Onnistunut tekoälyadopptio vaatii 3 komponenttia — Useimmat yritykset omistavat vain 2

Tässä vaiheessa tekoäly ei ole enää uusi teknologia. Sen osoitettu tehokkuus data-analyysissä, mallintunnistuksessa ja tietojen yhdistämisessä voi tehdä tiimistä tehokkaampia. Mutta huolimatta tekoälyn kiistattomasta arvosta, uusi tutkimus osoittaa, että vain 13 %: ia yrityksistä on omaksunut sen laajasti. Useimmat yritykset pelaavat turvallista, käyttäen tekoälyä vain alhaisimman riskin tehtävissä. Mikä estää brändejä ryömästä sisään ja hyödyntämästä hyötyjä? Kuilu tekoälyn tavoitteiden ja saavutusten välillä johtuu rakenteellisesta puutteesta.

Puuttuva lenkki.

Onnistunut, laaja tekoälyadopptio vaatii kolme komponenttia: infrastruktuuri, sovellus ja data. Infrastruktuurikerros koostuu tekoälymallista, jonka kehys muotoilee suoraan käytön ja mahdolliset tulostukset.

Sovelluskerros on siellä, missä ohjelmistoratkaisut elävät. Täällä syntyy suurin osa tekoälyn arvosta; täällä käyttäjät vuorovaikuttavat (ehkä epäsuoraan) tekoälyn kanssa ja tarkastelevat sen tulostuksia; tämä on tekoälyyn perustuvan päätöksenteon solmukohta.

Näiden kerrosten välissä on datakerros, ja tämä komponentti on se, jossa useimmat yritykset käyvät vaikeuksia – riippumatta siitä, ovatko he tietoisia siitä tai eivät. Tämä kerros sisältää kaiken datan; datan, joka sopii perustuvan tekoälymallin ja ohjaa sovelluksia, joita rakennetaan. Datankerroksen laatu vaikuttaa suoraan sovelluskerroksen tulostukseen. Laadukas, runsas data voi tukea vahvoja käyttötapoja, kun taas kyseenalainen tai riittämätön data ei voi.

Kunnes organisaatiot voivat rakentaa – tai tehdä yhteistyötä yritysten kanssa, jotka rakentavat – kaikki kolme tekoälyadopption kerrosta, he eivät saa maksimaalista arvoa.

Epätasapainon vaikutukset.

Tekoälyn tulostus on aina riippuvainen siitä, mille datalle se perustuu. Jos organisaatio haluaa, että sen tekoäly pystyy ennustamaan syntetisiä molekyylirakenteita, heidän on annettava sille paljon fysiikan dataa. Jos vähittäiskauppias haluaa käyttää tekoälyä ennustamaan käyttäjien käyttäytymistä ja parantamaan digitaalista kokemusta, heidän on annettava sille käyttäytymisdataa.

Jos yritykset (tai heidän kumppaninsa) eivät voi riittävästi tukea tekoälytyökalujaan tarpeeksi dataa, vaikutukset ovat laajat. Ensinnäkin, on itse tekoälyratkaisu. Parhaimmillaan se on teknisesti toimiva, vaikka ei aivan toivottavassa määrin. Tulostukset voivat olla heikkoja, laimeita tai vailla havaintoja lainkaan. Tämän “parhaimman” tuloksen lisäksi on todennäköisempi tulos: tekoälyhallusinaatiot, virheelliset tulostukset ja negatiivinen ROI. Tekoälysijoitus on haaskattu, ja organisaatioiden on ehkä käytettävä enemmän vahinkojen korjaamiseksi.

Zoomaamalla pois välittömistä seurauksista, voimme nähdä laajemmat vaikutukset datasta riippuvaisesta tekoälyratkaisusta. Yleisesti ottaen yritykset omaksuvat tekoälyn, jotta ne voivat tehdä enemmän: saada enemmän oivalluksia, palvella enemmän asiakkaita, toimia tehokkaammin. Jos organisaatiot panostavat aikaa ja resursseja tekoälytyökaluun, joka epäonnistuu, he ovat tehneet tilannetta vain huonommaksi, rajoittaneet kasvumahdollisuuksiaan ja jääneet kilpailijoistaan jälkeen. Tämä asettaa heidät huonompaan asemaan ja jättää heidät korjaamaan menetettyjä mahdollisuuksia, resursseja ja – mahdollisesti – asiakkaita.

