5 trinn for å implementere AI i din bedrift uten å bryte banken

Kunstig intelligens fortsätter å blomstre, og hvis det fortsetter å trenge seg inn i hver bransje, vil det fullstendig forandre måten vi lever på.

Som et resultat av dette har integrering av AI i sine selskaper blitt en ytterst viktig prioritet for mange gründere. Selv enkeltpersoner søker etter måter å utnytte AI for å forbedre sine personlige liv.

Hypen er så stor at Collins Dictionary, en fremtredende språkautoritet, har kåret AI som årets ord, på grunn av dens popularitetsøkning.

Det er sagt, for de fleste organisasjonene, er det et stort gap mellom ide og virkelighet når de prøver å inkorporere AI i sine prosesser, fordi veien ikke er like rett frem som den ser ut, og det kan være svært dyrt, både i form av kapitalutgifter og i spilt tid, fordi utviklingen ikke vil gi de forventede resultater. Dette har ført til at flere bedrifter har havnet i trøbbel. For eksempel, CNET eksperimenterte med AI-skrevne artikler, og de viste seg å være full av feil. Andre selskaper, som iTutor Group, fikk 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 et foretak har den finansielle polstringen til Amazon, Google, Microsoft eller Meta, kan disse feilaktige eksperimentene effektivt ruinere et selskap.

Hvis du er en gründer eller bedriftseier, er her en guide med fem trinn for å hjelpe deg å implementere AI i din bedrift, samtidig som du gjør en forsvarlig bruk av dine ressurser – penger og tid, som til slutt er penger – og samtidig reduserer muligheten for fatale feil.

1. Vær klar på problemet du prøver å løse

Ingen bedrift er immun mot AI-feil. Og som Amazon smertelig fant ut – gjennom sine flående kontantløse butikker Amazon Go – ikke alle forretningsfall trenger AI.

Derfor er det kritisk at du definerer problemet du prøver å løse med AI. Dette må være skissert så tydelig som mulig.

For eksempel er en vanlig anvendelse av AI kundeservice. Implementering av AI i et slikt tilfelle er mulig på en måte som har bestemte resultater, for eksempel, redusere kostnadene for kundeservice-senteret med X beløp per måned eller å øke hastigheten på 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 effekt.

Det er flere måter dette kan skje på. For eksempel, i stedet for en chatbot, kan vi utvikle eller kjøpe en tjeneste som vil bestemme om en kundes spørsmål kan besvares med en FAQ-side. Den 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 deres spørsmål. Å utvikle denne modellen er raskere og billigere enn å bygge en kompleks chatbot fra bunnen av. Hvis denne implementeringen lykkes, vil vi oppnå vårt mål om å redusere kostnadene samtidig som vi optimaliserer våre AI-relaterte kapitalutgifter, i sammenligning med utgiftene til å utvikle en chatbot.

En pioner i denne tilnærmingen var Matten Law, en California-basert advokatfirma som integrerte en AI-drevet assistent for å automatisere mange oppgaver, og enable advokater til å bruke mer tid på å lytte til kunder og studere de aspektene av en sak som var mest relevante. Dette viser at selv de mest rigidene sektorer kan bli forstyrret gjennom AI på en måte som styrker brukeropplevelsen, ved å forsterke det menneskelige aspektet der det er mest nødvendig.

Andre vanlige problemer som kan løses med AI-innsats inkluderer dataanalyse og skaping av tilpassede tilbud. Spotify er et ekstraordinært eksempel på et selskap som suksessfullt utnytter AI for å utvikle et intelligent system for musikk-anbefalinger, som går så langt som tar hensyn til tidspunktet på dagen når noen lytter til en bestemt sjanger.

I begge ovennevnte scenarier hjelper AI med å gi en bedre opplevelse for kunden. Men grunnen til at disse selskapene brukte AI suksessfullt var fordi de var svært klare på hvilke aspekter som måtte bli delegert til AI.

2. Bestem dataene du vil analysere

Når hovedproblemet er godt definert, må vi ta hensyn til dataene vi må mata systemet med. Det er nødvendig å huske at AI er en algoritme som analyserer og tilpasser seg dataene vi gir den. Den grunnleggende scenariot for datainnsamling er som følger:

1. Forstå hva slags data vi måtte trenge for å implementere AI.

2. Se om vårt bedrift har den dataen.

   1. Hvis det gjør – bra.

   2. Hvis ikke, må vi sitte ned og finne ut om vi kan starte den riktige datainnsamlingen internt. Som en annen mulighet, kan vi be utviklere om å spare dataene vi trenger hvis vi ikke gjør det ennå.

Her er et eksempel. Vi eier en kaffebar, og vi trenger data på hvor mange kunder som besøker den. Vi kan gjøre dette ved å implementere personlige lojalitetskort som kundene vil vise når de gjør 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 denne dataen til å implementere AI. Men det er ganger når innsamling av denne dataen kan være svært dyrt. Og det er da AI kan komme til vår unnlatelse. For eksempel, hvis vi har en kamera installert i vår kaffebar – som vi kanskje allerede har for sikkerhetsformål – kunne vi utnytte den til å samle inn data fra våre besøkende kunder. Jeg må si at før vi implementerer dette, er det viktig å konsultere om personlige datalover, som GDPR, fordi denne tilnærmingen kanskje ikke vil fungere i alle land. Men i de jurisdiksjonene hvor det er tillatt, kan dette være en sømløs måte å samle inn informasjonen du trenger, og å bruke AI til å analysere og prosessere den.

