Planlegging, PoC og produksjon av en vellykket AI-drevet bedriftsløsning

Bedrifter akselererer sine initiativer med kunstig intelligens (AI) i et raskt tempo. En studie av Algorithmia viste at 76 prosent av IT-sjefene prioriterer og øker IT-budsjettene sine for å ha større fokus på AI og maskinlæringsløsninger (ML). Organisasjoner erkjenner også viktigheten av data, og de fleste omfavner det faktum at 80 prosent av bedriftsdata er ustrukturert i naturen.

Ustrukturerte data produseres og vokser i en alarmerende hastighet i en bedriftsstabel. Måleenheten har skiftet fra terabyte til petabyte. Som et resultat må IT-fagfolk, CDO-er og CIO-er håndtere noen nye utfordringer for å møte en økende etterspørsel etter brukbare data og handlingskraftig innsikt. Til tross for AIs enorme potensial til å transformere enhver industri, bare 15 prosent av AI-løsningene implementert innen utgangen av 2022 vil være vellykket, og færre av disse vil generere en positiv avkastning.

Det største problemet er at de fleste AI-løsninger for bedrifter ikke ser dagens lys på grunn av feiljustering av forventningene. Det fortsetter å være misoppfatninger rundt mulighetene til AI, og prosjekter fortsetter å bli unnfanget på hype-drevne modeller. De fleste produkter eller modeller er langt fra den faktiske virkeligheten i den daglige virksomheten. Andre drivende faktorer for lavere suksessrater inkluderer: kostnadsoverskridelser, mangel på AI Centers of Excellence (CoE), uerfarne talenter, utilgjengelighet av data og utdaterte retningslinjer, for å nevne noen.

Planlegging baner vei for suksess med Enterprise AI

Ustrukturerte data er data som mangler en forhåndsdefinert datamodell og inkluderer alt fra teksttunge dokumenter og nettsteder til bilder, videofiler, chatbots, lydstrømmer og innlegg i sosiale medier. Med den økende mengden ustrukturerte data i bedriftsarkitekturen er det avgjørende å ha en effektiv og inkrementell plan som er i tråd med målene til alle bedriftens interessenter. Typiske mål på organisasjonsnivå kan omfatte: prosessautomatisering, svindeloppdagelse, forbedre kundeopplevelsen, forbedre sikkerheten, øke salget og så videre. Selv om noen av disse målene kan oppnås ganske effektivt, på grunn av dataenes strukturerte natur, kan planlegging rundt ustrukturerte data være utfordrende.

Vanligvis starter planlegging med å identifisere mulighetsområder i en organisasjon. Selv om det kan være en storartet AI-visjon på ledernivå, er det avgjørende å identifisere et område som har høy innvirkning, lav risiko og kontinuerlig vekst i data. Et godt eksempel på en slik brukstilfelle vil være funksjonen til lånebehandling i bank- og finansnæringen. Låneoriginering til service er gjennomsyret av manuelle prosesser hvor informasjon legges inn for hånd i systemene på en repeterende måte. Due diligence av lånesøknader innebærer en betydelig mengde dokumentinnlevering, noe som utgjør flere risikoer. Imidlertid kan AI brukes i flere områder av arbeidsflyten, inkludert dokumentbehandling og svindeloppdagelse. Dette er også et område hvor det er en kontinuerlig år-til-år-vekst av data.

Andre kritiske trinn å vurdere i denne planleggingsfasen inkluderer å definere målbare suksesskriterier, formulere en sammenhengende datastrategi, kontinuerlig opplæring og tilbakemelding, og måle brukeropplevelsen, skalerbarheten og infrastrukturen.

Definere målbare suksesskriterier (og unngå vognen før hesteøyeblikket!)

Googles tidlige suksess tilskrives ofte at selskapet har innført objektive nøkkelresultater (OKR). Selv om denne tilnærmingen er noe som kan brukes på alle aspekter av forretningsmål eller personlige mål, kan det å ta denne velprøvde tilnærmingen til AI-strategien gi noen lovende resultater. Men når det kommer til ustrukturerte data, er det et problem under utvikling som bransjen for øvrig prøver å løse. Gitt utfordringene, bør bedriftsledere stille ulike spørsmål for å bestemme "hva" og "hvorfor". Hvis for eksempel å øke produktiviteten er hovedmålet, er to spørsmål som kan besvares:

• Bør jeg planlegge å forbedre gjennomstrømmingen ved hjelp av automatisering? eller
• Bør jeg planlegge å løse 80 prosent av problemet for 100 prosent av alle innsendte saker?