Mutta toivoa ei ole menetetty; on paljon, mitä organisaatiot voivat tehdä asettaakseen itsensä hyvin, korjata (tai ehkäistä) tekoälyn epätasapainon ja edetä eteenpäin.

Täyttämällä aukkoa oikealla datalla.

Vaikka se yksinkertaistaa asiota, parasta, mitä johtajat voivat tehdä välttääkseen tekoälyn epätasapainon, on tehdä heidän kotitehtävänsä ennen kuin he ryhtyvät mihinkään tekoälyvoittoiseen ratkaisuun. Ennen kuin he ottavat uuden työkalun käyttöön, heidän on opittava, mistä data tulee ja miten se on tuotettu.

Jos ratkaisun toimittaja tai johtava insinööri ei voi antaa suoraa vastausta datan lähteestä, laadusta tai määrästä, se pitäisi herättää hälytysmerkit. Hae toinen tai kolmas mielipide kanavan kumppaneilta ja integraattoreilta. Kerää tietoa käyttäjien keskusteluverkoista, kuten Redditistä ja Discordista; näe, missä muut omaksujat kohtasivat ongelmia tai esteitä. Tietäminen, mitkä varoitusmerkit etsiä ennen tekemistä mitään päätöksiä, voi auttaa johtajia välttämään maailman vaivaa ja odotuksia.

Tietysti tämä etenkin ei aina ole mahdollista eikä auta organisaatioita, jotka ovat jo tekoälydatan puutteen keskellä. Jos nykyisen ratkaisun hylkääminen ei ole vaihtoehto, seuraavaksi paras asia on löytää keino ruokkia työkalua enemmän dataa, jotta se voi käyttää enemmän asiayhteyksiä, malleja ja oivalluksia.

Synthetic data on vaihtoehto tässä, mutta se ei ole kaikki parantava. Se voi olla vaikea määritellä tarkkaa alkuperää synteettiselle datalle, joten se ei aina ole paras eteenpäinajo. Sanotaan, että on aika ja paikka synteettiselle datalle. Esimerkiksi se on erittäin hyvä kouluttamaan tekoälyturvamalleja, erityisesti vastustavalla tavalla. Kuten aina, tekemällä etukäteen tutkimusta ennen kuin ryntää päätä pommittamaan, johtajat voivat tehdä parhaat päätökset liiketoiminnalleen.

Jotkut toimialat, kuten vähittäiskauppa tai nopean palvelun ravintolat (QSR), suosittelevat ihmisdatalle. Nämä yritykset käyttävät todennäköisesti tekoälyä parantaakseen asiakaskokemusta, joten heidän työkalunsa on koulutettava ihmiskäyttäytymisdatalla. Esimerkiksi jos he toivovat, että tekoäly voi ennustaa, kuinka pitkälle käyttäjät tulevat vierittämään sivua, heidän on annettava sille ennusteen perusteella samanlaisissa olosuhteissa olevaa ihmiskäyttäytymisdataa.

Jotkut tapauksissa saada lisää ihmisdatalle ei ole niin paljon uuden datan hankkimista kuin olemassa olevan datan aktivointia. Sivu- ja sovellusvieraat ovat jo siellä – se on vain kyse siitä, miten heidän käyttäytymisdataansa voidaan kaapata, jäsentää ja analysoida, jotta tekoälytyökalut voivat käyttää sitä.

Lopulta riittämätön data on parempi kuin huono data; mitä organisaatiot voivat tehdä puhdistamaan ratkaisujaan, se auttaa aikaansaamaan parempia tuloksia.

Mistä aloittaa.

Tekoälydatan puute voi olla suuri haaste yrityksille kaikissa koissa, ja se voi olla pelottavaa ajatella, mitkä seuraavat vaiheet voisivat olla. Mutta jo se, että ongelma on tunnistettu, on saavutus itsessään. Siitä lähtien se on vain löytää hallitettavia, askelmaisia askelia, joita voidaan ottaa yksi kerrallaan.

Tekoäly tarjoaa valtavan lupaavan tulevaisuuden – mutta vain niille, jotka ovat valmiit panostamaan jokaiseen sen avainkomponenttiin: infrastruktuuriin, sovellukseen ja dataan. Ilman näitä kerroksia jopa kaunein tekoälyratkaisu epäonnistuu. Organisaatiot, jotka täyttävät datan aukon nyt, eivät ainoastaan välttäisi jäämisen jälkeen; he asettaisivat tahdin.