Perencanaan, PoC, dan Produksi dari Solusi Perusahaan Berbasis AI yang Sukses

Perusahaan-perusahaan sedang mempercepat inisiatif kecerdasan buatan (AI) mereka dengan sangat cepat. Sebuah studi oleh Algorithmia menunjukkan bahwa 76 persen CIO memprioritaskan dan meningkatkan anggaran TI mereka untuk lebih fokus pada solusi AI dan pembelajaran mesin (ML). Organisasi juga menyadari pentingnya data, dan sebagian besar menerima fakta bahwa 80 persen data perusahaan bersifat tidak terstruktur. Data tidak terstruktur sedang diproduksi dan tumbuh dengan laju yang mengkhawatirkan dalam tumpukan teknologi perusahaan. Satuan pengukuran telah bergeser dari terabyte ke petabyte. Akibatnya, profesional TI, CDO, dan CIO harus menghadapi beberapa tantangan baru untuk memenuhi permintaan yang semakin meningkat akan data yang dapat digunakan dan wawasan yang dapat ditindaklanjuti. Meskipun potensi besar AI untuk mengubah industri apa pun, hanya 15 persen solusi AI yang diterapkan pada akhir 2022 yang akan berhasil, dan lebih sedikit lagi yang akan menghasilkan ROI positif. Masalah terbesar adalah bahwa sebagian besar solusi AI perusahaan tidak pernah terwujud karena ketidakselarasan ekspektasi. Masih ada kesalahpahaman tentang kemungkinan AI dan proyek terus dikonsep berdasarkan model yang digerakkan oleh hype. Sebagian besar produk atau model jauh dari kenyataan operasional perusahaan sehari-hari. Faktor pendorong lain dari tingkat keberhasilan yang lebih rendah termasuk: pembengkakan biaya, kurangnya Pusat Keunggulan AI (CoE), talenta yang tidak berpengalaman, ketidaktersediaan data, dan kebijakan yang sudah ketinggalan zaman, untuk menyebutkan beberapa. Perencanaan Membuka Jalan Menuju Kesuksesan AI Perusahaan Data tidak terstruktur adalah data yang tidak memiliki model data yang telah ditentukan dan mencakup segala sesuatu mulai dari dokumen dan situs web yang padat teks hingga gambar, file video, chatbot, aliran audio, dan postingan media sosial. Dengan meningkatnya jumlah data tidak terstruktur dalam arsitektur perusahaan, sangat penting untuk memiliki rencana yang efisien dan bertahap yang selaras dengan tujuan semua pemangku kepentingan perusahaan. Tujuan khas di tingkat organisasi dapat mencakup: otomatisasi proses, deteksi penipuan, meningkatkan pengalaman pelanggan, meningkatkan keselamatan, meningkatkan penjualan, dan sebagainya. Sementara beberapa tujuan ini dapat dicapai dengan cukup efektif, karena sifat data yang terstruktur, perencanaan di sekitar data tidak terstruktur bisa menjadi tantangan. Biasanya, perencanaan dimulai dengan mengidentifikasi area peluang dalam suatu organisasi. Meskipun mungkin ada visi AI yang besar di tingkat manajemen eksekutif, sangat penting untuk mengidentifikasi area yang memiliki dampak tinggi, risiko rendah, dan pertumbuhan data yang berkelanjutan. Contoh yang baik dari kasus penggunaan seperti itu adalah fungsi pemrosesan pinjaman di industri perbankan dan keuangan. Dari pemberian pinjaman hingga pelayanan, prosesnya dipenuhi dengan proses manual di mana informasi dimasukkan secara manual ke dalam sistem dengan cara yang berulang. Due diligence aplikasi pinjaman melibatkan jumlah dokumen yang signifikan, yang menimbulkan beberapa risiko. Namun, AI dapat diterapkan di beberapa area alur kerja, termasuk pemrosesan dokumen dan deteksi penipuan. Ini juga merupakan area di mana ada pertumbuhan data yang berkelanjutan dari tahun ke tahun. Langkah-langkah kritis lain yang perlu dipertimbangkan selama fase perencanaan ini termasuk mendefinisikan kriteria keberhasilan yang terukur, merumuskan strategi data yang kohesif, pelatihan dan umpan balik yang berkelanjutan, serta mengukur pengalaman pengguna, skalabilitas, dan infrastruktur. Mendefinisikan Kriteria Keberhasilan yang Terukur (dan Menghindari Momen Kereta di Depan Kuda!) Kesuksesan awal Google sering dikaitkan dengan perusahaan yang menerapkan Objective Key Results (OKR). Meskipun pendekatan ini adalah sesuatu yang dapat diterapkan pada setiap aspek bisnis atau tujuan pribadi, menerapkan pendekatan yang terbukti ini terhadap strategi AI Anda dapat menghasilkan beberapa hasil yang menjanjikan. Namun, ketika menyangkut data tidak terstruktur, ini adalah masalah yang terus berkembang yang sedang coba dipecahkan oleh industri secara keseluruhan. Mengingat tantangannya, pemimpin bisnis harus mengajukan berbagai pertanyaan untuk menentukan ‘apa’ dan ‘mengapa’. Misalnya, jika meningkatkan produktivitas adalah tujuan utama, dua pertanyaan yang bisa dijawab adalah:

• Haruskah saya merencanakan untuk meningkatkan throughput melalui otomatisasi? atau
• Haruskah saya merencanakan untuk menyelesaikan 80 persen masalah untuk 100 persen dari semua kasus yang diajukan?