Svar på disse spørsmålene fører til to forskjellige implementeringsreiser, og det er viktig å bestemme hvilken som er riktig for din bedrift.

Med ustrukturerte data er et annet tvetydig måleområde nøyaktighet. I eksemplet med lånebehandling er det så mye variasjon i dokumentene som sendes inn av kunder, at det er avgjørende for forretnings- og teknologiledere å komme til konsensus om hvordan nøyaktigheten til AI-løsningen måles. Hvis produktivitet er et av målene med å etablere en AI-løsning, vil det være nødvendig å identifisere andre områder som påvirker produktiviteten. Dette kan oppnås ved å se nøye på den nåværende prosess som den er og reimagine prosessen med AI-automatisering. Ofte fører ny automatisering til nye trinn i prosessen som manuell unntakshåndtering, merknader, opplæring osv. Med disse trinnene på plass vil det være lettere å finne ut hvordan man skal måle nøyaktighet.

Data er livsnerven til alle bedrifter

Ustrukturerte data har stor grad av variasjon i hvordan informasjon er strukturert og presentert. Bedrifter er fulle av informasjon presentert i dokumenter, som av natur har komplekse strukturer som består av avsnitt, setninger og, enda viktigere, flerdimensjonale tabellstrukturer. I tillegg til dokumenter, investerer organisasjoner i økende grad i chatteroboter, overvåking av sosiale mediedata og andre former for ustrukturerte data som nyheter, bilder og videoer.

De fleste organisasjoner undervurderer hvor mye data som er tilgjengelig og tilgjengelig. Ofte er utfordringen så enkel som å overvinne overholdelsesbegrensninger og dele data i organisasjonen. Likevel, å ha rene og høye variasjoner av data gir bedre vurdering av et problem og utforming av en optimal løsning.

En annen viktig faktor å vurdere er hvilket resultat du forventer av disse ustrukturerte dataene. Dette vil sikre en nøyaktig mengde sannhet, trening og testdata. Hvis vi går tilbake til eksempelet på lånebehandling, hvis resultatet av denne AI-løsningen er å bestemme søkernes gjennomsnittlige daglige saldo, kan grunnsannheten og treningsdata være hyperfokusert rundt kontoutskrifter. Men hvis fokuset er å avgjøre falske søkere gjennom innsendte kontoutskrifter, vil man måtte få tilgang til et bredere spekter av dokumenter for å få den nødvendige grunnsannheten og opplæringsdata.

Skalering fra PoC til produksjon

Å ta fatt på et målbart Proof of Concept (PoC) sikrer at alle interessenter forstår utfordringene, resultatene og verdiforslaget til en AI-løsning. En PoC er imidlertid ikke det samme som en produksjonsklar løsning. En PoC gjør det mulig for en organisasjon å identifisere hull, stimulerer designtenkning for en produksjonsløsning og effektiviserer målene og nøkkelresultatene som bør oppnås. For å gå fra PoC til en skalerbar løsning, bør organisasjoner planlegge for komplekse datascenarier som inkluderer konstante dataendringer, utilgjengelighet av merkede data og høy grad av variasjon i form og formater. Like viktig er reimagining av arbeidsflyten, omskolering av arbeidsstyrken din og å bestemme riktig infrastruktur, kostnader, ytelse, dataarkitektur, informasjonssikkerhet og servicenivåavtaler (SLAer).

Det er helt avgjørende å evaluere hele arbeidsflyten og forretningsprosessen for å oppnå de beste resultatene fra enhver AI-løsning. Med utgangspunkt i atferdsøkonomi, er det avgjørende å sammenligne resultatet med et eksisterende referansepunkt (også kjent som "referanseavhengighet"), da bedre effektivitet kan forventes i forkant av produksjonen gjennom designtenkning og prosessremapping.

Dette scenariet forutsetter at både forretningsledere og tekniske ledere har blitt enige om en MI eller dyp læringstilnærming basert på PoC. Noen problemformuleringer kan være deterministiske og en statistisk tilnærming kan tas for å løse problemet, mens andre utfordringer kan kreve en kombinasjon av MI og nevrale nettverksbaserte tilnærminger for å oppnå de ønskede resultatene.

