Ajatusjohtajat
Onnistuneen tekoälypohjaisen yritysratkaisun suunnittelu, PoC ja tuotantoon vienti

Keskeiset kohdatVain 15 prosenttia yritysten tekoälyratkaisuista onnistuu vuoteen 2022 mennessä…
Näytä lisää
- Vain 15 prosenttia yritysten tekoälyratkaisuista onnistuu vuoteen 2022 mennessä odotusten epäsuhtaisuuden vuoksi.
- Suunnittelun on kohdistuttava vaikuttaviin ja vähäriskisiin alueisiin, joilla on jatkuvaa datan kasvua, kuten lainankäsittelyyn.
- Siirtyminen konseptitodistuksesta tuotantoon edellyttää modulaarista suunnittelua ja hype-vetoisien mallien, kuten GPT3:n, hallintaa.
Yritykset kiihdyttävät tekoälyohjelmiaan nopealla tahdilla. Algorithmian tutkimus osoitti, että 76 prosenttia CIO:ista priorisoi ja lisää IT-budjettiaan keskittyäkseen enemmän tekoäly- ja koneoppimisratkaisuihin. Organisaatiot tunnustavat myös datan merkityksen ja useimmat hyväksyvät sen, että 80 prosenttia yritysten datasta on luonteeltaan rakenteetonta.
Rakenteeton data tuotetaan ja kasvaa hälyttävää vauhtia yrityksen teknologiajärjestelmissä. Mittayksikkö on siirtynyt teratavuista petatavuihin. Tämän seurauksena IT-ammattilaiset, CDO:t ja CIO:t joutuvat kohtaamaan uusia haasteita tyydyttääkseen kasvavan kysynnän käyttökelpoisesta datasta ja päätöksentekoa tukevista havainnoista. Vaikka tekoälyn mahdollisuudet muuttaa minkä tahansa alan ovat valtavat, vain 15 prosenttia tekoälyratkaisuista, jotka otettiin käyttöön vuoden 2022 loppuun mennessä, ovat onnistuneita, ja vielä vähemmän niistä tuottaa positiivisen ROI:n.
Suurin ongelma on, että useimmat yritysten tekoälyratkaisut eivät näe päivänvaloa odotusten ja todellisuuden ristiriidan vuoksi. Ympäröivässä ympäristössä vallitsee edelleen tekoälyn mahdollisuuksien ympärillä olevia väärinkäsityksiä, ja hankkeet toteutetaan yhä hype-pohjaisilla malleilla. Useimmat tuotteet tai mallit ovat kaukana päivittäisen yritystoiminnan todellisesta todellisuudesta. Muita tekijöitä, jotka vaikuttavat matalampiin onnistumisprosentteihin, ovat muun muassa kustannusylitykset, puute tekoälykeskuksista (CoE), kokematon henkilöstö, datan saatavuuden puute ja vanhentuneet käytännöt, mainiten muutamia.
Suunnittelu valmistaa tien yritysten tekoälymenestykselle
Rakenteeton data on dataa, jolla ei ole ennalta määriteltyä datamallia ja se sisältää kaiken tekstin sisältävistä asiakirjoista ja verkkosivuista kuvien, videoiden, chatbottien, äänivirtojen ja sosiaalisen median viestien kautta. Rakenteettoman datan määrän lisääntyessä yritysrakenteessa on tärkeää, että on tehokas ja asteittainen suunnitelma, joka on linjassa kaikkien yrityksen sidosryhmien tavoitteiden kanssa. Tyypillisiä tavoitteita organisaatiotasolla voivat olla prosessiautomaatio, petosten havaitseminen, asiakaskokemuksen parantaminen, turvallisuuden parantaminen, myyntien lisääminen jne. Vaikka jotkut näistä tavoitteista voidaan saavuttaa melko tehokkaasti datan rakenteisen luonteen vuoksi, suunnittelu rakenteettoman datan ympärillä voi olla haasteellista.
