Tekoäly kohtaa analytiikka-insinöörit: Tekoälyn kypsyys prosessien kehittämisessä

Kaikenlaiset yritykset ja eri alojen asiantuntijat haluavat päästä mukaan tekoälyn maailmaan, ja tämä koskee myös analytiikka-insinöörejä. Mahdollisuudet ovat todellisia ja jännittäviä, mutta organisaatioiden, jotka haluavat hyödyntää niitä, tulisi ottaa huomioon tekoälyn kypsyys ja toteuttaa prosessirakenteensa ajatuksella ja realistisesti. Tutustumme siihen, miten.

Tekoälyn kypsyystasot

Kun kuvailet tekoälyn monimutkaisuutta, tekoälyn kypsyystasot ovat hyödyllisiä yksinkertaisena ja selventävänä viitekehyksenä.

Taso 1: Avustava äly (Automaatio): Perusautomaatio toistuvista tehtävistä ja työnkulkujen automaatio. Esimerkkejä: chatbotit, jotka vastaavat ennalta määritetyillä vastauksilla, verkkosivujen tarkastusvälineet, sisäiset hakutyökalut.

Taso 2: Laajentava äly (Ohjattu analyysi): Kerrot tekoälylle menetelmän/mallin ja mitä analyysia tehdä, ja se tekee loput. Esimerkkejä: mainosalan algoritmit, sisällön tiivistäjät.

Taso 3: Autonominen äly (Itseoppiva tekoäly): Tekoäly valitsee menetelmät, löytää mallit ja antaa suosituksia. Esimerkkejä: itseohjautuvat autot, itsenäiset osakekaupan robotit.

Paine “tekoälylle”

Tietysti nykyään on paljon painetta olla “tasolla 3”. Mutta se riippuu ennen kaikkea yrityksesi resursseista, varoista, ydinominaisuuksista, tietämyksestä ja henkilöstöstä. Paras lähestymistapa on aloittaa siitä, missä se on järkevintä, vaikka se olisi tasolla 1.

Tällä hetkellä on miljoonia artikkeleita verkossa, jotka tulvivat ideoilla tekoälystä. Mutta ideat eivät tuota tulosta. Adobeen mukaan vain 12% yrityksistä on jo toimivaa tekoälyratkaisuja, joista voidaan osoittaa selkeä tuotto. Useimmat näistä ovat edelleen kokeiluvaiheessa, arvioivat tehokkuutta tai kohtaavat haasteita tekoälyhankkeiden laajentamisessa. Monet tiimit kamppailevat siinä, mistä tekoälyä voidaan mielekkäästi integroida työnkulkuihin, ja vaikka käyttötapa on tunnistettu, monilla organisaatioilla ei ole sisäisiä valmiuksia kehittää mukautettuja tekoälytyökaluja tai löytää luotettavia ulkoisia ratkaisuja.

Pidetään kiinni realistisista sovelluksista. On olemassa hyviä keinoja kehittää asteittaista tekoälyn käyttöä realistisiksi työn osiksi johtajille, jotka ovat valmiit kasvamaan vastuullisesti.

Mitä voidaan automatisoida, kun rakennetaan analytiikkaa ecommerce/SaaS-tuotteelle

Näkemykseni mukaan on kaksi yleistä prosessia onnistuneissa analytiikka-insinööritiimeissä, jotka ovat hyviä ehdokkaita tekoälyn kypsyystason kehittämiseen:

1. Tekoäly tietohallinnon ja perehdytyksen parantamiseen
2. Tekoäly laadunvarmistuksen ja auditoinnin automaatioon

1. Tekoäly tietohallinnon ja perehdytyksen parantamiseen

Dokumentaatio on avainväline monimutkaisten järjestelmien seuraamiseen. Prosessikehyksen mukaan SDR (Solution Design Reference) tarvitsee dokumentoida jokaisen viiden vaiheen. Se voisi näyttää tältä:

• Prosessi #1: Dokumentoimalla odotettuja tuloksia.
• Prosessi #2: Seuraamalla tärkeitä tietojen keräämisen tarinoita säännöllisesti.
• Prosessi #3: Merkitsemällä kolmannen osapuolen teknisten sidosryhmien tietovaatimukset.
• Prosessi #4: Yksityiskohtaisemmin kuvaamalla datan kerrosta kaikissa sovelluksissa ja pinnoissa.
• Prosessi #5: Kuvaamalla ja yksityiskohtaisemmin insinöörien arkkitehtuuriin liittyvää diagrammeja, hierarkioita ja vaatimuksia.

Nyt lisätään tähän tekoälyä.

Taso 1

Tasolla 1 voit aloittaa käyttämällä sisäisiä tekoälychatboteja dokumenttien hakemiseen.

Monet yritykset ovat jo sisäisiä chatboteja, jotka voidaan kouluttaa omiin asiakirjoihin. Jos sinulla ei ole sisäistä chatbottia, voit käyttää incognito-tilaa tai poistaa asiakirjojen salauksen ennen kuin syötät ne bottiin.

Syötä bottiin SDR:si, laadunvarmistusohjeet, nimeämiskäytännöt ja toteutusvaatimukset.

