Perencanaan, PoC, dan Produksi Solusi Perusahaan yang Sukses dengan AI

Perusahaan-perusahaan sedang mempercepat inisiatif kecerdasan buatan (AI) mereka dengan kecepatan yang cepat. Sebuah studi oleh Algorithmia menunjukkan bahwa 76 persen CIO memprioritaskan dan meningkatkan anggaran IT mereka untuk fokus lebih besar pada solusi AI dan pembelajaran mesin (ML). Organisasi-organisasi juga mengakui pentingnya data, dan sebagian besar menerima kenyataan bahwa 80 persen data perusahaan tidak terstruktur secara alami.

Data tidak terstruktur diproduksi dan tumbuh dengan kecepatan yang mengkhawatirkan dalam tumpukan perusahaan. Satuan pengukuran telah bergeser dari terabyte ke petabyte. Sebagai hasilnya, profesional IT, CDO, dan CIO harus menghadapi beberapa tantangan baru untuk memenuhi permintaan yang meningkat untuk data yang dapat digunakan dan wawasan yang dapat diambil. Meskipun potensi AI yang besar untuk mengubah industri apa pun, hanya 15 persen solusi AI yang diterapkan pada akhir 2022 akan berhasil, dan lebih sedikit lagi yang akan menghasilkan ROI positif.

Masalah terbesar adalah bahwa sebagian besar solusi AI perusahaan tidak melihat cahaya hari karena kesalahan penjajaran harapan. Masih ada kesalahpahaman sekitar kemungkinan AI dan proyek-proyek terus dikonseptualisasikan pada model yang didorong oleh hype. Sebagian besar produk atau model jauh dari kenyataan sehari-hari operasi perusahaan. Faktor-faktor lain yang mempengaruhi tingkat keberhasilan yang lebih rendah termasuk: biaya yang melebihi, kurangnya Pusat Keunggulan AI (CoE), bakat yang tidak berpengalaman, tidak tersedianya data, dan kebijakan yang ketinggalan zaman, untuk menyebutkan beberapa.

Perencanaan Membuka Jalan untuk Keberhasilan AI Perusahaan

Data tidak terstruktur adalah data yang tidak memiliki model data yang telah ditentukan sebelumnya dan termasuk semua hal dari dokumen yang padat teks dan situs web hingga gambar, file video, chatbot, aliran audio, dan postingan media sosial. Dengan jumlah data tidak terstruktur yang meningkat dalam arsitektur perusahaan, sangat penting untuk memiliki rencana yang efisien dan inkremental yang selaras dengan tujuan semua pemangku kepentingan perusahaan. Tujuan-tujuan yang khas pada 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 terstruktur dari data, perencanaan sekitar data tidak terstruktur dapat menantang.

Secara umum, perencanaan dimulai dengan mengidentifikasi area peluang dalam sebuah organisasi. Sementara ada visi AI yang besar pada tingkat manajemen eksekutif, sangat penting untuk mengidentifikasi area yang memiliki dampak tinggi, risiko rendah, dan pertumbuhan data yang terus-menerus. Contoh yang baik dari kasus penggunaan seperti ini adalah fungsi pengolahan pinjaman dalam industri perbankan dan keuangan. Pinjaman asal hingga pelayanan dipenuhi dengan proses manual di mana informasi dimasukkan oleh tangan ke dalam sistem secara berulang. Due diligence dari aplikasi pinjaman melibatkan jumlah dokumen yang signifikan, yang menimbulkan beberapa risiko. Namun, AI dapat diterapkan dalam beberapa area alur kerja, termasuk pengolahan dokumen dan deteksi penipuan. Ini juga merupakan area di mana ada pertumbuhan data tahun-ke-tahun yang terus-menerus.

Langkah-langkah kritis lainnya yang perlu dipertimbangkan selama fase perencanaan ini termasuk mendefinisikan kriteria keberhasilan yang dapat diukur, merumuskan strategi data yang kohesif, pelatihan dan umpan balik yang terus-menerus, dan mengukur pengalaman pengguna, skalabilitas, dan infrastruktur.

Mendefinisikan Kriteria Keberhasilan yang Dapat Diukur (dan Menghindari Kesalahan Kart Sebelum Kuda!)