Yleensä suunnittelu alkaa mahdollisuuksien tunnistamisella organisaation sisällä. Vaikka johtajatasolla voi olla suuri tekoälyvisio, on tärkeää tunnistaa alue, jolla on suuri vaikutus, matala riski ja jatkuva kasvu dataa. Hyvä esimerkki tällaisesta käyttötapauksesta olisi lainan käsittely pankki- ja rahoitusalan toiminnassa. Lainan alkuperäisestä käsittelystä lainan hoitoon on runsaasti manuaalisia prosesseja, joissa tietoja syötetään järjestelmiin toistuvasti. Lainahakemusten huolellinen arviointi vaatii suuren määrän asiakirjoja, mistä aiheutuu useita riskejä. Tekoälyä voidaan kuitenkin soveltaa useissa prosessin osissa, kuten asiakirjojen käsittelyssä ja petosten havaitsemisessa. Tämä on myös alue, jossa on jatkuva vuosittainen datan kasvu.
Muita kriittisiä vaiheita, jotka on otettava huomioon tässä suunnitteluvaiheessa, ovat mitattavien onnistumiskriteerien määrittely, yhtenäisen datastrategian laatiminen, jatkuva koulutus ja palaute sekä käyttäjäkokemuksen, skaalautuvuuden ja infrastruktuurin arviointi.
Mitattavien onnistumiskriteerien määrittely (ja kärryjen asettamisen välttäminen hevosen edelle!)
Google:n varhainen menestys voidaan usein liittää siihen, että yhtiö otti käyttöön Objective Key Results (OKR):t. Vaikka tämä lähestymistapa voidaan soveltaa mihin tahansa liiketoiminnan tai henkilökohtaisiin tavoitteisiin, sen soveltaminen tekoälystrategiaan voi tuottaa lupaavia tuloksia. Rakenteettoman datan kohdalla on kuitenkin kehittymässä oleva ongelma, jonka teollisuus yleensä yrittää ratkaista. Haasteiden vuoksi liiketoimintajohtajien on asetettava erilaisia kysymyksiä, jotta voidaan määritellä “mitä” ja “miksi”. Esimerkiksi, jos tuottavuuden lisääminen on avainobjektiivi, kaksi kysymystä, joihin voidaan vastata, ovat:
- Pitäisikö suunnitella tuottavuuden parantamista automaation kautta? tai
- Pitäisikö suunnitella ratkaisemaan 80 prosenttia ongelmaa 100 prosentille kaikista lähetetyistä tapauksista?
Näiden kysymysten vastaaminen johtaa kahteen eri toteutusmatkaan, ja on tärkeää päättää, kumpi on oikea yrityksellesi.
Rakenteettoman datan kanssa toinen epäselvä mittausalue on tarkkuus. Lainan käsittelytapauksessa on niin paljon muuttujia asiakirjoissa, jotka asiakkaat lähettävät, että liiketoimintajohtajien ja teknisten johtajien on päästävä yksimielisyyteen siitä, miten tekoälyratkaisun tarkkuutta mitataan. Jos tuottavuus on yksi tekoälyratkaisun tavoitteista, on tarpeen tunnistaa muut alueet, jotka vaikuttavat tuottavuuteen. Tämä voidaan saavuttaa tarkastelemalla nykyistä prosessia ja uudelleenmieltämällä sitä tekoälyautomatiikan avulla. Usein uusi automaatio johtaa uusiin prosessin vaiheisiin, kuten manuaaliseen poikkeuksenhallintaan, annotaatioon, koulutukseen jne. Nämä vaiheet ovat paikalla, jossa on helppo määritellä, miten tarkkuutta mitataan.
Data on kaikkien yritysten elinehto
Rakenteeton data on datan muoto, jolla ei ole ennalta määriteltyä datamallia, ja se sisältää kaiken tekstin sisältävistä asiakirjoista ja verkkosivuista kuvien, videoiden, chatbottien, äänivirtojen ja sosiaalisen median viestien kautta. Yritykset ovat täynnä tietoa, joka on esitetty asiakirjoissa, jotka luonnostaan ovat monimutkaisia ja koostuvat kappaleista, lauseista ja ennen kaikkea moniulotteisista taulukkorakenteista. Lisäksi asiakirjoista yritykset panostavat yhä enemmän chatbottiin, sosiaalisen median dataan ja muihin rakenteettomiin dataan, kuten uutisiin, kuviin ja videoihin.
Useimmat organisaatiot aliarvioivat, kuinka paljon dataa on saatavilla ja saatavissa. Usein haaste on yksinkertaisesti ylittää sääntörajoitukset ja jakaa dataa organisaation sisällä. Kuitenkin puhtaan ja monipuolisesti vaihtelevan datan avulla voidaan arvioida ongelmaa ja suunnitella optimaalista ratkaisua.