Onnistuneen julkaisun jälkeen syötä tekoälyprojektin muistiinpanot tai toteutussuunnitelmat asiakirjoihin. Sitten kysy tekoälyltä seuraavia kysymyksiä:

• “Mikä on paras tapa toteuttaa X, jos haluan käyttää samaa logiikkaa kuin Y?”
• “Mitä tietoja tarvitaan kerättäväksi ostoja seuraamaan?”
• “Mitä merkintöjä puuttuu tästä uudesta tuotesivusta?”

Tämän prosessin tuloksena vietät vähemmän aikaa asiakirjojen läpikäymiseen tai työkavereiden pingaamiseen, uudet tiimijäsenet voivat itse palvella vastauksia, ja heimoperinne muuttuu skaalautuvaksi.

Tässä on joitakin varoituksia. Tämä menetelmä toimii hyvin, jos teet hyvän työn asiakirjojen ylläpitämisessä, ja se muuttuu skaalautuvaksi vain, jos koulutat ja vaadit henkilöstösi käyttämään työkalua.

Taso 2

Jos tämä toimii osaltasi, harkitse ylittämistä tasolle 2 ja yhdistä chatbottisi suoraan teknologiaasi. Voit automatisoida automaation.

Taso 3

Olen varma, että taivas on rajana tässä. Suunta, jota seuraisin, olisi rakentaa proaktiivinen tekoäly, joka havaitsee epäjohdonmukaisuuksia ja tarjoaa parannusehdotuksia. Totuus on, että harvat yritykset ovat saavuttaneet tämän tason, ja kirjoitan tätä artikkelia meille, jotka olemme edelleen oppimassa perusteita.

2. Tekoäly laadunvarmistuksen ja auditoinnin automaatioon

Säännöllinen tietojen keräämismenetelmien tarkastus on yksi parhaista käytännöistä Prosessikehyksessä. Usein tarkastelija on joko laadunvarmistustiimi tai vaihtoehtoisesti tarkastusväline voidaan käyttää. Esimerkiksi ObservePoint on hyvin mukautettavissa oleva työkalu, joka mahdollistaa monimutkaisten tarkastusvirtojen luomisen. Vaikka robotti voidaan aina käyttää, voitaisiin aina käyttää enemmän tekoälyä, eikö?

Taso 1

Aloita teknisyyksien automatisoinnilla. Rakentaminen matkoja robotin tarkastusvälineissä kuten ObservePoint on usein teknistä ja vaatii paljon tukea. Automaatisoidaksesi joitakin toistuvia teknisiä tehtäviä tarkastusmatkojen aikana voit pyytää apua tekoälychatbottia. Kysy tekoälyltä seuraavia kysymyksiä:

“Anna minulle CSS-valitsin seuraavaan askelmerkkiin.”

“Kirjoita mukautettu koodi, joka automaattisesti valitsee kaikki evästeet.”

Tuloksena pitäisi olla helpompi käyttökokemus työskennellessäsi hyvin teknisillä työkaluilla, nopeampi vianetsintä ja vähemmän riippuvuutta tuesta ja eteenpäin kehittäjiltä.

Joitakin varoituksia tässä on, että jos et käytä robottia tietojen tarkastamiseen, voit käyttää laadunvarmistustiimiä. Laadunvarmistustiimi voi tutkia automaation yleisiä askelia. Aloita pienestä, lisää askelia valmiina; seuraavat askelit selviävät vasta, kun otat ensimmäisen askelen.

Taso 2

Tasolle 2 tekoälyn käytölle voit tutkia chatbottisi suoraa yhdistämistä työkaluun ilman manuaalista chatbottia.

Taso 3

Lopuksi, tasolle 3 tekoälyn käytölle taivas on jälleen rajana. Tutki, miten voit tehdä automaation proaktiivisemmaksi parannusten havaitsemisessa ja ratkaisujen suosittelussa. Mene tähän reittiin vain, jos tunnet olosi mukavaksi tasolla 2.

Mitä ei kannata automatisoida (vielä)

Harkitkaamme parasta käytäntöä #3: Yhteistyö kolmannen osapuolen teknisten sidosryhmien kanssa. Tämä on edelleen ihmisten vahvuuksia. Voit käyttää tekoälyä valmistautuaksesi toimittajien puheluihin, tiivistää sopimuksia tai luoda yhdistämisen tiivistelmiä. Mutta toistaiseksi suhteiden rakentaminen on edelleen ihmisten tehtävä.

Loppusanat

Vaikka etillä olisi budjettia mukautetun tekoälyn kehittämiseen, voit aloittaa työkaluilla, joita jo käytät. Hyvä prosessi ja hyvä chatbotti vievät pitkälle.

Aloita yksinkertaisesti, tasolla 1 tai 2, ja anna tiimisi tottua. Kun näet, miten tekoäly säästää aikaa ja lisää johdonmukaisuutta, tiedät, mihin panostaa edistyneempiin työkaluihin. Tekoälyn omaksumisen vaikein osa on usein selvittää, mihin sitä tarvitaan ensinnäkin. Kun olet perustanut tämän perustan, shed that baseline, try moving things up a level with your team, and see how much smoother AI-powered analytics engineering can be. Want to learn more about AI in analytics engineering, and more specifically, best processes for clean data collection? Check out my article about creating a Clean Ecommerce Data Framework.