L’intelligenza artificiale incontra l’ingegneria analitica: maturità dell’AI per il processo

Le aziende di tutti i tipi di industrie e specializzazioni stanno sentendo il bisogno di immergersi nel mondo dell’intelligenza artificiale, e questo include l’ingegneria analitica. Le opportunità sono reali e sono emozionanti, ma le organizzazioni che desiderano trarre il massimo vantaggio da esse dovrebbero implementare la loro struttura di processo in modo pensato e realistico, basato sulla loro maturità dell’AI. Esploriamo come.

Livelli di maturità dell’AI

Quando si descrive la complessità dell’AI che si utilizza, i livelli di maturità dell’AI sono utili come semplice quadro di riferimento chiarificatore.

Livello 1: Intelligenza assistita (Automazione): automazione di base di attività e flussi di lavoro ripetitivi. Esempi: chatbot con risposte fisse, strumenti di ricerca interna, crawler di siti web.

Livello 2: Intelligenza aumentata (Analisi guidata): si indica all’AI il metodo/modello e cosa analizzare, e l’AI esegue il resto. Esempi: algoritmi di offerte pubblicitarie, riassuntori di contenuti.

Livello 3: Intelligenza autonoma (AI autoapprendente): l’AI seleziona i metodi, trova pattern e offre raccomandazioni. Esempi: auto a guida autonoma, robot di trading azionario autonomi .

Pressione per “AI”

Naturalmente, oggi c’è molta pressione per essere al livello 3. Ma ciò dipende in gran parte dalle risorse, dagli asset, dalle capacità di base, dalle conoscenze e dalle persone dell’azienda. L’approccio migliore è iniziare da dove ha senso, anche se è al livello 1.

Attualmente, ci sono milioni di articoli online che bombardano con idee per l’AI. Ma le idee non portano a casa il bacon. Secondo Adobe, solo il 12% delle aziende attualmente dispone di soluzioni AI funzionanti che dimostrano un chiaro ROI. La maggior parte di questi sono ancora in fase di pilotaggio, valutazione dell’efficacia o affronta sfide nella scalabilità delle iniziative AI. Molti team lottano per identificare dove l’AI possa essere integrata in modo significativo nei loro flussi di lavoro e anche quando viene identificato un caso d’uso, molte organizzazioni mancano delle capacità interne per costruire strumenti AI personalizzati o trovare soluzioni esterne affidabili.

Restiamo su applicazioni realistiche. Ci sono grandi modi per sviluppare un uso graduale dell’AI in elementi realistici di lavoro per i leader che sono pronti a scalare in modo responsabile.

Cosa può essere automatizzato quando si costruisce l’analisi per un prodotto ecommerce/SaaS

A mio parere, ci sono due processi comuni all’interno dei team di ingegneria analitica di successo che sono grandi candidati per costruire la maturità dell’AI:

1. AI per la gestione delle conoscenze e l’onboarding
2. AI per l’automazione della QA e dell’audit

1. AI per la gestione delle conoscenze e l’onboarding

La documentazione è uno strumento chiave per tenere traccia di sistemi complessi. Secondo il Framework del Processo, il riferimento di progettazione della soluzione (SDR) deve documentare ogni uno dei cinque passaggi. Potrebbe sembrare così:

• Processo #1: Documentazione dei risultati attesi.
• Processo #2: Tenere traccia delle storie di raccolta dei dati chiave che vengono verificate regolarmente.
• Processo #3: Annotare la storia dei requisiti dei dati degli stakeholder tecnici di terze parti.
• Processo #4: Dettagliare il livello dei dati attraverso tutte le app e le superfici.
• Processo #5: Descrivere e dettagliare l’architettura di ingegneria con diagrammi, gerarchie e requisiti.

Ora, aggiungiamo un po’ di AI a questo.

Livello 1

Al livello 1, è possibile iniziare a utilizzare chatbot interni per il recupero dei documenti.

Molte aziende hanno ora chatbot interni che possono essere addestrati sulla documentazione proprietaria. Se non si dispone di un chatbot interno, è possibile utilizzare la modalità incognito o oscurare la documentazione prima di alimentare il bot.

Alimentare il bot con i propri SDR, manuali di QA, convenzioni di denominazione e standard di implementazione.

Dopo un rilascio di successo, alimentare il progetto di AI con note o piani di implementazione per aggiungere alla documentazione. Quindi, chiedere all’AI le seguenti domande:

• “Qual è il miglior metodo per implementare X se si desidera utilizzare la stessa logica di Y?”
• “Quali dati sono necessari per la raccolta per il tracciamento degli acquisti?”
• “Quali tag mancano da questa nuova pagina del prodotto?”

