Rakennan tekoälyjärjestelmiä ammatikseni. Tässä on, mitä useimmat ihmiset väärin ymmärtävät

Rakennan tekoälyjärjestelmiä yritysten asiakaspalvelukeskuksiin.

En esittelyjä, vertailuja tai tutkimushankkeita. Tuotantojärjestelmiä, jotka vuorovaikuttavat asiakkaiden kanssa, navigoivat käytännön sääntöjä, noutavat tietoa erillisten yritysjärjestelmien tietokannoista ja toimivat ympäristöissä, jotka muotoillaan epäjohdonmukaisilla tietokannoilla, ristiriitaisilla tietokannoilla, vanhentuneilla prosesseilla, erillään olevilla sovelluksilla ja reunatapauksilla, jotka ovat kertyneet vuosikymmenien ajan. Asiakkaat kysyvät epämääräisiä kysymyksiä. Käytännön säännöt muuttuvat. Tiedon laatu vaihtelee. Inhimillinen käyttäytyminen säilyy ihmeellisesti arvaamattomana.

Tämä kokemus on antanut minulle eturivin paikan yhteen suurimman tekoälyteollisuuden eroon. Julkinen keskustelu tekoälystä on usein hallinnut sitä, mitä teknologia voi tulla olemaan jonain päivänä, kun taas organisaatiot yrittävät selvittää, miten sitä voidaan käyttää menestyksekkäästi tänään. Nämä ovat erilaisia keskusteluja.

Kysymykset, joihin viettää aikaa vastaamalla, eivät yleensä liity tekoälyyn tai siihen, korvaavatko koneet lopulta ihmiset. Ne ovat paljon käytännöllisempiä. Voiko järjestelmä tulkita johdonmukaisesti asiakkaiden pyynnöt? Voiko se noutaa tarkat tiedot useiden yritysjärjestelmien tietokannoista? Voiko se toipua, kun tietoja on puutteellisesti? Voiko se siirtää asian eteenpäin oikein, kun luottamus on alhainen? Voivatko tiimit luottaa siihen tarpeeksi käyttääkseen sitä laajamittaisesti?

Nämä kysymykset saattavat olla vähemmän jännittäviä kuin otsikot, mutta ne ovat ne, jotka määräävät, onnistuuko yritysten tekoäly. Ajan myötä olen alkanut uskoa, että useimmat organisaatiot yliarvioivat mallin itsensä merkitystä ja aliarvioivat kaikkea, mitä tarvitaan tehdäkseen mallista hyödyllisen todellisessa liiketoiminnassa.

Esittely ei ole käyttöönotto

Kuka tahansa, joka työskentelee läheisesti yritysten tekoälyjärjestelmien parissa, ymmärtää eron hallitun esittelyn ja tuotantokäyttöönoton välillä.

Kohtaamme esimerkkejä tästä jatkuvasti. Yksi tekoälyjärjestelmä, jota olemme työskennellyt, kamppailee noin puolen ajan pystymättä tulkimaan oikein puhuttua 16-numeroista tilaustunnusta, joka on muunnettu sanoiksi. Nämä kaltaiset virheet ovat samankaltaisia kuin kuuluisa “montako r:ää on sanassa mansikka?” -ongelma, jossa edistyneet kielimallit kamppailivat tehtävän kanssa, joka näytti ihmisille triviaalilta. Samat mallit voivat saada poikkeuksellisen hyvän arvosanan tutkinnossa, kuten MCAT:ssa. Tämä kontrasti paljastaa jotain tärkeää: vertailu suorituskyvystä ja toiminnallinen luotettavuus eivät ole sama asia.

Kun tekoäly siirtyy tuotantoon, se perii kaiken ympäröivän ympäristön monimutkaisuuden. Yritysjärjestelmät sisältävät epätäydellisiä tietokantoja, ristiriitaisia tietoja, vanhentuneita prosesseja, erillään olevia sovelluksia ja reunatapauksia, jotka ovat kertyneet vuosikymmenien ajan. Asiakkaat kysyvät epämääräisiä kysymyksiä. Käytännön säännöt muuttuvat. Tiedon laatu vaihtelee. Inhimillinen käyttäytyminen säilyy ihmeellisesti arvaamattomana.

Nämä todellisuudet muotoilla tuloksia paljon enemmän kuin vertailu suorituskyvystä, koska tekoäly ei toimi vertailussa. Se toimii liiketoimintaprosesseissa, järjestelmissä ja työnkulkujen mukaisesti, jotka tuottavat monimutkaisuutta, jonka malli ei voi ratkaista yksin.

Yritysten tekoälyllä on toiminnallinen kerros

Yksi opetus, joka yllättää usein ihmisiä, on se, kuinka nopeasti mallin suorituskyky loppuu olevan rajoittava tekijä. Kun järjestelmä saavuttaa tuotannon, toiminnalliset haasteet usein tulevat tärkeämmiksi kuin malli itsessään. Onnistuneet tekoälyaloitteen riippuvat prosessin suunnittelusta, organisaatioiden linnakkeista, tiedon laadusta, järjestelmien integroinnista, havainnollistamisesta, siirtymisteistä, hallinnosta ja luottamuksesta.

