인공지능 알고리즘이 운영 관리에 구현되기 어려운 5가지 이유

By: Evgeniya Malina, Food Rocket의 비즈니스 전략 및 운영 책임자.

최근 McKinsey Global Institute의 연구에 따르면, 인공지능은 2030년까지 세계 경제 생산을 13조 달러 증가시킬 수 있을 것으로 예상됩니다.

그러나 이에 따른 도전과 예상치 못한 결과도 있습니다. 인공지능 구현의 가장 일반적인 위험과 도전 중 일부는 개인 정보 보호 문제, 일반화 불가능성, 그리고 전반적인 신뢰 부족입니다.

아래는 운영 관리에 영향을 미치는 인공지능의 세 가지 도전입니다.

1. 데이터 품질이 낮음

강력한 인공지능 알고리즘은 데이터가 필요합니다. 알고리즘을 제대로 훈련하려면 정확하고 고품질의 데이터를大量으로 제공해야 합니다. 그러나 이러한 데이터를 얻는 것이 항상 쉬운 것은 아닙니다. 2020년 Gartner 보고서에 따르면, 데이터 품질이 낮으면 회사에 연간 1,300만 달러의 비용이 발생할 수 있습니다.

예를 들어, 일부 프로세스는 처음부터 디지털 흔적이 없을 수 있습니다. 이 경우 알고리즘에 입력할 데이터가 없습니다. 제공하는 모든 것은 가설과 교육된 추측일 뿐입니다. 이는 두 가지 문제를引き起こ습니다.

첫째, 이것은 프로세스에 인간의 편향을 가져옵니다. 둘째, 알고리즘의 결과는 단순히 최선의 추측의 확장일 뿐입니다. 궁극적으로, 이것은 데이터 풍경이 모호하고 의사 결정 프로세스가 불안정하게 만듭니다.

2. “콜드 스타트”와 직원 참여를 탐색

자동화는 기존 프로세스를 최적화하는 데 탁월하지만, “콜드 스타트”라는 트레이드오프가 있습니다. 이것은 인공지능이 루틴을 기반으로 하는 역사적인 데이터가 없을 때 프로세스를 시작해야 하는 경우입니다. 모든 경우에, 인공지능은 이 장애물을 극복하기 위해 어려움을 겪을 것입니다.

Harvard Business Review에 따르면, 80% 이상의 IT 팀은 인공지능 알고리즘을 위해 일관되지 않은 데이터를 개선하고 tinh chỉnh하는 데 시간을 보냅니다.

인공지능이 “콜드 스타트” 장애물을 극복하고 원활한 작동을 재개하는 데 상당한 인간의 노력이 필요합니다.

私の 경험에 따르면, 이는 공급 관리에 심각한 혼란을 일으킬 수 있으며, 회사에 상당한 수익 손실을 초래할 수 있습니다. 우리는 모두 인공지능이 아직 운영 관리 시스템의 모든 측면을 처리할 수 있을 만큼 발전하지 않았음을 알고 있습니다. 따라서 회사에서 사용하는 모든 인공지능 솔루션은 인간의 의사 결정 프로세스와 겹칩니다.

이것은 좋은 일일 수 있지만, 직원의 개인적인 책임감을 분리시키는 것을 초래할 수도 있습니다. 경우에 따라, 직원은 “인공지능이 그렇게 했다”고 생각할 수 있습니다.

또한, 새로운 알고리즘이 도입되면 품질 지표가 상당히 떨어지는 경우가 많습니다.私の 경험에 따르면, 이것은 이전에 지표를 책임졌던 사람이 더 이상 중요하지 않은 자동화된 의사 결정 프로세스의 일부라고 느끼기 때문에 발생합니다.

