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

Bedrifter akselerer sine kunstig intelligens (AI)-initiativer i raskt tempo. En studie av Algorithmia viste at 76 prosent av CIO-er prioriterer og øker sine IT-budsjett for å fokusere mer på AI og maskinlæring (ML)-løsninger. Organisasjoner erkjenner også viktigheten av data, og de fleste aksepterer at 80 prosent av bedriftens data er ustrukturert av natur.

Ustrukturert data produseres og vokser i en alarmende rate i en bedriftsstack. Måleenheten har skiftet fra terabyte til petabyte. Som følge må IT-fagfolk, CDO-er og CIO-er håndtere noen nye utfordringer for å møte den økende etterspørselen etter brukbar data og handlebare innsikter. Til tross for AI-s enorm potensial til å transformere noen industrier, vil bare 15 prosent av AI-løsningene som er deployert ved utgangen av 2022 være vellykkede, og færre av disse vil generere en positiv avkastning.

Det største problemet er at de fleste bedrifts AI-løsninger ikke ser dagens lys på grunn av misforståelse av forventninger. Det fortsetter å være misforståelser rundt AI-s muligheter, og prosjekter fortsetter å bli konseptualisert på hype-drevne modeller. De fleste produkter eller modeller er langt ifra den faktiske virkeligheten av dag-til-dag bedriftsoperasjoner. Andre drivende faktorer for lavere suksessrater inkluderer: kostnadsoverskridelser, manglende AI-senter for eksellens (CoE), uerfarne talenter, utilgjengelighet av data og foreldede politikker, for å nevne noen.

Planlegging baner vei for bedrifts AI-suksess

Ustrukturert data er data som mangler en forhåndsdefinert datamodell og inkluderer alt fra tekstbaserte dokumenter og nettsider til bilder, videofiler, chatboter, lydstrømmer og sosiale medieinnlegg. Med den økende mengden ustrukturert data i bedriftsarkitekturen, er det kritisk å ha en effektiv og inkrementell plan som samsvare med målene til alle korporative interessenter. Typiske mål på organisatorisk nivå kan inkludere: prosessautomatisering, svindelforespørsel, forbedring av kundeopplevelsen, forbedring av sikkerheten, økning av salget og så videre. Mens noen av disse målene kan oppnås ganske effektivt, på grunn av den strukturerte naturen av data, kan planlegging rundt ustrukturert data være utfordrende.

Vanligvis begynner planlegging med å identifisere områder for muligheter innen en organisasjon. Mens det kan være en stor AI-visjon på det øverste ledelsesnivå, er det kritisk å identifisere et område som har høy påvirkning, lav risiko og kontinuerlig vekst i data. Et godt eksempel på en slik brukssak ville være funksjonen for lånbehandling i bank- og finansnæringen. Lånoppstart til tjeneste er fullstendig av manuelle prosesser hvor informasjon blir skrevet inn i systemer på en gjentakende måte. Due diligence av lånansøknader innebærer en betydelig mengde dokumentinnsending, som utgjør flere risikoer. Imidlertid kan AI bli anvendt i flere områder av arbeidsflyten, inkludert dokumentbehandling og svindelforespørsel. Dette er også et område hvor det er kontinuerlig år-til-år-vækst av data.

Andre kritiske skritt å vurdere under denne planleggingsfasen inkluderer definering av målbare suksesskriterier, formulering av en samlet datstratei, kontinuerlig opplæring og tilbakemelding, og vurdering av brukeropplevelsen, skalerbarheten og infrastrukturen.

Definering av målbare suksesskriterier (og unngå å plassere vogna foran hesten!)

Google’s tidlige suksess blir ofte tilskrevet selskapets institusjon av Objective Key Results (OKR-er). Mens denne tilnærmingen er noe som kan anvendes på noen aspekt av forretnings- eller personlige mål, kan anvendelse av denne bevarte tilnærmingen mot din AI-strategi kunne gi noen lovende resultater. Imidlertid, når det gjelder ustrukturert data, er det et utviklende problem som bransjen som helhet forsøker å løse. Gitt utfordringene, bør forretningsledere stille forskjellige spørsmål for å bestemme ‘hva’ og ‘hvorfor’. For eksempel, hvis økning av produktivitet er det viktigste målet, kan to spørsmål som kan besvares være:

• 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 innkomne saker?