Noen AI-løsninger krever inkorporering av Natural Language Processing (NLP). Selv om generelle språkmodeller fungerer som et grunnleggende skritt, er de fleste modellene ikke utformet for å møte de unike behovene til enhver bedriftsproblemstilling og vil kreve finjustering. Samtidig vil de fleste ledere sannsynligvis bli begeistret for enorme modeller som GPT3, som krever betydelig beregningskraft og kan ha direkte innflytelse på et selskaps avkastning. Disse modellene passer mest sannsynlig ikke for din bedrift.

Din AI-drevne PoC er bare begynnelsen på en lang prosess, så husk følgende:

• Ikke velg et komplekst problem å løse på PoC-stadiet
• Bruk designtenkning og gjennomgå ende-til-ende-prosessen din; forutse og håndtere risiko tidlig
• Nøyaktighet er ikke den eneste målingen; designe og planlegge å bygge en verdidrevet løsning versus å oppnå 100 prosent nøyaktighet
• Evaluer AI-tilnærmingen din; ikke planlegg hype-drevne modeller, velg heller den mest optimale tilnærmingen som er modulær
• Administrer forventninger på tvers av alle interessenter for å sikre det mest vellykkede resultatet
• Design løsningen og arkitekturen din for å skalere med veksten av dataene dine for den mest optimale ROI

Beste praksis for AI-drevne løsninger

I dag gjennomfører de fleste virksomheter ett eller flere AI-prosjekter. Til tross for utmerkede intensjoner og hardt arbeid, lever mange enterprise AI-programmer ikke opp til forventningene, skaleres ikke og genererer ikke ønsket avkastning. Det vil ta tid å integrere kunstig intelligens som en kjernevirksomhetskomponent, men noen av de beste praksisene som følges av vellykkede organisasjoner inkluderer:

• Start med AI CoE: Mange store selskaper, selv ikke-teknologiske, har satt opp AI Centers of Excellence (AI CoE) for å maksimere sjansene for suksess. En AI CoE samler nødvendig ekspertise, ressurser og folk for å tillate AI-baserte transformasjonsinitiativer. De primære fordelene inkluderer:
  • Konsoliderer AI-læring, ressurser og talent på ett sted
  • Utvikle en enhetlig AI-visjon og forretningsstrategi
  • Standardisering av AI-tilnærminger, plattformer og prosesser
  • Identifisere nye inntektsmuligheter for AI og innovasjon
  • Skalere datavitenskapsinnsats ved å gjøre AI tilgjengelig for alle forretningsfunksjoner
• Executive Buy In: En AI-strategi er mest vellykket gjennom en ovenfra-ned-tilnærming. Å skalere piloter gjennom en organisasjon med suksess krever lederskap, nødvendige ferdigheter og data, og etablering av en organisasjonsstruktur som sikrer at modellene forblir nøyaktige over tid.
• Tilgjengelighet av data: De fleste organisasjoner har skjult data av ulike samsvarsårsaker. Data er imidlertid selve livsnerven i enhver AI-løsning, og levering av disse dataene er kritisk. Sammen med klargjøring er klassifisering og rensing av data viktig. Utvikling av nøyaktig grunnsannhet og treningsdata kan lage eller ødelegge en AI-løsning.
• Arkitektur: Å utnytte AI er et paradigmeskifte for enhver organisasjon, som krever nye måter å tenke og planlegge på. Å designe en optimal teknisk og operasjonell arkitektur øker sjansene for suksess. Dette inkluderer blant annet å ha nye funksjoner som ML-operasjoner, dataoperasjoner, iterativ trening og merknader.
• Modularitet og fleksibilitet: AI-drevne løsninger er fortsatt i startfasen, spesielt når organisasjoner har å gjøre med tunge ustrukturerte data. Det er avgjørende å designe og bygge en modulær og fleksibel løsning som kan skaleres med virksomheten og dens økende utfordringer.

Å etablere og ta fatt på en AI-strategi har et stort potensial for de fleste organisasjoner, og brukssakene er uendelige. Maskin- og dyplæringsløsninger berører alle aspekter av en organisasjon, fra salg og markedsføring til daglig drift. Men som å bygge en rakett eller finne opp en ny gadget, vil ikke suksess oppnås på en gang. AI-drevne løsninger bør tilnærmes i etapper og bygges på mindre gevinster over tid.