Adopsi AI yang Sukses Memerlukan 3 Komponen — Sebagian Besar Perusahaan Hanya Memiliki 2

Pada titik ini, AI tidak lagi merupakan teknologi baru. Efikasi yang terbukti dalam analisis data, pengenalan pola, dan sintesis pengetahuan dapat membuat tim lebih efisien. Namun, meskipun nilai AI yang tidak dapat disangkal, penelitian baru menunjukkan bahwa hanya 13% bisnis telah mengadopsinya dengan cara yang luas. Sebagian besar bisnis bermain aman, hanya menggunakan AI untuk tugas dengan risiko terendah. Apa yang menghambat merek dari terjun dan memanen manfaatnya? Celah antara aspirasi AI dan pencapaian berkaitan dengan kekurangan struktural.

Komponen yang hilang.

Adopsi AI yang sukses dan luas memerlukan tiga komponen: infrastruktur, aplikasi, dan data. Lapisan infrastruktur terdiri dari model AI, yang kerangkanya secara langsung membentuk penggunaan dan output potensial.

Lapisan aplikasi adalah tempat di mana solusi perangkat lunak berada. Ini adalah tempat di mana sebagian besar nilai AI dihasilkan; ini adalah tempat di mana pengguna berinteraksi (mungkin tidak langsung) dengan AI dan meninjau outputnya; ini adalah pusat pengambilan keputusan yang diberitahu oleh AI.

Di antara lapisan-lapisan ini adalah lapisan data, dan ini adalah komponen yang sebagian besar bisnis memiliki masalah – apakah mereka menyadari atau tidak. Lapisan ini, tentu saja, berisi semua data; data yang sesuai dengan model AI yang mendasarinya dan membimbing aplikasi yang sedang dibangun. Kualitas lapisan data secara langsung mempengaruhi output pada lapisan aplikasi. Data yang berkualitas tinggi dan melimpah dapat mendukung kasus penggunaan yang kuat, sedangkan data yang meragukan atau tidak memadai tidak dapat.

Sampai organisasi dapat membangun – atau bermitra dengan bisnis yang membangun – ketiga lapisan adopsi AI, mereka tidak akan mendapatkan nilai maksimal.

Implikasi dari ketidakseimbangan.

Output AI akan selalu bergantung pada data yang diberikan. Jika sebuah organisasi ingin AI-nya dapat memprediksi struktur molekul sintetis, mereka perlu memberinya banyak data fisika. Jika seorang pengecer ingin menggunakan AI untuk memprediksi perilaku pengguna dan meningkatkan pengalaman digital, mereka perlu memberinya data perilaku.

Jika bisnis (atau mitra mereka) tidak dapat mendukung alat AI mereka dengan data yang cukup, implikasinya akan luas. Pertama, ada solusi AI itu sendiri. Pada yang terbaik, itu akan teknis operasional, meskipun tidak pada tingkat yang diinginkan. Output mungkin lemah, tidak bersemangat, atau tidak memiliki wawasan sama sekali. Di luar hasil “terbaik” ini terletak hasil yang lebih mungkin: halusinasi AI, output yang salah, dan ROI negatif. Tidak hanya investasi akan terbuang, tetapi organisasi mungkin harus menghabiskan lebih banyak dalam nama kontrol kerusakan.

Mengzoom out dari akibat langsung, kita dapat melihat implikasi yang lebih luas dari solusi AI yang kekurangan data. Secara umum, bisnis mengadopsi AI sehingga mereka dapat melakukan lebih: memperoleh lebih banyak wawasan, melayani lebih banyak pelanggan, beroperasi lebih efisien. Jika organisasi menuangkan waktu dan sumber daya ke dalam alat AI yang gagal, mereka secara efektif telah menghambat pertumbuhan mereka sendiri, membatasi kemampuan mereka untuk beradaptasi dengan pasar dan mengungguli kompetisi. Itu akan meletakkan mereka pada kerugian dan akan meninggalkan mereka berjuang untuk membuat waktu, sumber daya, dan – mungkin – pelanggan yang hilang.