Besvarelse av disse spørsmålene leder til to forskjellige implementeringsreiser, og det er viktig å bestemme hvilken som er rett for din bedrift.

Med ustrukturert data er et annet uklart målingsområde nøyaktighet. I eksemplet med lånbehandling, er det så mye variasjon i dokumentene som blir sendt inn av kundene, at det er kritisk for forretnings- og teknologiledere å komme til enighet om hvordan nøyaktigheten av AI-løsningen måles. Hvis produktivitet er ett av målene med å innføre en AI-løsning, vil det være nødvendig å identifisere andre områder som påvirker produktiviteten. Dette kan oppnås ved å se nærmere på den nåværende prosessen og gjenoppfinne prosessen med AI-automatisering. Ofte leder ny automatisering til nye skritt i prosessen, som manuell unntakshåndtering, annotering, opplæring osv. Med disse skrittene på plass, vil det være lettere å bestemme hvordan å måle nøyaktighet.

Data er livsblodet for alle bedrifter

Ustrukturert data har en høy grad av variasjon i hvordan informasjonen er strukturert og presentert. Bedrifter er fullstendig av informasjon presentert i dokumenter, som av natur har komplekse strukturer bestående av avsnitt, setninger og, viktigst, flerdimensjonale tabellstrukturer. I tillegg til dokumenter, investerer organisasjoner stadig mer i chatboter, overvåking av sosiale mediedata og andre former for ustrukturert data som nyheter, bilder og videoer.

De fleste organisasjoner undervurderer hvor mye data som er tilgjengelig og tilgjengelig på hånden. Ofte er utfordringen så enkel som å overvinne kompleksitetsrestriksjoner og dele data innen organisasjonen. Likevel tillater ren og høy variasjon av data en bedre vurdering av et problem og design av en optimal løsning.

En annen viktig faktor å vurdere er hva resultat du forventer av denne ustrukturerte dataen. Dette vil sikre en nøyaktig mengde grunnfakta, opplæring og testing av data. Gå tilbake til eksemplet med lånbehandling, hvis resultatet av denne AI-løsningen er å bestemme søkernes gjennomsnittlige daglige balanser, kan grunnfakta og opplæringsdata være hyperfokusert rundt bankuttalelser. Imidlertid, hvis fokus er å bestemme svindelaktige søkere gjennom innsendte bankuttalelser, må man få tilgang til en bredere rekke dokumenter for å få nødvendig grunnfakta og opplæringsdata.

Skalering fra PoC til produksjon

Å påbegynne en målbare Proof of Concept (PoC) sikrer at alle interessenter forstår utfordringene, resultater og verdiene av en AI-løsning. Imidlertid er en PoC ikke det samme som en produksjonsklar løsning. En PoC gjør det mulig for en organisasjon å identifisere hull, stimulerer design-tenkning for en produksjonsløsning og strømlinjeformer målene og resultater som bør oppnås. For å gå fra PoC til en skalerbar løsning, bør organisasjoner planlegge for komplekse datasituasjoner som inkluderer konstante dataendringer, utilgjengelighet av merket data og en høy grad av variasjon i form og formater. Like viktig er å gjenoppfinne arbeidsflyten, gjenopplæring av arbeidsstyrken og å bestemme den rette infrastrukturen, kostnadene, ytelsen, dataarkitekturen, informasjonssikkerheten og serviceavtaler (SLA-er).

Det er absolutt avgjørende å vurdere hele arbeidsflyten og forretningsprosessen for å få de beste resultater fra noen AI-løsning. Ved å ta en hint fra atferdsekonomi, er det kritisk å sammenligne resultatet med en eksisterende referansepunkt (også kjent som “referansedependens”), på det punktet kan bedre effektiviteter forventes før produksjon gjennom design-tenkning og prosess-omformulering.

Dette scenariet antar at både forretnings- og teknologiledere har enighet om en MI eller dyptlæringstilnærming basert på PoC-en. Noen problemstillinger kan være deterministiske, og en statistisk tilnærming kan tas for å løse problemet, mens andre utfordringer kan kreve en kombinasjon av MI og neurale nettverksbaserte tilnærminger for å oppnå de ønskede resultater.

