Succesvolle AI-adoptie vereist 3 componenten — de meeste bedrijven hebben er maar 2

Op dit punt is AI geen nieuwe technologie meer. De bewezen effectiviteit in data-analyse, patroonherkenning en kennisintegratie kan teams efficiënter maken. Maar ondanks de onmiskenbare waarde van AI, geeft nieuw onderzoek aan dat slechts 13% van de bedrijven het op uitgebreide wijze heeft geadopteerd. De meeste bedrijven spelen het veilig en gebruiken AI alleen voor de laagste risicotaken. Wat weerhoudt merken ervan om erin te springen en de voordelen te plukken? De kloof tussen AI-aspiraties en -prestaties komt neer op een structurele tekortkoming.

De ontbrekende schakel.

Succesvolle, brede AI-adoptie vereist drie componenten: infrastructuur, toepassing en data. De infrastructuurlaag bestaat uit het AI-model, waarvan het kader de gebruiks- en uitvoervormen rechtstreeks bepaalt.

De toepassingslaag is waar de softwareoplossingen wonen. Dit is waar de meeste waarde van AI gegenereerd wordt; het is waar gebruikers (misschien indirect) met AI interactie hebben en de uitvoer ervan beoordelen; het is het centrum van AI-geïnformeerde besluitvorming.

Tussen deze lagen in zit de datalaag, en dat is de component waar de meeste bedrijven moeite mee hebben – of ze zich daar nu wel of niet van bewust zijn. Deze laag bevat alle data; data die past in de onderliggende AI-modellen en de toepassingen die worden gebouwd. De kwaliteit van de datalaag bepaalt rechtstreeks de uitvoer op de toepassingslaag. Hoge kwaliteit, overvloedige data kan robuuste use cases ondersteunen, terwijl twijfelachtige of onvoldoende data dat niet kan.

Tot organisaties alle drie lagen van AI-adoptie kunnen bouwen – of samenwerken met bedrijven die dat doen – zullen ze de maximale waarde niet kunnen behalen.

De implicaties van onevenwichtigheid.

De uitvoer van AI zal altijd afhankelijk zijn van de data die het krijgt. Als een organisatie wil dat haar AI in staat is om synthetische moleculaire structuren te voorspellen, moet ze het veel fysica-data voeren. Als een retailer AI wil gebruiken om het gedrag van gebruikers te voorspellen en de digitale ervaring te verbeteren, moet ze het gedragsdata voeren.

Als bedrijven (of hun partners) hun AI-hulpmiddelen niet adequaat kunnen ondersteunen met voldoende data, zullen de implicaties verstrekkend zijn. Ten eerste is er de AI-oplossing zelf. In het beste geval zal het technisch operationeel zijn, maar niet in de mate die gewenst is. De uitvoer kan zwak, matig of geheel zonder inzichten zijn. Buiten dit “beste” resultaat ligt een waarschijnlijker resultaat: AI-hallucinaties, onjuiste uitvoer en negatieve ROI. Niet alleen zal de investering verloren zijn gegaan, maar organisaties moeten mogelijk meer uitgeven om de schade te beperken.

Als we uitzoomen van de onmiddellijke gevolgen, kunnen we de bredere implicaties van een data-gebrekkige AI-oplossing zien. Over het algemeen nemen bedrijven AI aan om meer te kunnen doen: meer inzichten te verkrijgen, meer klanten te bedienen, efficiënter te opereren. Als organisaties tijd en middelen steken in een AI-hulpmiddel dat tegenvalt, hebben ze effectief hun eigen groei beperkt, waardoor ze minder in staat zijn om zich aan te passen aan de markt en de concurrentie voor te blijven. Dat zet hen in het nadeel en laat hen worstelen om de verloren tijd, middelen en – mogelijk – klanten in te halen.

Maar er is hoop; er is veel dat organisaties kunnen doen om zich goed te positioneren, een AI-onevenwichtigheid te corrigeren (of te voorkomen) en verder te gaan.