Menjawab pertanyaan-pertanyaan ini mengarah pada dua perjalanan implementasi yang berbeda dan penting untuk memutuskan mana yang tepat untuk perusahaan Anda. Dengan data tidak terstruktur, area pengukuran lain yang ambigu adalah akurasi. Dalam contoh pemrosesan pinjaman, ada begitu banyak variabilitas dalam dokumen yang diajukan oleh pelanggan, sangat penting bagi pemimpin bisnis dan teknologi untuk mencapai konsensus tentang bagaimana akurasi solusi AI diukur. Jika produktivitas adalah salah satu tujuan dari penerapan solusi AI, maka perlu untuk mengidentifikasi area lain yang mempengaruhi produktivitas. Hal ini dapat dicapai dengan melihat lebih dekat proses saat ini (as-is) dan membayangkan kembali proses tersebut dengan otomatisasi AI. Seringkali otomatisasi baru mengarah pada langkah-langkah baru dalam proses seperti manajemen pengecualian manual, anotasi, pelatihan, dll. Dengan langkah-langkah ini, akan lebih mudah untuk menentukan cara mengukur akurasi. Data adalah Darah Kehidupan Semua Perusahaan Data tidak terstruktur memiliki tingkat variabilitas yang tinggi dalam cara informasi disusun dan disajikan. Perusahaan dipenuhi dengan informasi yang disajikan dalam dokumen, yang secara alami memiliki struktur kompleks yang terdiri dari paragraf, kalimat, dan yang lebih penting, struktur tabel multi-dimensi. Selain dokumen, organisasi semakin banyak berinvestasi dalam chatbot, memantau data media sosial, dan bentuk data tidak terstruktur lainnya seperti berita, gambar, dan video. Sebagian besar organisasi meremehkan berapa banyak data yang tersedia dan dapat diakses. Seringkali tantangannya sesederhana mengatasi pembatasan kepatuhan dan berbagi data di dalam organisasi. Namun demikian, memiliki data yang bersih dan bervariasi tinggi memungkinkan penilaian masalah yang lebih baik dan perancangan solusi yang optimal. Faktor penting lain yang perlu dipertimbangkan adalah hasil apa yang Anda harapkan dari data tidak terstruktur ini. Ini akan memastikan jumlah ground truth, data pelatihan, dan data pengujian yang akurat. Kembali ke contoh pemrosesan pinjaman, jika hasil dari solusi AI ini adalah untuk menentukan saldo harian rata-rata pemohon, ground truth dan data pelatihan dapat difokuskan secara hiper pada laporan bank. Namun, jika fokusnya adalah untuk menentukan pemohon penipuan melalui laporan bank yang diajukan, seseorang harus mengakses berbagai dokumen yang lebih luas untuk mendapatkan ground truth dan data pelatihan yang diperlukan. Menskala dari PoC ke Produksi Memulai Proof of Concept (PoC) yang terukur memastikan bahwa semua pemangku kepentingan memahami tantangan, hasil, dan proposisi nilai dari solusi AI. Namun, PoC tidak sama dengan solusi yang siap produksi. PoC memungkinkan organisasi untuk mengidentifikasi kesenjangan, merangsang pemikiran desain untuk solusi produksi, dan menyelaraskan tujuan serta hasil utama yang harus dicapai. Untuk beralih dari PoC ke solusi yang dapat diskalakan, organisasi harus merencanakan skenario data kompleks yang mencakup perubahan data yang konstan, ketidaktersediaan data berlabel, dan tingkat variasi bentuk dan format yang tinggi. Sama pentingnya adalah membayangkan kembali alur kerja, melatih ulang tenaga kerja Anda, dan menentukan infrastruktur, biaya, kinerja, arsitektur data, keamanan informasi, dan perjanjian tingkat layanan (SLA) yang tepat. Sangat penting untuk mengevaluasi seluruh alur kerja dan proses bisnis untuk mendapatkan hasil terbaik dari solusi AI apa pun. Mengambil petunjuk dari ekonomi perilaku, sangat penting untuk membandingkan hasil dengan titik referensi yang ada (juga dikenal sebagai “ketergantungan referensi”), di mana efisiensi yang lebih baik dapat diantisipasi sebelum produksi melalui pemikiran desain dan pemetaan ulang proses. Skenario ini mengasumsikan bahwa baik pemimpin bisnis maupun teknis telah menyetujui pendekatan MI atau pembelajaran mendalam berdasarkan PoC. Beberapa pernyataan masalah bisa bersifat deterministik dan pendekatan statistik dapat diambil untuk menyelesaikan masalah, sementara tantangan lain mungkin memerlukan kombinasi pendekatan berbasis MI dan jaringan saraf untuk mencapai hasil yang diinginkan. Beberapa solusi AI memerlukan penggabungan Pemrosesan Bahasa Alami (NLP). Meskipun model bahasa umum berfungsi sebagai langkah dasar, sebagian besar model tidak dirancang untuk memenuhi kebutuhan unik dari setiap pernyataan masalah perusahaan dan akan memerlukan penyempurnaan. Pada saat yang sama, sebagian besar eksekutif cenderung antusias dengan model besar seperti GPT3, yang membutuhkan daya komputasi yang signifikan dan dapat memiliki pengaruh langsung pada ROI perusahaan. Model-model ini kemungkinan besar tidak cocok untuk perusahaan Anda. PoC berbasis AI Anda hanyalah awal dari proses yang panjang, jadi ingatlah hal-hal berikut:

• Jangan memilih masalah kompleks untuk diselesaikan pada tahap PoC
• Terapkan pemikiran desain dan tinjau proses end-to-end Anda; prediksi dan kelola risiko lebih awal
• Akurasi bukan satu-satunya pengukuran; rancang dan rencanakan untuk membangun solusi yang digerakkan oleh nilai versus mencapai akurasi 100 persen
• Evaluasi pendekatan AI Anda; jangan merencanakan berdasarkan model yang digerakkan hype, melainkan pilih pendekatan paling optimal yang bersifat modular
• Kelola ekspektasi di semua pemangku kepentingan untuk memastikan hasil yang paling sukses
• Rancang solusi dan arsitektur Anda untuk diskalakan seiring pertumbuhan data Anda untuk ROI yang paling optimal

Praktik Terbaik untuk Solusi Berbasis AI Saat ini, sebagian besar bisnis sedang menjalankan satu atau lebih proyek AI. Meskipun memiliki niat dan kerja keras yang luar biasa, banyak program AI perusahaan gagal memenuhi harapan, tidak dapat diskalakan, dan tidak menghasilkan ROI yang diinginkan. Akan membutuhkan waktu untuk mengintegrasikan kecerdasan buatan sebagai komponen bisnis inti, namun beberapa praktik terbaik yang diikuti oleh organisasi yang sukses meliputi:

• Mulai dengan AI CoE: Banyak perusahaan besar, bahkan yang non-teknologi, telah mendirikan Pusat Keunggulan AI (AI CoE) untuk memaksimalkan peluang kesuksesan mereka. AI CoE menghimpun keahlian, sumber daya, dan orang-orang yang diperlukan untuk memungkinkan inisiatif transformasi berbasis AI. Manfaat utamanya meliputi:
  • Mengkonsolidasikan pembelajaran, sumber daya, dan talenta AI di satu tempat
  • Mengembangkan visi dan strategi bisnis AI yang terpadu
  • Standardisasi pendekatan, platform, dan proses AI
  • Mengidentifikasi peluang pendapatan baru untuk AI dan inovasi
  • Menskala upaya ilmu data dengan membuat AI tersedia untuk semua fungsi bisnis
• Dukungan Eksekutif: Strategi AI paling berhasil melalui pendekatan top-down. Menskalakan pilot di seluruh organisasi dengan sukses memerlukan dukungan kepemimpinan, keterampilan dan data yang diperlukan, serta membangun struktur organisasi yang memastikan model tetap akurat dari waktu ke waktu.
• Ketersediaan Data: Sebagian besar organisasi memiliki data yang terisolasi karena berbagai alasan kepatuhan. Namun, data adalah darah kehidupan dari setiap solusi AI dan penyediaan data ini sangat penting. Bersama dengan penyediaan, klasifikasi dan pembersihan data sangat penting. Mengembangkan ground truth dan data pelatihan yang akurat dapat membuat atau menghancurkan solusi AI.
• Arsitektur: Memanfaatkan AI adalah perubahan paradigma bagi organisasi mana pun, yang membutuhkan cara berpikir dan perencanaan baru. Merancang arsitektur teknis dan operasional yang optimal meningkatkan peluang kesuksesan Anda. Ini termasuk memiliki fungsi baru seperti ML ops, data ops, pelatihan iteratif, dan anotasi, di antara lainnya.
• Modularitas dan Fleksibilitas: Solusi berbasis AI masih dalam tahap awal, terutama ketika organisasi berurusan dengan data tidak terstruktur yang berat. Sangat penting untuk merancang dan membangun solusi yang modular dan fleksibel yang dapat diskalakan dengan bisnis dan tantangan yang terus bertumbuh.

Membangun dan memulai strategi AI memiliki potensi besar bagi sebagian besar organisasi, dan kasus penggunaannya tidak terbatas. Solusi pembelajaran mesin dan pembelajaran mendalam menyentuh setiap aspek organisasi, dari penjualan dan pemasaran hingga operasi sehari-hari. Namun, seperti membangun roket atau menciptakan gadget baru, kesuksesan tidak akan dicapai sekaligus. Solusi berbasis AI harus didekati secara bertahap dan dibangun berdasarkan kemenangan-kemenangan kecil dari waktu ke waktu.