5 trinn for å implementere AI i virksomheten din uten å knekke banken

Kunstig intelligens fortsetter å blomstre, og hvis den fortsetter å trenge inn i alle bransjer, vil den fullstendig forandre måten vi lever på.

Som et resultat av dette har integrering av AI i selskapene deres blitt en høyeste prioritet for mange grunnleggere. Selv enkeltpersoner leter etter måter å utnytte AI for å forbedre sine personlige liv.

Hypen er slik Collins Dictionary, en landemerke språkmyndighet, har navngitt AI som årets termin, på grunn av dens økning i popularitet.

Når dette er sagt, for de fleste organisasjoner er det et stort gap mellom idé og virkelighet når de forsøker å inkorporere AI i prosessene deres, fordi veien ikke er så enkel som den ser ut til, og den kan være veldig dyr, både når det gjelder kapitalutgifter nødvendig og i bortkastet tid, fordi utviklingen ikke vil gi de forventede resultatene. Dette har landet flere bedrifter i trøbbel. For eksempel CNET eksperimenterte med AI-skrevne artikler, og de viste seg å være fulle av feil. Andre selskaper, som iTutor Group, har fått store bøter i tillegg til offentlig latterliggjøring på grunn av deres dårlige AI-implementeringer.

Som disse tilfellene viser, kan bedrifter gjøre mange feil med AI, og med mindre en virksomhet har den økonomiske puten til Amazon, Google, Microsoft eller Meta, kan disse mislykkede eksperimentene effektivt slå et selskap konkurs.

Hvis du er en grunnlegger eller bedriftseier, her er en guide med fem trinn for å hjelpe deg med å implementere AI i virksomheten din, samtidig som du bruker ressursene dine på en fornuftig måte – penger og tid, som til syvende og sist er penger – og samtidig reduserer muligheten for dødelig feil.

1. Vær tydelig på problemet du prøver å løse

Ingen selskaper er immune mot AI-feil. Og som Amazon smertelig fant – gjennom sine flunkende kasseløse butikker Amazon Go –ikke alle business case trenger AI.

Derfor er det viktig at du definerer problemet du har som mål å løse med AI. Dette må skisseres så tydelig som mulig.

For eksempel er en vanlig anvendelse av AI kundestøtte. Implementering av AI i et slikt tilfelle er mulig på en måte som har spesifikke utfall, for eksempel å redusere kundesenterkostnadene med X beløp per måned eller fremskynde den gjennomsnittlige tiden det tar å løse kundehenvendelser med X minutter. Med denne tilnærmingen har vi en målbar indikator i form av penger eller tid, som vi vil prøve å oppnå ved å implementere AI og se om dette har noen innvirkning.

Det finnes flere måter dette kan skje på. For eksempel, i stedet for en chatbot, kan vi utvikle eller kjøpe en tjeneste som vil avgjøre om en kundes forespørsel kan besvares med en FAQ-side. Det vil fungere slik. Når en kunde skriver en melding, kjører vi denne modellen, og den forteller oss enten at vi må overføre denne samtalen til en agent, eller viser dem en relevant side med et svar på spørsmålet deres. Å utvikle denne modellen er raskere og billigere enn å bygge en kompleks chatbot fra bunnen av. Hvis denne implementeringen lykkes, vil vi oppnå målet vårt om å redusere kostnader samtidig som vi optimaliserer våre AI-relaterte kapitalutgifter, sammenlignet med kostnadene ved å utvikle en chatbot.

En pioner innen denne tilnærmingen var Matten Law, et California-basert advokatfirma som integrert en AI-drevet assistent for å automatisere mange oppgaver, slik at advokater kan bruke mer tid på å lytte til kundene og studere de aspektene ved en sak som var mest relevante. Dette illustrerer at selv de mest rigide sektorer kan forstyrres gjennom AI på en måte som styrker brukeropplevelsen, ved å forsterke den menneskelige berøringen der det trengs mest.

Ytterligere vanlige problemer som kan løses med AIs hjelp inkluderer dataanalyse og opprettelse av tilpassede tilbud. Spotify er et ekstraordinært eksempel på et selskap som med suksess utnytter AI til å utvikle et intelligent system for musikkanbefalinger, som går så langt som tar hensyn til tidspunktet på dagen der noen lytter til en bestemt sjanger.