Il risultato di questo processo è che si spende meno tempo sfogliando documenti o chiedendo ai colleghi, i nuovi membri del team possono servirsi da soli delle risposte e la conoscenza tribale diventa scalabile.

Ci sono alcune avvertenze qui. Questo metodo funziona veramente se si fa un buon lavoro di mantenimento della documentazione, e diventa scalabile solo se si addestra e si richiede ai propri dipendenti di utilizzare lo strumento.

Livello 2

Se questo funziona per il proprio dipartimento, si può pensare di scalare verso la connessione diretta del chatbot con la tecnologia. È possibile automatizzare l’automazione.

Livello 3

Sono sicuro che il cielo è il limite qui. La direzione che perseguirei sarebbe quella di costruire un’AI proattiva che segnala le incoerenze e offre miglioramenti. La realtà è che poche aziende raggiungono questo livello, e sto scrivendo questo articolo per la maggior parte di noi, che stanno ancora imparando le basi.

2. AI per l’automazione della QA e dell’audit

Eseguire regolarmente un’audit dei metodi di raccolta dei dati è una delle migliori pratiche per il Framework del Processo. Molto spesso, l’auditor sarà un team di QA o, in alternativa, può essere utilizzato uno strumento di audit. Ad esempio, ObservePoint è uno strumento personalizzabile e molto potente, che consente di costruire flussi di audit molto intricati. Anche con un robot, si potrebbe sempre utilizzare un po’ di AI, giusto?

Livello 1

Iniziamo automatizzando le parti tecniche. Costruire percorsi in strumenti di audit come ObservePoint può essere tecnico e richiede molto supporto. Per automatizzare alcune di queste attività tecniche ripetitive, mentre si costruiscono percorsi di audit, è possibile chiedere nuovamente l’aiuto di un chatbot AI. Chiedere all’AI le seguenti domande:

“Dammi il selettore CSS per il pulsante ‘Prossimo passo’.”

“Scrivi codice personalizzato che si iscrive automaticamente a tutti i cookie.”

Il risultato di ciò dovrebbe essere una maggiore facilità d’uso quando si lavora con strumenti tecnici molto avanzati, una risoluzione più rapida dei problemi e una minore dipendenza dal supporto e dagli sviluppatori frontend.

Alcune avvertenze qui sono che se non si utilizza un robot crawler per gli audit dei dati, potrebbe essere utilizzato un team di QA. Il team di QA può esaminare l’adozione di automazioni per passaggi comuni. Iniziare con piccoli passi, aumentare una volta pronti; i prossimi passaggi diventano più chiari una volta che si prende il primo passo.

Livello 2

Per l’utilizzo dell’AI al livello 2, si può esaminare l’integrazione del chatbot con lo strumento direttamente, evitando la richiesta manuale del chatbot.

Livello 3

Infine, per l’utilizzo dell’AI al livello 3, il cielo è nuovamente il limite. Scoprire come rendere le proprie automazioni più proattive nell’individuazione di miglioramenti e nella raccomandazione di soluzioni. Seguire questa strada solo se si sente di navigare comodamente al livello 2.

Cosa non automatizzare (ancora)

Consideriamo la Migliore Pratica #3: Collaborare con gli stakeholder tecnici di terze parti. Questo è qualcosa che gli esseri umani fanno ancora meglio. È possibile utilizzare l’AI per prepararsi alle chiamate con i fornitori, riassumere i contratti o creare bozze di linee guida di integrazione. Ma per ora, la costruzione delle relazioni rimane umana.

Pensieri finali

Anche se non si dispone di un budget per lo sviluppo di AI personalizzato, è possibile iniziare con gli strumenti che si hanno già. Un buon processo e un buon chatbot possono andare molto lontano.

Iniziare con semplicità, al livello 1 o 2, e lasciare che il team si senta a proprio agio. Una volta che si vede dove l’AI sta risparmiando tempo e aumentando la coerenza, si saprà dove investire in strumenti più avanzati. La parte più difficile dell’adozione dell’AI è spesso capire dove se ne ha bisogno per prima. Una volta che si è stabilito quel livello di base, provare a spostare le cose a un livello superiore con il team e vedere quanto più liscia possa essere l’ingegneria analitica alimentata dall’AI.

Desiderare imparare di più sull’AI nell’ingegneria analitica e, più specificamente, sui migliori processi per la raccolta di dati puliti? Controllare il mio articolo sulla creazione di un Framework di dati puliti per il commercio elettronico.