Suunnittelu, PoC ja tuotannon onnistunut AI-vetoinen yritysratkaisu

Yritykset kiihdyttävät tekoälyohjelmiaan nopealla tahdilla. Algorithmian tutkimus osoitti, että 76 prosenttia CIO:ista priorisoi ja lisää IT-budjettiaan keskittyäkseen enemmän tekoäly- ja koneoppimissoluksiin. Organisaatiot tunnustavat myös datan merkityksen ja useimmat hyväksyvät sen, että 80 prosenttia yritysten dataa on luonteeltaan rakenteetonta.

Rakenteeton data tuotetaan ja kasvaa hälyttävää vauhtia yritysPIN:ssä. Mittayksikkö on siirtynyt teratavuista petatavuihin. Tämän seurauksena IT-ammattilaiset, CDO:t ja CIO:t joutuvat kohtaamaan uusia haasteita tyydyttääkseen kasvavan vaatimukseen käytettävissä olevasta datasta ja toimintavaroista. 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 odotuksien vääränlaisen suhteen 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), kokemattomat lahjat, datan saatavuuden puute ja vanhentuneet käytännöt, mainiten muutamia.

Suunnittelu valmistaa tien yritysten tekoälymenestykselle

Rakenteeton data on dataa, jolla ei ole ennalta määriteltyä dataa 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. Lainojen käsittelyyn liittyvät riskit ovat merkittäviä, mutta tekoäly voidaan 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 mittaamisen mukaiset onnistumisperusteiden määrittely, yhtenäisen datapolitiikan laatiminen, jatkuva koulutus ja palaute sekä käyttäjäkokemuksen, skaalautuvuuden ja infrastruktuurin arviointi.

Mittaamisen mukaiset onnistumisperusteiden määrittely (ja välttäminen hevonen ja vaunut -tilannetta!)

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 elintärkeä

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 useista ulottuvuuksista. 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 korkean datan muuntelun ansiosta 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 perustietoa, koulutus- ja testidatia. Palataksesi lainan käsittelyesimerkkiin, jos tämän tekoälyratkaisun tulos on määritellä hakijoiden keskimääräinen päivittäinen saldo, perustieto ja koulutusdata voidaan kohdistaa erityisesti pankkisaldoihin. Kuitenkin, jos fokus on määritellä petolliset hakijat toimittamien pankkisaldojen kautta, on tarpeen pääsy laajempaan joukkoon asiakirjoja, jotta voidaan hankkia tarvittava perustieto ja koulutusdata.

Skalata PoC:sta tuotantoon

Lähtemällä mittaamiseen perustuvaan Proof of Concept (PoC) -vaiheeseen varmistetaan, että kaikki sidosryhmät ymmärtävät haasteet, lopputulokset ja arvonlisäyksen tekoälyratkaisusta. Kuitenkin PoC ei ole sama kuin tuotantovalmis ratkaisu. PoC mahdollistaa organisaation tunnistaa aukot, stimuloi suunnittelua tuotantoprosessille 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 neurverkkojen 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 loppupäästä loppuun prosessia; 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. 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:
  • Tehtävän tekoälyopin, resurssien ja lahjakkaiden henkilöiden konsolidointi yhteen paikkaan
  • Yhtenäisen tekoälyvisio ja liiketoimintastrategian kehittäminen
  • Tehtävän tekoälylähestymistapojen, alustojen ja prosessien standardisointi
  • Uusien liikemahdollisuuksien tunnistaminen tekoälylle ja innovaatiolle
  • Tehtävän datatieteellisten ponnistelujen skaalautuminen tekemällä tekoälyä saatavilla kaikille liiketoimintafunktioille
• Johtajan sitoutuminen: Tehtävän 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.
• Datatilgänglighet: Useimmat organisaatiot ovat eristäneet dataa eri tarkoituksiin noudattaen sääntöjä. Kuitenkin data on elintärkeää tekoälyratkaisuille, ja datan saatavuus on kriittinen. Datatilgängligheten ohella on tärkeää myös datan luokittelu ja puhdistus. Tarkan perustiedon ja koulutusdatan kehittäminen voi tehdä tai murtaa tekoälyratkaisun.
• Arkkitehtuuri: Tehtävän 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: Tehtävän 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.

Tehtävän tekoälystrategian perustaminen ja toteuttaminen on suuri potentiaali useimmille organisaatioille, ja käyttötapaukset ovat loputtomat. Tehtävän koneoppimis- ja syväoppimisratkaisut koskettavat jokaista organisaation osaa, aina myynnistä ja markkinoinnista päivittäisiin toimintoihin. Kuitenkin, kuten rakettien rakentamisessa tai uuden laitteen keksimisessä, menestys ei voida saavuttaa kerran. Tehtävän tekoälyratkaisujen on lähestyttävä vaiheittain ja rakennettava pienemmistä voitoista ajan myötä.