I begge de nevnte scenariene er AI med på å gi en bedre opplevelse for kunden. Grunnen til at disse selskapene brukte AI med suksess var imidlertid fordi de var veldig klare på aspektene som måtte delegeres til AI.

2. Bestem deg for dataene du må analysere

Når hovedproblemet er godt definert, må vi ta hensyn til dataene vi trenger å mate systemet med. Det er viktig å huske at AI er en algoritme som analyserer og justerer til dataene vi leverer. Det grunnleggende scenariet for datainnsamling er som følger:

1. Forstå hvilke data vi kan trenge for å implementere AI.

2. Se om virksomheten vår har disse dataene.

   1. Hvis det gjør det - flott.

   2. Hvis ikke, må vi sette oss ned og finne ut om vi kan starte den riktige datainnsamlingsprosessen internt. Som en annen mulighet kan vi be utviklerne om å lagre dataene vi trenger hvis vi ikke gjør det ennå.

Her er et eksempel. Vi eier en kafé, og vi trenger data om hvor mange kunder som besøker den. Vi kan gjøre dette ved å implementere personlige lojalitetskort som brukerne viser frem når de foretar et kjøp. På denne måten vil vi ha dataene vi trenger, som hvilke kunder som kom, når de kom, hva de kjøpte og i hvilken mengde. Når vi har det, kan vi bruke disse dataene til å implementere AI. Det finnes imidlertid tider der det kan være svært kostbart å samle inn disse dataene. Og det er da AI kan komme oss til unnsetning. Hvis vi for eksempel har et kamera installert i kaffebaren vår – noe vi i det minste kan gjøre av sikkerhetshensyn – kan vi utnytte det til å samle inn data fra våre besøkende kunder. Jeg må si at før vi implementerer dette, er det viktig å konsultere om personopplysningslover, som GDPR, da denne tilnærmingen ikke kan fungere i alle land. Men i de jurisdiksjonene der det er tillatt, kan dette være en sømløs måte å samle inn informasjonen du trenger, og be om AIs hjelp til å analysere den og behandle den.

Hvis du lurer på, er dette personlig tilpassede lojalitetsprogrammet hva Starbucks gjorde, med stor suksess. Starbucks' belønningsordning gikk så langt som å gi personlige insentiver hver gang en kunde besøkte deres foretrukne sted eller bestilte favorittdrikken sin.

3. Definer en hypotese

Det kan være situasjoner der du føler deg usikker på hvilke prosesser som kan eller må optimaliseres av AI.

Hvis dette er ditt tilfelle, kan du begynne med å dele opp hele prosessen i stadier, og identifisere de fasene der du føler at virksomheten din ikke presterer dårlig. Hva er de områdene du bruker for mye penger på? Hva tar lengre tid enn vanlig? Ved å svare på disse spørsmålene kan du finne de kritiske områdene for forbedring, og avgjøre om AI kan være til hjelp.

Som du vil finne, er det tilfeller der konvensjonelle løsninger kan være mer effektive. Hvis du sliter med hvilke produkttilbud du skal fremheve til kundene dine, er forslag basert på de mest populære produktene ofte langt mer effektive i markedsplassanbefalingssystemer enn forsøk på å forutsi brukeratferd. Prøv derfor det først. Når du har et resultat – enten det er positivt eller negativt – kan du ha en hypotese for AI-testing. Ellers vil handlingsfeltet være for vagt, og du kan ende opp med å kaste bort tid og penger.

4. Utnytt løsningene som allerede finnes

Mange selskaper har som mål å, med en gang, designe sine egne maskinlæringsalgoritmer. Men hvis du ikke planlegger å trene dem med store datasett over en lengre periode, ikke gjør det. Det vil være veldig dyrt og tidkrevende.

I stedet foreslår jeg at du fokuserer på løsninger som allerede er tilgjengelige. Selskaper som Amazon, Google, Microsoft og mange andre har AI-drevne verktøy som kan hjelpe deg med å nå mange mål. Deretter kan du gradvis signere en kontrakt med en av dem, og ansette en intern utvikler for å dyktig konfigurere de nødvendige API-forespørslene.