Toinen tärkeä tekijä, jota on otettava huomioon, on se, mitä lopputulosta odotetaan tästä rakenteettomasta datasta. Tämä varmistaa, että on oikea määrä vertailutotuuteen perustuvaa dataa, opetus- ja testidataa. Palataksesi lainan käsittelyesimerkkiin, jos tämän tekoälyratkaisun tulos on määritellä hakijoiden keskimääräinen päivittäinen saldo, vertailutotuuteen perustuva data ja koulutusdata voidaan kohdistaa erityisesti tiliotteisiin. Kuitenkin, jos fokus on määritellä petolliset hakijat toimittamien tiliotteiden kautta, on tarpeen pääsy laajempaan joukkoon asiakirjoja, jotta voidaan hankkia tarvittava vertailutotuuteen perustuva data ja koulutusdata.
Skaalaus PoC:sta tuotantoon
Lähtemällä mittaamiseen perustuvaan Proof of Concept (PoC) -vaiheeseen varmistetaan, että kaikki sidosryhmät ymmärtävät haasteet, lopputulokset ja tekoälyratkaisun arvolupauksen. Kuitenkin PoC ei ole sama kuin tuotantovalmis ratkaisu. PoC mahdollistaa organisaation tunnistaa aukot, edistää tuotantoratkaisun suunnitteluajattelua ja suoristaa tavoitteet ja avaintulokset, jotka on saavutettava. Jotta voidaan siirtyä PoC:sta skaalautuvaan ratkaisuun, organisaatioiden on suunniteltava monimutkaisia datakuvioita, jotka sisältävät jatkuvaan dataan liittyviä muutoksia, merkittyjen datan saatavuuden puutetta ja suuren muodon ja formaattien vaihtelun. Yhtä tärkeää on prosessin uudelleenmieltäminen, työvoiman uudelleenkoulutus ja oikean infrastruktuurin, kustannusten, suorituskyvyn, data-arkkitehtuurin, tietoturvan ja palvelutasojen (SLA) määrittäminen.
On ehdottoman tärkeää arvioida koko prosessia ja liiketoimintaprosessia saadakseen parhaat tulokset tekoälyratkaisusta. Ottamalla vihjeet käyttäytymisekonomiikasta, on tärkeää verrata lopputulosta olemassa olevaan viitepisteeseen (tunnetaan myös “viite-riippuvuutena”), jossa voidaan odottaa parempia tehokkuuksia ennen tuotannon aloittamista suunnittelun kautta ja prosessin uudelleen kartografioinnin kautta.
Tämä skenaario olettaa, että sekä liiketoimintajohtajat että tekniset johtajat ovat sopineet MI- tai syväoppimismenetelmästä PoC:n perusteella. Jotkut ongelmanlauselmat voivat olla deterministisiä, ja tilastollinen lähestymistapa voidaan soveltaa ongelman ratkaisemiseen, kun taas toiset haasteet voivat vaatia yhdistelmän MI- ja neuroverkkoihin perustuvia lähestymistapoja saavuttaakseen toivottuja lopputuloksia.
Jotkut tekoälyratkaisut vaativat luonnollisen kielen prosessoinnin (NLP) sisällyttämistä. Vaikka yleiset kielimallit palvelevat perustana, useimmat mallit eivät ole suunniteltu täyttämään jokaisen yrityksen ainutlaatuisten vaatimusten, ja ne vaativat hienosäätöä. Samalla useimmat johtajat ovat todennäköisesti innostuneita suurista malleista, kuten GPT3, jotka vaativat merkittävää laskentakapasiteettia ja voivat vaikuttaa suoraan yrityksen ROI:hin. Nämä mallit eivät todennäköisesti sovellu yrityksellesi.
