Viisi syytä, miksi tekoälyalgoritmit voivat olla haasteellisia toteuttaa operatiivisessa johtamisessa

Evgeniya Malinan, Food Rocketin liiketoimintastrategian ja operaatioiden johtajan, kirjoittama

McKinsey Global Instituten viimeaikaisen tutkimuksen mukaan tekoäly on valmis lisämään maailmanlaajuista talouskasvua $13 biljoonalla vuoteen 2030 mennessä.

Tämä kuitenkin tulee omien haasteidensa ja tahattomien seurausten kanssa. Joitakin yleisimmin tunnistettuja riskejä ja haasteita tekoälyn toteuttamisessa ovat tietosuojan huolenaihe, kyvyttömyys yleistää ja yleinen luottamuksen puute.

Alla on kolme tekoälyyn liittyvää haastetta, jotka vaikuttavat erityisesti liiketoiminnan operatiiviseen johtamiseen.

1. Heikko datan laatu

Luotettavan tekoälyalgoritmin ensimmäinen vaatimus on data. Algoritmin kouluttamiseen on tarjottava valtavat määrät tarkkaa, korkealaatuista dataa. Valitettavasti tällaista dataa ei aina ole helppo hankkia, ja Gartnerin 2020 raportin mukaan heikko datan laatu voi maksaa yrityksellesi noin 13 miljoonaa dollaria joka vuosi.

Esimerkiksi joitakin prosesseja ei voi olla lainkaan digitaalista jälkeä, kun aloitat. Tällaisissa tapauksissa sinulla ei ole dataa, jonka voit syöttää algoritmiin. Kaikki, mitä annat, on vain hypoteeseja ja koulutettuja arvauksia, mikä aiheuttaa kaksi ongelmaa.

Ensinnäkin tämä tuo merkittävän inhimillisen vieskeen prosessiin alusta alkaen. Toiseksi se tarkoittaa, että algoritmin tulokset ovat vain parhaiden arvaustesi laajennus. Lopulta tämä jättää sinut epämääräiseen datamaastoon ja epäluotettavaan, epävakaaan päätöksentekoprosessiin.

2. “Kylmän käynnistymisen” ja työntekijöiden sitoutumisen navigointi

Automaatio on erinomaista prosessien sujuvoittamiseen, mutta vastineena on “kylmä käynnistyminen”. Tämä on tilanne, jossa on aloitettava prosessi ilman historiallista dataa, johon tekoäly voi perustaa toimintansa. Jokaisessa tapauksessa tekoäly kamppailee tämän esteen ylittämiseksi.

Harvard Business Reviewin mukaan 80 prosenttia tai enemmän IT-tiimin ajasta kuluu usein epäjohdonmukaisen datan parantamiseen tekoälyalgoritmeja varten

Usein vaaditaan merkittävä inhimillinen ponnistelu auttaaksesi tekoälyä ylittämään tämän “kylmän käynnistymisen” esteen ja jatkamaan sileää toimintaa.

Omassa kokemuksessani se voi aiheuttaa vakavia häiriöitä toimitusketjun hallinnassa, ja se voi maksaa yrityksille merkittäviä tuloja. Kaikki tietävät, ettei tekoäly ole kehittynyt tarpeeksi käsittelyyn kaikkia operatiivisen johtamisjärjestelmän osia. Tämä tarkoittaa, että mikä tahansa tekoälyratkaisu, jonka yrityksesi käyttää, leikkaa inhimillisten päätöksentekoprosessien kanssa.

Vaikka tämä voi olla hyvä asia, se voi myös johtaa työntekijöiden henkilökohtaisen vastuun vähenemiseen. Joissakin tapauksissa työntekijät voivat tuntea, että he voivat erottautua päätöksestä, koska “tekoäly teki sen”.

Lisäksi on yleistä, että uuden algoritmin käyttöönotto yhdistyy merkittävään laadun laskuun. Omassa kokemuksessani tämä paradoksi on seurausta siitä, että henkilö, joka oli aiemmin vastuussa laadusta, tuntuu olevan vain merkityksettömässä osassa automaattisessa päätöksenteossa.

On tärkeää hallita tätä automaation näkökulmaa, koska se voi helposti johtaa tiimisi epäilyyn ja vähentyneeseen sitoutumiseen. Se voi myös vahingoittaa brändiäsi. Jos tekoäly jätetään yksin tekemään päätöksiä, se voi tahattomasti alkaa syrjiä asiakkaita tietyissä ikä-, sukupuoli- tai maantieteellisissä ryhmissä.

3. Haasteet läpinäkyvyyden ja tehokkaan toteuttamisen kanssa

Kuten jokainen yritysjohtaja tietää, asiat voivat muuttua yhdessä yössä. Yrityksillä ei aina ole aikaa rakentaa monimutkaisia tekoälyratkaisuja uusille operaatioille.

Itse asiassa on paljon yleisempää, että yritykset ovat aikapaineessa ja joutuvat ratkaisemaan ongelman ilman automaation apua, koska uuden prosessin luominen kestää liian kauan. Koska yleensä ei ole aikaa kirjoittaa monimutkaisia malleja, tapahtuu yksi kahdesta asiasta.

Ensinnäkin yritys voi päättää toteuttaa lähes valmiin prosessin, mutta lisätä manuaalisen välimuodon, kunnes prosessi voidaan jalostaa. Tässä tapauksessa yritykset menettävät jopa 80 prosenttia prosessin laskettua tehokkuutta.

Vaihtoehtoisesti yritys voi ottaa käyttöön SaaS:n nopeuttaaksesi toteutusprosessia. Vaikka aika- ja rahakustannukset ovat alempia, tehokkuuden menetys pysyy. Tässä tapauksessa SaaS-algoritmien käyttöönotto, jotka eivät ole sovellettavissa yrityksen tarpeisiin, voi tehdä prosessista vähemmän tehokkaan kuin jos se tehtäisiin manuaalisesti.

Näiden ongelmien lisäksi on tärkeää ymmärtää, että tekoälyprosessin läpinäkyvyys on erittäin vaikea kommunikoida johtamiselle, jopa asiantuntijoille. Tämä johtuu algoritmien monimutkaisuudesta, mutta se voi tehdä tiimistäsi tunteen epäröivän siirtymisestä automaattiseen operatiiviseen johtamiseen.

Mihin suuntaan mennään?

Jotkut tutkijat ehdottavat, että nykyiset haasteet johtavat uusiin rooleihin yrityksissä: kouluttajat, selittäjät ja ylläpitäjät.

Kouluttajat auttavat tekoälyn suorituskyvyn optimoimisessa; selittäjät ovat vastuussa tekoälyn päätösten selittämisestä ei-ammatikiville, ja ylläpitäjät työskentelevät tekoälyprosessien kestävyyden varmistamiseksi pitkällä aikavälillä.

Kuitenkin siihen asti yritysten ja perustajien on otettava huomioon enemmän kuin vain kilpailuetu, jonka tekoäly voi antaa. Etu on punnittava epävarmuuden, aikakustannusten ja kasvuhaittojen vastaan, jotka liittyvät operatiiviseen tekoälyyn.

Tekoälyllä on edelleen pitkä tie edessään kasvun, kehityksen ja toteuttamisen suhteen. Se voi ilman väliä tehdä suuren eron operatiivisessa johtamisessa, mutta emme voi vielä täysin luottaa siihen, että se on aina paras vaihtoehto.