Tiimien on oltava selkeät menettelytavat vikojen käsittelyyn. Heidän on oltava näkyvyyttä siihen, miten järjestelmät tekevät päätöksiä. Heidän on oltava varmuutta, että ongelmia voidaan tunnistaa ja ratkaista ennen kuin ne vaikuttavat asiakkaisiin. Organisaatiot usein havaitsevat, että työ tekoälyjärjestelmän ympärillä vaatii yhtä paljon huomiota kuin tekoälyjärjestelmä itsessään.

Se toiminnallinen kerros on siellä, missä moni käyttöönotto lopulta onnistuu tai kamppailee.

Asiakaspalvelu on yksi vaikeimmista ongelmista

Asiakaskokemus tarjoaa yhden selkeimmistä esimerkeistä tästä monimutkaisuudesta.

Yksinkertaiset vuorovaikutukset ovat tulleet hallitaviksi tekoälyjärjestelmille. Tarkistaa tilin saldo. Palauttaa salasanan. Tarkistaa lentojen tila. Nämä ovat hyvin jäsenneltyjä tehtäviä, joilla on ennustettavissa olevat tulokset.

Oikeat asiakasvuorovaikutukset harvoin pysyvät yksinkertaisina.

Asiakas, joka yrittää ratkaista lentoyhtiön ongelman, joka liittyy lojaliteettipisteisiin, kumppanilentojen korvausriitoihin, poikkeuspolitiikkaan ja useisiin aiempiin vuorovaikutuksiin, esittää erilaisen haasteen. Asiakirjat ovat sirpaleisia. Tavoitteet saattavat olla epäselvät. Käytännön säännöt voivat olla ristiriidassa. Tunteet usein tulevat keskusteluun.

Nämä vuorovaikutukset edustavat edelleen merkittävää osaa asiakaspalvelutyöstä, ja ne vaativat päättelyä järjestelmien, prosessien ja liiketoimintasääntöjen yli tavalla, joka on edelleen haasteellista tekoälylle. Edistys on ollut merkittävää. Monimutkaisuus säilyy todellisena.

Yritysten tiedot ovat vihdoin muuttumassa käytettäviksi

Yksi alue, jossa näen merkittävää muutosta tapahtuvan tänään, liittyy yritysten tietoihin.

Useimmat organisaatiot ovat viettäneet vuosia keräämällä tietoa kymmenistä tai sadoista erillään olevista järjestelmistä. Arvokasta tietoa on olemassa, mutta sen sijainti ja käyttäminen on usein ollut vaikeaa. Tekoäly tekee tästä tiedosta enemmän saatavilla.

Organisaatiot ovat aloittaneet tiedon yhdistämisen järjestelmien yli, tuottavat relevantin asiakirjan tehokkaammin ja auttavat työntekijöitä navigoimaan tietoa, joka oli aiemmin hajallaan useissa sovelluksissa ja tietokannoissa. Tämä kyky tehdä yritysten tietoja toimivaksi saattaa osoittautua muutoksellisemmaksi kuin monet otsikoiden hallitsevat tekoälyesittelyt, jotka hallitsevat julkista keskustelua.

Seuraava haaste: tekoäly toimii tekoälyn kanssa

Seuraava aallon innovaatio todennäköisesti liittyy useiden tekoälyjärjestelmien yhteistyöhön.

Organisaatiot ovat jo kokeilemassa työnkulkua, jossa agentit jakavat tietoa, koordinoivat tehtäviä ja osallistuvat laajempiin liiketoimintaprosesseihin. Tämä luo uusia haasteita vastuusta, luottamuksesta, siirtymisteistä, viestinnästä ja hallinnosta.

Ihmiset ovat kehittäneet implisiittisiä yhteistyön taitoja vuosisatojen ajan. Ymmärrämme, miten pyytää apua, viestittää epävarmuutta, siirtää riskejä ja toipua virheistä. Rakentaminen näitä käyttäytymismalleja tekoälyjärjestelmiin on paljon uudempaa tieteenalaa.

Suuri osa seuraavasta luvusta yritysten tekoälystä tulee liittymään opettamiseen järjestelmille, miten toimia tehokkaasti toistensa rinnalla pysyen samalla linjassa organisaatioiden tavoitteiden kanssa.

Mikä yritysten tekoäly vaatii todella

Vuosien ajan rakennettuani ja käyttöönottoani tekoälyjärjestelmiä olen vakuuttunut, että organisaatiot viettävät liian paljon aikaa arvioimalla mallin älykkyyttä eivätkä tarpeeksi aikaa valmistelussa ympäristöä sen ympärillä.

Älykkyys, jonka nämä mallit osoittavat, voi olla hämmästyttävää. Jokainen vuosi heistä tulee kykyisemmäksi, hyödyllisemmäksi ja monipuolisemmaksi. Onnistuneet käyttöönotot riippuvat kuitenkin perusteista: luotettavista tiedoista, hyvin suunnitelluista prosesseista, tarkoituksenmukaisesta hallinnosta, selkeästä vastuusta ja ihmisistä, jotka ymmärtävät, miten uuden teknologian integrointi vanhaan toimintaan.

Organisaatiot, jotka näkevät suurimman arvon tekoälystä, kiinnittävät huomiota niihin perusteisiin. Koska älykkyys yksin ei luo muutosta.

Muutos tapahtuu, kun teknologia, tieto, prosessit ja ihmiset työskentelevät yhdessä tuottaakseen parempia tuloksia.