Tekoäly ei korjaa huonoa maaperää: miten yritykset voivat valmistaa sisäisen ekosysteeminsä menestyksekkääseen tekoälykäyttöön

Vaikka liiketoimintajohtajat usein stereotyyppisesti ajatellaan olevan vain voittoa tavoittelevia, viimeaikainen tutkimus on osoittanut, että yli 80 %:ssa yrityksistä ei seurata tekoälymenojen tuottoa. Vastoin sitä, ne yritykset, jotka seuraavat tekoälymenojen tuottoa, havaitsevat, ettei se vastaa odotuksia, ja vain neljännes maailmanlaajuisista toimitusjohtajista raportoi, että heidän tekoälysijoituksensa täyttävät tuottotavoitteet.

Mutta kuten sanonta kuuluu, “huono puuseppä syyttää työkalujaan” – toisin sanoen, monille tekoälymenot eivät ole kannattavia, koska tekoälyjärjestelmien käyttöönotto on järjestetty epäonnistumaan. Jos tarkastelemme liiketoimintaa puutarhana, jotta tuottavuus ja voitot voisivat kasvaa, on tehtävä tiettyjä asioita ennen tekoälyjärjestelmän käyttöönottoa, jotta se voisi olla vaikuttavampi.

Askelt 1: Tunista, missä ihmiset ovat välttämättömiä

Todennäköisesti johtuen suurten markkinointiväittämien aiheuttamasta harhasta tekoälytuotteiden markkinoinnissa, on yleinen väärinkäsitys, että tekoäly on valmiiksi toimiva järjestelmä. Todellisuudessa parhaat tekoälyjärjestelmät aloittavat ihmisen valvontaan tarpeen tunnistamisella.

Esimerkiksi, kun työskentelin oikeudellisten palvelujen yrityksessä, minun tiimini ja minä olimme tehtävänä toteuttaa tekoälyjärjestelmä, joka pystyi käsittelemään suuria määriä oikeudellisia asiakirjoja – luokittelemalla ne, poistamalla tärkeitä tietoja ja päättämällä, säilytetäänkö, poistetaanko vai redaktoidaanko ne.

Vaikka tekoäly hoiti raskaan työn skannaten asiakirjoja merkityksellisyyden perusteella, merkitsemällä arkaluontoisia tietoja ja tiivistämällä vastauksia, tulokset siirrettiin sitten ihmisille, jotka voivat tarkastella työtä, vahvistaa oikeudelliset päätökset ja muuttaa luokituksia tarpeen mukaan.

Tämä auttoi suojelemaan yritystä mahdollisilta riskeiltä ja erottamaan automaation kustannukset valvonnan kustannuksista, mikä tekee myös puhtaamman tuottotarkastelun myöhemmin.

Askelt 2: Määritä, miten tekoäly voi parhaiten tukea henkilöstöäsi

Tekoälymenojen tuoton maksimoimiseksi on oltava valikoiva siinä, mihin tekoälyä voidaan parhaiten käyttää organisaatiossasi. Ihanneprosessit, joita voidaan siirtää tekoälylle, ovat toistuvat tai sääntöperusteiset tehtävät (esim. perusasiakaspalvelun triage tai laskujen koodaus), tietopohjaiset hakemistot kuten sopimusehdot, ja virheherkät tietojen syötöt, muun muassa.

On myös tärkeää, että tekoälymallit on määriteltävä strategisesti työnkulun täydentämiseksi, ei sen häiritsemiseksi. Tämä voidaan tehdä kartoittamalla työntekijöiden työnkulku tehtäviksi ja merkitsemällä ne yhteen kolmesta prosessiluokasta: generoivat, valitsevat tai arvioivat. Generoivat tehtävät voidaan antaa tekoälylle, tehtävät, jotka vaativat arviointia, pysyvät ihmisillä, ja tehtävät, jotka vaativat valintaa, voidaan tehdä yhteistyössä, jossa tekoäly ehdottaa seuraavia askelia ja ihmiset päättävät parhaan eteenpäinjohtavan polun.

Edellä mainitussa oikeudellisen palvelun esimerkissä tekoäly käsitteli aluksi asiakirjojen luokittelua (generoiva), merkitti arkaluontoisia tietoja (generoiva) ja toi esiin todennäköisiä vastauksia (valikoiva). Tällä tavoin ihmisten rooli muuttui asiakirjojen yksityiskohtaisten yksityiskohtien etsimisestä tulosten vahvistamiseen (arviointi) – muuttaen työn, joka aiemmin kesti päiviä, muutamaksi tunniksi.

Tämä vapauttaa myös enemmän aikaa poikkeusten käsittelyyn, jossa voitot piilevät.

Askelt 3: Standardisoi koulutusdatasi

Suurten kielen mallien hienosäätö yrityksesi datalla voi avata kilpailuetuja, mutta tekoälyn onnistumiseksi se tarvitsee ravinnerikasta maaperää, eli hyvää, puhdasta dataa. Huono tai meluisa data myrkyttää tulokset ja vahvistaa harhaa. Lyhyesti sanottuna, datan kurinpidon määrää tulosten luotettavuus.

Mitä tämä tarkoittaa? Suuren datamäärän ja -monimuotoisuuden on tärkeää, mutta se on yhtä tärkeää, että se on laadukasta. Epäjohdonmukaisuudet datamuotojen ja nimeämiskäytäntöjen välillä tai puuttuvat / epätäydelliset kentät vaikuttavat negatiivisesti raaka-aineiden laatuun. Samoin, duplikaatti- tai epäjärjestelmälliset datavirrat paksuntavat tallennuslaskuja ja hidastavat mallin suorituskykyä.

On siis olennaista, että datasyötteillä on laadunvalvonta ja vahva hallinto – tarkoittaen pääsykontrollia ja sääntelyn mukaista noudattamista. Ilman näitä suodattimia et tee tekoälyyn sijoitusta, vaan poltat vain rahaa puhdistuskiertojen parissa.

Kaiken tekoälyhypeen keskellä on ymmärrettävää, että johtajat saattavat tuntea painetta ryhtyä toteuttamaan sitä mahdollisimman nopeasti, mutta ottaa aikaa tekoälymallin strategiseen käyttöönottoon tai lannoittaa maata ennen siementen istutusta, jotta se johtaisi paljon suurempaan menestykseen ja sijoitusten tuottoon.