Hvis du lurer, er denne personlige lojalitetsprogrammet det Starbucks gjorde, med stor suksess. Starbucks’ belønningssystem gikk så langt som å gi personlige incitamenter når en kunde besøkte deres foretrukne lokasjon eller bestilte deres favoritt-drikke.

3. Definer en hypotese

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

Hvis dette er ditt tilfelle, kan du starte med å bryte ned hele prosessen i stadier, og identifisere de fasene hvor du føler at din bedrift underpresterer. Hva er de områdene som du bruker for mye penger på? Hva tar lengre tid enn vanlig? Ved å svare på disse spørsmålene, kan du peke ut de kritiske områdene for forbedring, og bestemme om AI kan være til hjelp.

Som du vil finne, er det tilfeller hvor konvensjonelle løsninger kan være mer effektive. Hvis du sliter med å bestemme hvilke produkttilbud som skal fremheves til kundene dine, er forslag basert på de mest populære produktene ofte mye mer effektive i markedsanbefalinger enn forsøk på å forutsi brukeratferd. Derfor, prøv det først. Når du har et resultat – enten det er positivt eller negativt – kan du ha en hypotese for AI-testing. Ellers vil området for handling være for vagt, og du kan ende opp med å spille bort tid og penger.

4. Utnytt de løsningene som allerede eksisterer

Mange selskaper prøver å designe sine egne maskinlæringsalgoritmer med en gang. Men hvis du ikke planlegger å trene dem med store datamengder over en lengre periode, gjør det ikke. Det vil være svært dyrt og tidskrevende.

I stedet anbefaler jeg at du fokuserer på løsningene som allerede er tilgjengelige. Selskaper som Amazon, Google, Microsoft og mange andre har AI-drevne verktøy som kan hjelpe deg å oppnå mange mål. Deretter kan du gradvis inngå en kontrakt med en av dem, og hyre en intern utvikler til å konfigurere de nødvendige API-forespørsler.

Den grunnleggende idéen er at disse verktøyene kan integreres av forretningsutviklere (ikke ML-eksperter), som vil tillate oss å raskt teste hypotesen om AI bringer den forventede effekten eller ikke. Hvis det ikke gjør det, kan vi enkelt deaktivere disse verktøyene, og vår kostnad for å teste vår hypotese ville bare være utvikler-tiden vi brukte på å integrere med den tjenesten og beløpet vi betalte for å bruke verktøyet. Hvis vi utviklet en modell, ville vi bruke lønnen til ML-eksperten gang tiden de bruker på å utvikle modellen, i tillegg til eventuelle infrastrukturkostnader. Og så er det ikke klart hva vi skal gjøre med utvikleren og modellen hvis den forventede effekten ikke er der.

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

Min råd er at du bare utvikler din egen maskinlæringsprodukt etter at du har fått gode resultater fra å bruke AI med de ovennevnte verktøyene, og når du er sikker på at AI er riktig måte å løse ditt problem på lang sikt. Ellers vil ditt ML-prosjekt ikke levere den verdien du ser etter, og som en briljant artikkel i Harvard Business Review sa, vil AI-hypen bare vil distrahere deg fra din misjon, som ikke trenger AI.

5. Konsulter med AI-eksperter

På samme måte, en annen svært vanlig feil som gründere og bedriftseiere gjør, er at de prøver å gjøre alt internt. De hyrer en AI-sjefingeniør eller forsker, og deretter flere mennesker for å danne et team som kan skape et banebrytende produkt. Men denne teknologien vil være verdiløs for ditt selskaps formål hvis du ikke har en ordentlig definert AI-implementeringsstrategi. Det er også en situasjon hvor de hyrer en junior ML-ingeniør for å spare penger i forhold til å hyre en mer erfaren spesialist. Dette er også farlig, fordi en person uten erfaring kan ikke kjenne til finessene i ML-systemutvikling og design og gjøre “rookie-feil”, som selskapet vil måtte betale en for høy pris for, nesten alltid overstigende prisen for å hyre en erfaren ML-spesialist.

Derfor anbefaler jeg at du først hyrer en AI-ekspert, som en konsulent, som vil guide deg på veien og evaluere din AI-adoptionsprosess. Utnytt deres ekspertise til å sikre at problemet du arbeider med krever AI, og at teknologien kan skaleres effektivt for å bevise din hypotese.

Hvis du er en tidlig fase-startup, og er bekymret for finansiering, er en 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 er virkelig interessert i emnet, og fordi hvis de lykkes i å hjelpe deg, kan de bruke det som et positivt case-study for deres konsulentportefølje.

Slutt-tanker

Med all hypen som omgir AI, er det normalt at du kanskje er ivrig etter å inkorporere det i din bedrift og utvikle en AI-drevet løsning som tar deg til neste nivå. Men du må huske at det faktum at alle snakker om AI, betyr ikke at din bedrift trenger AI. Mange bedrifter, dessverre, rusher til å integrere AI uten en klar mål i tankene, og ender opp med å spille bort enorme mengder penger og tid. I noen tilfeller, spesielt for tidlige fase-selskaper, kan dette bety deres undergang. Ved å tydelig artikulere et problem, samle relevante data, teste en hypotese, og bruke de verktøyene som allerede er tilgjengelige med hjelp av en ekspert, kan du integrere AI uten å drene din bedrifts finansielle ressurser. Deretter, hvis løsningen fungerer, kan du gradvis skalerer opp og inkorporerer AI i de områdene hvor det øker effektiviteten eller lønnsomheten til ditt selskap.