자동화의 이 측면을 관리하는 것이 중요합니다. 그렇지 않으면 팀이 무관심과 낮은 헌신의 길로 빠지기 쉽습니다. 또한 브랜드에 해를 끼칠 수 있습니다. 인공지능이 독자적으로 quyết định을 내리면, 특정 연령, 성별 또는 지리적 구역의 고객을 무의식적으로 차별할 수 있습니다.

3. 투명성과 효율적인 구현의 도전

모든 비즈니스 주인은 事態가瞬くに変化할 수 있다는 것을 알고 있습니다. 회사에 새로운 운영을 위한 복잡한 인공지능 솔루션을 구축할 시간이 항상 있는 것은 아닙니다.

사실, 비즈니스에 시간이 없고 자동화의 도움 없이 문제를 해결해야 하는 경우가 더 많습니다. 프로세스를 설정하는 데 너무 시간이 걸리기 때문입니다. 일반적으로 복잡한 모델을 작성할 시간이 없으므로 두 가지 일이 발생합니다.

첫째, 비즈니스에서는 거의 완성된 프로세스를 구현하지만, 중간 단계를 수동으로 삽입할 수 있습니다. 이 경우, 비즈니스에서는 프로세스의 효율성을 최대 80% 손실할 수 있습니다.

둘째, 비즈니스에서는 SaaS를 구현하여 구현 프로세스를 가속화할 수 있습니다. 시간과 비용이 낮아지지만, 효율성 손실的问题이 남아 있습니다. 이 경우, 회사에 맞지 않는 SaaS 알고리즘을 구현하면 수동으로 처리하는 것보다 프로세스가 덜 효율적일 수 있습니다.

이러한 문제 외에도, 인공지능 프로세스의 투명성이 전문가조차도 관리层에게 전달하기 어렵다는 것을 이해하는 것이 중요합니다. 알고리즘의 복잡성으로 인해, 팀이 자동화된 운영 관리로 전환하는 것에 대해 rezerv를 느낄 수 있습니다.

어디로 가야 하나?

일부 연구자들은 현재의 도전이 회사에서 새로운 역할을 창출할 것이라고 제안합니다. 훈련자, 설명자, 지속자입니다.

훈련자는 인공지능 성능을 최적화하는 데 도움을 줄 것입니다. 설명자는 비전문가에게 인공지능의 결정에 대해 설명할 것입니다. 지속자는 인공지능 프로세스를 장기적으로 지속 가능하게 만들 것입니다.

그러나 그때까지, 비즈니스와 창업자는 인공지능이 경쟁 우위를 제공할 것이라고 생각하는 84%의 비즈니스 임원과 같은 상당한 이점을 고려해야 합니다.

인공지능은 운영 관리에 큰 차이를 만들 수 있지만, 아직 완전히 신뢰할 수는 없습니다. 인공지능은 성장, 개발, 구현에 아직 많은 길을 가야 합니다.

인공지능은 운영 관리에 큰 차이를 만들 수 있지만, 아직 완전히 신뢰할 수는 없습니다. 인공지능은 성장, 개발, 구현에 아직 많은 길을 가야 합니다. 인공지능은 운영 관리에 큰 차이를 만들 수 있지만, 아직 완전히 신뢰할 수는 없습니다. 인공지능은 성장, 개발, 구현에 아직 많은 길을 가야 합니다. 인공지능은 운영 관리에 큰 차이를 만들 수 있지만, 아직 완전히 신뢰할 수는 없습니다. 인공지능은 성장, 개발, 구현에 아직 많은 길을 가야 합니다. 인공지능은 운영 관리에 큰 차이를 만들 수 있지만, 아직 완전히 신뢰할 수는 없습니다. 인공지능은 성장, 개발, 구현에 아직 많은 길을 가야 합니다.

against 인공지능의 모호성, 시간 비용, 성장 장애에 대항하여, 인공지능은 운영 관리에 큰 차이를 만들 수 있지만, 아직 완전히 신뢰할 수는 없습니다. 인공지능은 성장, 개발, 구현에 아직 많은 길을 가야 합니다.