Tekoälyyn perustuva PoC on vasta pitkän prosessin alku, joten pidä seuraavat seikat mielessä:
- Älä valitse monimutkainen ongelma ratkaistavaksi PoC-vaiheessa
- Sovella suunnittelua ja tarkastele prosessia alusta loppuun; ennusta ja hallitse riskejä aikaisin
- Tarkkuus ei ole ainoa mittari; suunnittele ja rakenna arvon perustuva ratkaisu sen sijaan, että pyritään 100 prosentin tarkkuuteen
- Arvioi tekoälylähestymistäsi; älä suunnittele hype-pohjaisia malleja, vaan valitse optimaalinen lähestymistapa, joka on modulaarinen luonteeltaan
- Hallitse odotuksia kaikkien sidosryhmien keskuudessa varmistaaksesi menestyksekkäimmän lopputuloksen
- Suunnittele ratkaisuasi ja arkkitehtuuriasi skaalautumaan datan kasvun mukana saadaksesi optimaalisen ROI:n
Parhaat käytännöt tekoälyratkaisuille
Tänään useimmat yritykset toteuttavat yhtä tai useampaa tekoälyprojektia. Vaikka aikomukset ovat erinomaiset ja työ on kunnianhimoista, monet yritysten tekoälyohjelmat eivät täytä odotuksia, eivät skaalautu ja eivät tuota toivottua ROI:ta. Tekoälyn liittäminen liiketoiminnan ytimeen vie aikaa. Seuraavat parhaat käytännöt, jotka menestyneet organisaatiot noudattavat, sisältävät:
- Aloita tekoälykeskuksella (AI CoE): Monet suuret yritykset, myös ei-tekniikkayritykset, ovat perustaneet tekoälykeskuksia (AI CoE) maksimoimaan menestyksen mahdollisuuksia. AI CoE kokoaa yhteen tarvittavan asiantuntemuksen, resurssit ja henkilöstön, jotta voidaan toteuttaa tekoälyyn perustuvia muutosohjelmia. Pääasialliset hyödyt ovat:
- Tekoälyosaamisen, resurssien ja lahjakkaiden henkilöiden konsolidointi yhteen paikkaan
- Yhtenäisen tekoälyvisio ja liiketoimintastrategian kehittäminen
- Tekoälylähestymistapojen, alustojen ja prosessien standardisointi
- Uusien tulonlähteiden tunnistaminen tekoälylle ja innovaatiolle
- Datatieteen ponnistelujen skaalautuminen tekemällä tekoälyä saatavilla kaikille liiketoimintafunktioille
- Johtajan sitoutuminen: Tekoälystrategia on menestyksekkäin, kun se toteutetaan ylhäältä alas -lähestymistavalla. Onnistuneiden pilotointien skaalauttaminen koko organisaatiossa vaatii johtajan sitoutumista, tarvittavia taitoja ja dataa sekä organisaatiorakenteen, joka varmistaa, että mallit säilyvät tarkkoina ajan myötä.
- Datan saatavuus: Useimpien organisaatioiden data on siiloutunut erilaisten vaatimustenmukaisuussyiden vuoksi. Kuitenkin data on elintärkeää tekoälyratkaisuille, ja datan saatavuus on kriittinen. Datan saatavuuden lisäksi on tärkeää myös datan luokittelu ja puhdistus. Tarkan vertailutotuuteen perustuvan datan ja koulutusdatan kehittäminen voi ratkaista tekoälyratkaisun onnistumisen tai epäonnistumisen.
- Arkkitehtuuri: Tekoälyn hyödyntäminen on paradigmamuutos mille tahansa organisaatiolle, joka vaatii uusia ajattelutapoja ja suunnittelua. Optimaalisen teknisen ja operatiivisen arkkitehtuurin suunnittelu lisää menestyksen mahdollisuuksia. Tähän sisältyy uusia toimintoja, kuten ML-ops, data-ops, iteratiivinen koulutus ja annotaatio.
- Modulaarisuus ja joustavuus: Tekoälyratkaisut ovat edelleen alkuvaiheessa, erityisesti kun organisaatiot käsittelevät suurta määrää rakenteetonta dataa. On tärkeää suunnitella ja rakentaa modulaarinen ja joustava ratkaisu, joka voi skaalautua liiketoiminnan ja sen kasvavan haasteiden mukana.
Tekoälystrategian perustaminen ja toteuttaminen on suuri potentiaali useimmille organisaatioille, ja käyttötapaukset ovat loputtomat. Koneoppimis- ja syväoppimisratkaisut koskettavat jokaista organisaation osaa, aina myynnistä ja markkinoinnista päivittäisiin toimintoihin. Kuitenkin, kuten rakettien rakentamisessa tai uuden laitteen keksimisessä, menestystä ei saavuteta yhdellä kertaa. Tekoälyratkaisuja on kehitettävä vaiheittain ja rakennettava pienemmistä voitoista ajan myötä.












