestymistavan, koska se ei välttämättä toimi jokaisessa maassa. Mutta niissä oikeusalueissa, joissa se on sallittua, tämä voi olla vaivaton tapa kerätä tarvittava tieto ja pyytää tekoälyn apua analysoimaan ja prosessoida sitä.

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

3. Määrittele hypoteesi

On olemassa tilanteita, joissa voit olla epävarma siitä, mitkä prosessit voivat tai tarvitsevat tekoälyä.

Jos tämä on tapauksesi, voit aloittaa jakamalla koko prosessin vaiheisiin ja tunnistamalla ne vaiheet, joissa yrityksesi on heikko. Mitkä ovat ne alueet, joilla olet liian paljon rahaa? Mikä kestää liian kauan? Vastatessasi näihin kysymyksiin, voit kohdistaa kriittiset parannuksen alueet ja päättää, voiko tekoäly olla avuksi.

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

4. Hyödynnä olemassa olevia ratkaisuja

Monet yritykset pyrkivät suunnittelemaan omat koneoppimisalgoritminsa heti. Mutta jos et aio suorittaa niitä suurilla datamäärillä pitkän ajan kuluessa, älä tee sitä. Se on hyvin 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, joka osaa konfiguroida tarvittavat API-pyynnöt taitavasti.

Perusidea on, että nämä työkalut voidaan integroida liiketoimintakehittäjien (eikä ML-erikoisten) toimesta, mikä mahdollistaa nopean hypoteesin testaamisen siitä, tuottaako tekoäly odotetun vaikutuksen vai ei. Jos se epäonnistuu, voimme yksinkertaisesti poistaa nämä työkalut, ja kokeilemisen kustannuksemme olisivat ainoastaan kehittäjän aika, jonka olemme käyttäneet integroimiseen, ja määrä, jonka olemme maksaneet työkalun käytöstä. Jos kehittäisimme mallia, käyttaisimme ML-erikoisen palkkaa kertaa ajan määrä, jonka he kehittävät mallia, lisäksi infrastruktuurikustannuksia. Ja sitten ei ole selvää, mitä tehdä kehittäjälle ja mallille, jos lopulta odotettu vaikutus ei ole siinä.

Jos hypoteesimme on oikein, ja tekoälypohjainen työkalu tuottaa odotetun vaikutuksen, iloitsemme ja keksimme uuden hypoteesin. Tulevaisuudessa, jos ennustamme, että työkalun kustannukset kasvavat merkittävästi, voimme pohtia kehittääkö tämän mallin itse, ja näin vähentää kustannuksia vielä enemmän. Mutta meidän on ensin arvioitava, onko kehittämisen kustannus todella vähemmän kuin mitä maksamme työkalun käytöstä toisesta yrityksestä, joka on erikoistunut näiden työkalujen kehittämiseen.

Neuvoni on, että harkitset kehittääksesi oman koneoppimistuotteen vasta kun olet saavuttanut hyvät tulokset käyttämällä tekoälyä näillä työkaluilla ja kun olet varma, että tekoäly on oikea tapa ratkaista ongelmasi pitkällä aikavälillä. Muuten tekoälyprojektisi ei tuota arvoa, jonka etsit, ja kuten Harvard Business Reviewin viimeaikainen artikkeli sanoi, tekoälyn hype vain häikäisee sinua tehtävistäsi, jotka eivät tarvitse tekoälyä.

5. Konsultoi tekoälyasiantuntijoita

Samalla tavoin toinen yleinen virhe, jonka perustajat ja yritysjohtajat 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 yrityksesi tarkoitukselle turhaa, jos sinulla ei ole oikein määriteltyä 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 tekoälyjärjestelmien kehittämisen ja suunnittelun hienouksia ja voi tehdä “tulokkaan virheitä”, joista yritykselle on maksettava liian korkea hinta, lähes aina ylittäen kokeneen asiantuntijan palkkaamisen hinnan.

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

Jos olet varhaisen vaiheen startup, ja olet huolissasi rahoituksesta, hakka on ottaa yhteyttä tekoälyinsinööriin LinkedInissä tiettyjen kysymysten kanssa. 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 case-tutkimuksena konsultointiportfoliolleen.

Loppusanat

Kaiken tekoälyä ympäröivän hypeen vuoksi on normaalia, että olet innostunut integroimaan sen liiketoimintaasi ja kehittämään tekoälypohjaista ratkaisua, joka vie sinut seuraavalle tasolle. Mutta sinun on muistettava, että se, että kaikki puhuvat tekoälystä, tarkoittaa, että sinun liiketoimintasi tarvitsee tekoälyä. Monet yritykset, valitettavasti, kiirehtivät tekoälyn integroimista ilman selkeää tavoitetta ja lopulta haaskavat valtavat määrät 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 tekoälyn ilman, että tyhjennät yrityksesi taloudellisia resursseja. Sitten, jos ratkaisu toimii, voit vähitellen laajentaa ja ottaa tekoälyn käyttöön niissä alueissa, joissa se lisää yrityksesi tehokkuutta tai kannattavuutta.