Keberhasilan awal Google sering dikaitkan dengan perusahaan yang memperkenalkan Tujuan Kunci Hasil (OKR). Sementara pendekatan ini dapat diterapkan pada aspek bisnis atau tujuan pribadi, mengambil pendekatan yang terbukti ini untuk strategi AI Anda dapat menghasilkan beberapa hasil yang menjanjikan. Namun, ketika datang ke data tidak terstruktur, ini adalah masalah yang berkembang yang sedang dicoba oleh industri secara luas untuk diselesaikan. Mengingat tantangan, pemimpin bisnis harus mengajukan beberapa pertanyaan untuk menentukan ‘apa’ dan ‘mengapa’. Misalnya, jika meningkatkan produktivitas adalah tujuan kunci, dua pertanyaan yang dapat dijawab adalah:

• Apakah saya harus merencanakan untuk meningkatkan throughput dengan cara otomatisasi? atau
• Apakah saya harus merencanakan untuk memecahkan 80 persen masalah untuk 100 persen semua kasus yang dikirim?

Mengjawab pertanyaan-pertanyaan ini dapat mengarah pada dua perjalanan implementasi yang berbeda dan penting untuk memutuskan mana yang benar untuk perusahaan Anda.

Dengan data tidak terstruktur, area pengukuran yang ambigu lainnya adalah akurasi. Dalam contoh pengolahan pinjaman, ada variasi yang sangat besar dalam dokumen yang dikirim oleh pelanggan, sehingga sangat penting bagi pemimpin bisnis dan teknologi untuk mencapai kesepakatan tentang bagaimana akurasi solusi AI diukur. Jika produktivitas adalah salah satu tujuan penerapan solusi AI, maka akan perlu untuk mengidentifikasi area lain yang mempengaruhi produktivitas. Ini dapat dicapai dengan melihat proses saat ini dan membayangkan kembali proses dengan otomatisasi AI. Seringkali, otomatisasi baru mengarah pada langkah-langkah baru dalam proses seperti pengelolaan pengecualian manual, anotasi, pelatihan, dan sebagainya. Dengan langkah-langkah ini, akan lebih mudah untuk menentukan bagaimana mengukur akurasi.

Data adalah Darah Hidup semua Perusahaan

Data tidak terstruktur memiliki tingkat variasi yang tinggi dalam cara informasi disusun dan disajikan. Perusahaan dipenuhi dengan informasi yang disajikan dalam dokumen, yang secara alami memiliki struktur yang 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 seberapa banyak data yang tersedia dan dapat diakses. Seringkali, tantangan hanya mengatasi batasan kepatuhan dan berbagi data dalam organisasi. Namun, memiliki data yang bersih dan variabel yang tinggi memungkinkan penilaian yang lebih baik dari suatu masalah dan perancangan solusi yang optimal.

Faktor lain yang penting untuk dipertimbangkan adalah hasil apa yang diharapkan dari data tidak terstruktur ini. Ini akan memastikan jumlah ground truth, pelatihan, dan data pengujian yang akurat. Kembali ke contoh pengolahan pinjaman, jika hasil dari solusi AI ini adalah untuk menentukan rata-rata saldo harian pelanggan, ground truth dan data pelatihan dapat sangat fokus pada laporan bank. Namun, jika fokusnya adalah untuk menentukan pelanggan yang curang melalui laporan bank yang dikirim, satu harus mengakses berbagai dokumen untuk mendapatkan ground truth dan data pelatihan yang diperlukan.

Menskalakan dari PoC ke Produksi

Memulai Proof of Concept (PoC) yang dapat diukur 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 merampingkan tujuan dan hasil kunci yang harus dicapai. Untuk pergi dari PoC ke solusi yang dapat diskalakan, organisasi harus merencanakan untuk skenario data yang kompleks yang termasuk perubahan data yang konstan, tidak tersedianya data yang diberi label, dan tingkat variasi yang tinggi dalam bentuk dan format. Sangat penting juga untuk membayangkan kembali alur kerja, melatih kembali tenaga kerja, 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 pemimpin bisnis dan teknologi telah sepakat pada pendekatan MI atau pembelajaran dalam yang didasarkan pada PoC. Beberapa pernyataan masalah dapat deterministik dan pendekatan statistik dapat diambil untuk memecahkan masalah, sementara tantangan lain mungkin memerlukan kombinasi pendekatan MI dan berbasis jaringan saraf untuk mencapai hasil yang diinginkan.

