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 van AI in data-analyse, patroonherkenning en kennis synthese kan teams efficiënter maken. Maar ondanks de onmiskenbare waarde van AI, geeft nieuw onderzoek aan dat slechts 13% van de bedrijven het op een uitgebreide manier heeft geadopteerd. De meeste bedrijven spelen het veilig en gebruiken AI alleen voor de laagste risico-taken. 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 missende schakel.

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

De applicatielaag is waar de softwareoplossingen wonen. Dit is waar de meeste waarde van AI gegenereerd wordt; het is waar gebruikers indirect met AI omgaan 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 van bewust zijn of niet. 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 applicatielaag. Hoge kwaliteit, overvloedige data kan robuuste use cases ondersteunen, terwijl twijfelachtige of onvoldoende data dat niet kan.

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

De implicaties van onevenwichtigheid.

De uitvoer van AI is altijd afhankelijk 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 voldoende kunnen ondersteunen met voldoende data, zullen de implicaties verstrekkend zijn. Ten eerste is er het 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 zonder enige inzichten zijn. Buiten dit “beste” resultaat ligt een waarschijnlijker resultaat: AI-hallucinaties, foutieve uitvoer en negatieve ROI. Niet alleen zal de investering verspild zijn, 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-arme AI-oplossing zien. Over het algemeen adopteren bedrijven AI om meer te kunnen doen: meer inzichten te verkrijgen, meer klanten te bedienen, efficiënter te opereren. Als organisaties tijd en middelen in een AI-hulpmiddel steken dat niet werkt, hebben ze effectief hun eigen groei belemmerd, waardoor ze minder in staat zijn om zich aan te passen aan de markt en de concurrentie voor te blijven. Dat zet ze in het nadeel en zal hen ertoe dwingen om 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.

De kloof vullen met de juiste data.

Om het risico van oversimplificatie te nemen, is de beste manier voor leiders om een AI-onevenwichtigheid te voorkomen, om hun due diligence uit te voeren voordat ze met een AI-gebaseerde oplossing verdergaan. Voordat ze een nieuw hulpmiddel inzetten, moeten ze de tijd nemen 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 herkomst, kwaliteit of hoeveelheid van de onderliggende data, moet dat alarmbellen doen afgaan. Neem een tweede of derde mening van kanaalpartners en integrators. Crowdsourcing-intelligentie door te tappen in gebruikersdiscussienetwerken zoals Reddit en Discord; zie waar andere adoptanten tegen hobbels of obstakels aan liepen. Wetende wat rode vlaggen te zoeken zijn voordat u enige beslissingen neemt, kan leiders helpen om een wereld van hoofdpijn en gemiste verwachtingen te vermijden.

Natuurlijk is deze vooruitziendheid niet altijd mogelijk en zal het organisaties in het midden van een AI-gegevensgebrek niet helpen. Als het scrappen van de bestaande oplossing geen optie is, is de beste optie het vinden van een manier 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 universele oplossing. Het kan moeilijk zijn om de exacte oorsprong van synthetische data te bepalen, dus het kan niet altijd de beste weg voorwaarts zijn. Dat gezegd hebbende, er is een tijd en een plaats voor synthetische data. Het is bijvoorbeeld goed in het trainen van AI-beveiligingsmodellen, vooral op een tegenstrijdige manier. Zoals altijd zal voorafgaand onderzoek leiders helpen om de beste beslissingen voor hun bedrijf te nemen.

Voor branches zoals detailhandel of quick service restaurants (QSR) is menselijke data de voorkeur. Bedrijven in deze branches gebruiken waarschijnlijk AI om hun klantenervaring te optimaliseren, dus hun hulpmiddelen moeten getraind worden op menselijke gedragsdata. Als u bijvoorbeeld wilt voorspellen hoe ver gebruikers op een pagina zullen scrollen, wilt u dat de AI zijn voorspelling baseert op het werkelijke menselijke 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 is alleen een kwestie van het vastleggen, structureren en analyseren van hun gedragsdata, 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 zuiveren, 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 maar te denken aan de volgende stappen. Maar zelfs het erkennen van het probleem is een prestatie op zich. Van daaruit gaat het erom 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 zijn sleutelcomponenten: infrastructuur, applicatie en data. Zonder deze lagen zal zelfs de meest elegante AI-oplossing platvallen. De organisaties die de datagap nu dichten, zullen niet alleen voorkomen dat ze achterblijven; ze zullen de toon zetten.