Het gat vullen met de juiste data.

Om het te oversimplificeren, is de beste manier voor leiders om een AI-onevenwichtigheid te voorkomen, om hun huiswerk te doen voordat ze met een AI-gebaseerde oplossing verdergaan. Voordat ze een nieuw hulpmiddel inzetten, nemen ze de tijd om te leren over de herkomst van de data en hoe deze gegenereerd wordt.

Als uw oplossingsprovider of leidinggevende ingenieur u geen rechtstreeks antwoord kan geven over de bron, kwaliteit of hoeveelheid van de onderliggende data, moet dat alarmbellen doen afgaan. Neem een tweede of derde mening van kanaalpartners en integrators. Crowdsourcing-intel door gebruik te maken van gebruikersdiscussienetwerken zoals Reddit en Discord; zie waar andere adoptanten tegen hiccups of obstakels aanliepen. Wetende wat rode vlaggen te zoeken zijn voordat u beslissingen neemt, kan leiders helpen een wereld van hoofdpijn en gemiste verwachtingen te vermijden.

Natuurlijk is deze vooruitziendheid niet altijd mogelijk en zal het organisaties die al met een AI-gegevens tekortkoming te maken hebben, niet helpen. Als het niet mogelijk is om de bestaande oplossing te schrappen, is de beste optie om een manier te vinden om meer data toe te voegen, zodat het hulpmiddel meer context, patronen en inzichten heeft om uit te putten.

Synthetische data is een optie hier, maar het is geen wondermiddel. Het kan moeilijk zijn om de exacte oorsprong van synthetische data te bepalen, dus het is niet altijd de beste weg voorwaarts. Dat gezegd hebbende, is er een tijd en een plaats voor synthetische data. Bijvoorbeeld, het is uitstekend in het trainen van AI-beveiligingsmodellen, vooral op een tegenstrijdige manier. Zoals altijd zal onderzoek vooraf helpen om de beste beslissingen voor uw bedrijf te nemen.

Voor industrieën zoals detailhandel of quick service restaurants (QSR) is humaan data de voorkeur. Bedrijven in deze industrieën gebruiken waarschijnlijk AI om de klantervaring te optimaliseren, dus hun hulpmiddelen moeten getraind worden op humaan gedragsdata. Bijvoorbeeld, als u hoopt te voorspellen hoe ver gebruikers op een pagina zullen scrollen, wilt u dat de AI zijn voorspelling baseert op werkelijk humaan gedrag onder vergelijkbare omstandigheden.

In sommige gevallen gaat het niet zozeer om het verkrijgen van nieuwe data als wel om het activeren van bestaande data. De bezoekers van de site en app zijn er al – het gaat er alleen om om hun gedragsdata te verzamelen, te structureren en te analyseren, zodat AI-hulpmiddelen het kunnen gebruiken.

Aan het einde van de dag is het hebben van onvoldoende data beter dan het hebben van slechte data; alles wat organisaties kunnen doen om hun oplossingen te reinigen, zal helpen om betere resultaten te behalen.

Waar te beginnen.

Het hebben van te weinig AI-data kan een aanzienlijke uitdaging vormen voor organisaties van elke omvang, en het kan ontmoedigend zijn om alleen al te denken aan wat de volgende stappen zouden kunnen zijn. Maar zelfs het erkennen van het probleem is een prestatie op zich. Vanaf daar gaat het erom om de beheersbare, incrementele stappen te vinden die u een voor een kunt aanpakken.

AI houdt enorm veel belofte in – maar alleen voor diegenen die bereid zijn om te investeren in elk van de sleutelcomponenten: infrastructuur, toepassing en data. Zonder deze lagen zal zelfs de meest elegante AI-oplossing tegenvallen. De organisaties die de datagap nu sluiten, zullen niet alleen achterblijven; ze zullen de toon aangeven.