Beberapa solusi AI memerlukan integrasi Pemrosesan Bahasa Alami (NLP). Sementara model bahasa umum berfungsi sebagai langkah awal, sebagian besar model tidak dirancang untuk memenuhi kebutuhan unik dari setiap pernyataan masalah perusahaan dan akan memerlukan penyetelan yang baik. Pada saat yang sama, sebagian besar eksekutif kemungkinan akan bersemangat tentang model besar seperti GPT3, yang memerlukan daya komputasi yang signifikan dan dapat memiliki pengaruh langsung pada ROI perusahaan. Model-model ini kemungkinan tidak sesuai untuk perusahaan Anda.

POC AI Anda hanya awal dari proses panjang, jadi pertimbangkan hal-hal berikut:

• Jangan pilih masalah yang kompleks untuk dipecahkan pada tahap PoC
• Terapkan pemikiran desain dan tinjau proses akhir-ke-akhir; prediksi dan kelola risiko awal
• Akurasi bukan satu-satunya pengukuran; desain dan rencanakan untuk membangun solusi yang berorientasi nilai versus mencapai 100 persen akurasi
• Evalusi pendekatan AI Anda; jangan merencanakan model yang didorong oleh hype, tetapi pilih pendekatan yang paling optimal yang modular secara alami
• Kelola harapan di seluruh pemangku kepentingan untuk memastikan hasil yang paling sukses
• Desain solusi dan arsitektur Anda untuk diskalakan dengan pertumbuhan data Anda untuk ROI yang paling optimal

Praktik Terbaik untuk Solusi yang Didorong AI

Hari ini, sebagian besar bisnis melakukan satu atau lebih proyek AI. Meskipun niat yang baik dan kerja keras, banyak program AI perusahaan gagal memenuhi harapan, tidak diskalakan, dan tidak menghasilkan ROI yang diinginkan. Akan memakan waktu untuk mengintegrasikan kecerdasan buatan sebagai komponen bisnis inti, namun beberapa praktik terbaik yang diikuti oleh organisasi yang sukses termasuk:

• Mulai dengan AI CoE: Banyak perusahaan besar, bahkan non-teknis, telah mendirikan Pusat Keunggulan AI (AI CoE) untuk memaksimalkan kemungkinan keberhasilan mereka. AI CoE mengumpulkan keahlian, sumber daya, dan orang-orang yang diperlukan untuk memungkinkan inisiatif transformasi berbasis AI. Manfaat utama termasuk:
• Mengkonsolidasikan pembelajaran AI, sumber daya, dan bakat dalam satu tempat
• Mengembangkan visi dan strategi bisnis AI yang terpadu
• Standarisasi pendekatan AI, platform, dan proses
• Mengidentifikasi peluang pendapatan baru untuk AI dan inovasi
• Menskalakan upaya ilmu data dengan membuat AI tersedia untuk semua fungsi bisnis
• Buy In Eksekutif: Strategi AI paling sukses melalui pendekatan dari atas ke bawah. Menskalakan pilot di seluruh organisasi dengan sukses memerlukan buy-in kepemimpinan, keterampilan yang diperlukan, dan data, serta membangun struktur organisasi yang memastikan model tetap akurat seiring waktu.
• Ketersediaan Data: Sebagian besar organisasi memiliki data yang terisolasi untuk berbagai alasan kepatuhan. Namun, data adalah darah hidup 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: Menggunakan AI adalah pergeseran paradigma untuk setiap organisasi, yang memerlukan cara berpikir dan perencanaan yang baru. Merancang arsitektur teknis dan operasional yang optimal meningkatkan kemungkinan keberhasilan. Ini termasuk memiliki fungsi baru seperti ML ops, data ops, pelatihan iteratif, dan anotasi, di antara lainnya.
• Modularitas dan Fleksibilitas: Solusi yang didorong AI masih dalam tahap awal, terutama ketika organisasi berhadapan dengan data tidak terstruktur yang besar. Sangat penting untuk merancang dan membangun solusi yang modular dan fleksibel yang dapat diskalakan dengan bisnis dan tantangan yang tumbuh.

Membangun dan memulai strategi AI memiliki potensi besar untuk sebagian besar organisasi, dan kasus penggunaannya tidak terbatas. Solusi pembelajaran mesin dan dalam menyentuh setiap aspek organisasi, dari penjualan dan pemasaran hingga operasi sehari-hari. Namun, seperti membangun roket atau menemukan gadget baru, keberhasilan tidak akan dicapai sekaligus. Solusi yang didorong AI harus diatasi dalam tahap dan dibangun pada kemenangan kecil dari waktu ke waktu.