Tapi harapan tidak hilang; ada banyak hal yang dapat dilakukan organisasi untuk memposisikan diri mereka dengan baik, memperbaiki (atau mencegah) ketidakseimbangan AI, dan melangkah maju.

Mengisi celah dengan data yang tepat.

Dengan risiko oversimplifikasi, hal terbaik yang dapat dilakukan pemimpin untuk menghindari ketidakseimbangan AI adalah melakukan tugas mereka sebelum melangkah maju dengan solusi AI yang diberdayakan. Sebelum menggelar alat baru, ambil waktu untuk mempelajari dari mana data berasal dan bagaimana data itu dihasilkan.

Jika penyedia solusi atau insinyur utama Anda tidak dapat memberikan jawaban lurus tentang sumber, kualitas, atau kuantitas data yang mendasarinya, itu harus memicu alarm. Dapatkan pendapat kedua atau ketiga dari mitra saluran dan integrator. Crowd-source intel dengan mengetuk ke dalam jaringan diskusi pengguna seperti Reddit dan Discord; lihat di mana pengadopsi lain mengalami hambatan atau hambatan. Mengetahui apa bendera merah yang perlu dicari sebelum membuat keputusan apa pun dapat membantu pemimpin menghindari dunia sakit kepala dan harapan yang terlewatkan.

Tentu saja, kebijaksanaan ini tidak selalu memungkinkan dan tidak akan membantu organisasi yang sedang mengalami kekurangan data AI. Jika membuang solusi yang ada tidak menjadi pilihan, hal terbaik berikutnya adalah menemukan cara untuk menyuntikkan lebih banyak data sehingga alat memiliki lebih banyak konteks, pola, dan wawasan untuk ditarik.

Data sintetis adalah pilihan di sini, tetapi itu bukan obat untuk semua. Ini dapat sulit untuk menentukan asal data sintetis yang tepat, sehingga mungkin tidak selalu menjadi jalur terbaik. Itu dikatakan, ada waktu dan tempat untuk data sintetis. Misalnya, itu unggul dalam melatih model keamanan AI, terutama dengan cara yang antagonistis. Seperti biasa, melakukan penelitian sebelum melompat ke dalamnya akan membantu pemimpin membuat keputusan terbaik untuk bisnis mereka.

Untuk industri seperti ritel atau restoran layanan cepat (QSR), data manusia lebih disukai. Bisnis di industri ini kemungkinan menggunakan AI untuk membantu mengoptimalkan pengalaman pelanggan, sehingga alat mereka harus dilatih pada data perilaku manusia. Misalnya, jika Anda berharap memprediksi seberapa jauh pengguna akan menggulir ke bawah pada halaman, Anda ingin AI memprediksi berdasarkan perilaku manusia yang sebenarnya dalam kondisi yang sama.

Dalam beberapa kasus, mendapatkan arus data manusia tidak banyak tentang mendapatkan data baru sehingga tentang mengaktifkan data yang ada. Pengunjung situs dan aplikasi sudah ada – itu hanya masalah menangkap, mengatur, dan menganalisis data perilaku mereka sehingga alat AI dapat menggunakannya.

Pada akhirnya, memiliki data yang tidak cukup lebih baik daripada memiliki data yang buruk; apa pun yang dapat dilakukan organisasi untuk membersihkan solusi mereka akan membantu menghasilkan hasil yang lebih baik.

Di mana untuk memulai.

Kekurangan data AI dapat menimbulkan tantangan yang besar bagi organisasi dengan ukuran apa pun, dan itu dapat menakutkan untuk bahkan memikirkan langkah-langkah berikutnya. Tapi bahkan mengakui masalah itu adalah prestasi dalam dirinya sendiri. Dari sana, itu tentang menemukan langkah-langkah yang dapat dikelola, inkremental yang dapat ditangani satu per satu.

AI memegang janji yang luar biasa – tetapi hanya untuk mereka yang bersedia untuk berinvestasi di setiap komponen kuncinya: infrastruktur, aplikasi, dan data. Tanpa lapisan-lapisan ini, bahkan solusi AI yang paling elegan akan jatuh. Organisasi yang menutup celah data sekarang tidak hanya akan menghindari ketinggalan; mereka akan menetapkan langkah.