Grunnideen er at disse verktøyene kan integreres av forretningsutviklere (ikke ML-spesialister), noe som vil gjøre det mulig for oss å raskt teste hypotesen om hvorvidt AI gir den forventede effekten eller ikke. Hvis den ikke gjør det, kan vi ganske enkelt deaktivere disse verktøyene, og kostnaden for å teste hypotesen vår vil bare være utviklertiden vi brukte på å integrere med den tjenesten og beløpet vi betalte for å bruke verktøyet. Hvis vi utviklet en modell, ville vi brukt lønnen til ML-spesialisten ganger tiden de bruker på å utvikle modellen i tillegg til eventuelle infrastrukturkostnader. Og da er det ikke klart hva vi skal gjøre med utvikleren og modellen hvis den forventede effekten til slutt ikke er der.

Hvis hypotesen vår er bevist, og det AI-drevne verktøyet gir den forventede effekten, gleder vi oss og kommer med en ny hypotese. I fremtiden, hvis vi forutser at kostnadene til verktøyet vokser betydelig, kan vi tenke på å utvikle denne modellen selv, og dermed redusere kostnadene enda mer. Men vi må først vurdere om kostnadene ved utvikling faktisk er mindre enn hva vi ville betalt for å bruke et verktøy fra et annet selskap som spesialiserer seg på å utvikle disse verktøyene.

Mitt råd er at du vurderer å utvikle ditt eget maskinlæringsprodukt først etter at du har oppnådd gode resultater av å bruke AI med verktøyene nevnt ovenfor, og når du er sikker på at AI er den riktige måten å løse problemet på i det lange løp. Ellers vil ikke ML-prosjektet ditt levere verdien du leter etter, og som et strålende nylig stykke av Harvard Business Review sa, AI-hype vil bare distrahere deg fra oppdraget ditt, som ikke trenger AI.

5. Rådfør deg med AI-spesialister

På samme måte er en annen veldig vanlig feil som grunnleggere og bedriftseiere gjør at de prøver å gjøre alt internt. De ansetter en AI-sjefsingeniør eller -forsker, og deretter flere personer for å danne et team som kan lage et banebrytende produkt. Imidlertid vil denne teknologien være verdiløs for bedriftens formål hvis du ikke har en riktig definert AI-implementeringsstrategi. Det er også et tilfelle når de ansetter en Junior ML Engineer, for å spare penger sammenlignet med å ansette en mer erfaren spesialist. Dette er også farlig, fordi en person uten erfaring kanskje ikke kjenner finessene i ML-systemutvikling og -design og gjør "rookie-feil", som selskapet må betale for høy pris for, og nesten alltid overstige prisen for å ansette en erfaren ML-spesialist.

Derfor er min anbefaling at du først ansetter en AI-ekspert, som en konsulent, som vil veilede deg på veien og evaluere AI-adopsjonsprosessen. Utnytt ekspertisen deres for å sikre at problemet du jobber med krever AI, og at teknologien kan skaleres effektivt for å bevise hypotesen din.

Hvis du er en startup på et tidlig stadium, og er bekymret for finansiering, er et hack for dette å kontakte AI-ingeniører på LinkedIn med spesifikke spørsmål. Tro det eller ei, mange ML- og AI-eksperter elsker å hjelpe, både fordi de virkelig er interessert i emnet, og fordi hvis de lykkes med å hjelpe deg, kan de bruke det som en positiv casestudie for deres konsulentportefølje.

Final Thoughts

Med all hypen som er rundt AI, er det normalt at du kanskje er ivrig etter å inkorporere den i virksomheten din og utvikle en AI-drevet løsning som tar deg til neste nivå. Du må imidlertid huske på at det faktum at alle snakker om AI betyr at virksomheten din trenger AI. Mange bedrifter skynder seg dessverre med å integrere AI uten et klart mål i tankene, og ender opp med å kaste bort enorme mengder penger og tid. I noen tilfeller, spesielt for bedrifter i tidlig fase, kan dette bety deres bortgang. Ved å tydelig artikulere et problem, samle relevante data, teste en hypotese og bruke verktøyene som allerede er tilgjengelige ved hjelp av en ekspert, kan du integrere AI uten å tappe firmaets økonomiske ressurser. Deretter, hvis løsningen fungerer, kan du gradvis skalere opp og innlemme AI i de områdene der den øker effektiviteten eller lønnsomheten til bedriften din.