Noen AI-løsninger krever innføring av naturlig språkbehandling (NLP). Mens generelle språkmodeller tjener som en grunnleggende skritt, er de fleste modeller ikke designet for å møte de unike behovene til hver bedriftsproblemstillinger og ville kreve finjustering. Samtidig er de fleste ledere sannsynligvis entusiastiske over store modeller som GPT3, som krever betydelig beregningskraft og kan ha en direkte innvirkning på et selskaps avkastning. Disse modellene er sannsynligvis ikke et passende valg for ditt selskap.

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

• Velg ikke et komplekst problem å løse på PoC-stadiet
• Anvend design-tenkning og gjennomgang av sluttpunkt-til-sluttpunkt-prosessen; forutsi og håndter risiko tidlig
• Nøyaktighet er ikke det eneste målet; design og planlegg å bygge en verdidrevet løsning i stedet for å oppnå 100 prosent nøyaktighet
• Vurdere din AI-tilnærming; planlegg ikke på hype-drevne modeller, men velg den mest optimale tilnærmingen som er modulær av natur
• Forvalt forventninger over alle interessenter for å sikre den mest suksessfulle utfallet
• Design din løsning og arkitektur for å skalerer med veksten av dine data for den mest optimale avkastning

Beste praksis for AI-drevne løsninger

I dag, foretar de fleste bedrifter ett eller flere AI-prosjekter. Til tross for gode intensjoner og hardt arbeid, faller mange bedrifts AI-programmer kort av forventningene, skalerer ikke og genererer ikke den ønskede avkastningen. Det vil ta tid å integrere kunstig intelligens som en kjerneforretningskomponent, men noen av de beste praksisene som følges av suksessfulle organisasjoner inkluderer:

• Start med AI CoE: Mange store selskaper, selv ikke-tekniske, har etablert AI-senter for eksellens (AI CoE) for å maksimere sjansen for suksess. Et AI CoE samler den nødvendige ekspertisen, ressursene og folkene for å tillate AI-basert transformasjonsinitiativ. De primære fordelene inkluderer:
  • Samlingen av AI-læring, ressurser og talenter på ett sted
  • Utvikling av en samlet AI-visjon og forretningsstrategi
  • Standardisering av AI-tilnærminger, plattformer og prosesser
  • Identifisering av nye inntektsmuligheter for AI og innovasjon
  • Skalering av datavitenskapelige anstrengelser ved å gjøre AI tilgjengelig for alle forretningsfunksjoner
• Ledelsesgodkjenning: En AI-strategi er mest suksessfull gjennom en topp-ned-tilnærming. Skalering av piloter gjennom en organisasjon krever ledelsesgodkjenning, nødvendige ferdigheter og data, og etablering av en organisatorisk struktur som sikrer at modellene forblir nøyaktige over tid.
• Tilgjengelighet av data: De fleste organisasjoner har siloet data for forskjellige kompleksitetsårsaker. Imidlertid er data livsblodet for noen AI-løsning, og tilgjengeligheten av denne dataen er kritisk. I tillegg til tilgjengelighet, er klassifisering og rensing av data essensielt. Utvikling av nøyaktig grunnfakta og opplæringsdata kan gjøre eller bryte en AI-løsning.
• Arkitektur: Anvendelse av AI er en paradigmeskift for noen organisasjoner, som krever nye måter å tenke og planlegge på. Design av en optimal teknisk og operativ arkitektur øker sjansen for suksess. Dette inkluderer å ha nye funksjoner som ML-ops, data-ops, iterativ opplæring og annotering, blant andre.
• Modularitet og fleksibilitet: AI-drevne løsninger er fortsatt i deres spede begynnelse, spesielt når organisasjoner håndterer tungt ustrukturert data. Det er kritisk å designe og bygge en modulær og fleksibel løsning som kan skalerer med bedriften og dens voksende utfordringer.

Etablering og påbegynnelse av en AI-strategi har stor potensial for de fleste organisasjoner, og bruksområdene er endeløse. Maskin- og dyptlæringsløsninger berører hver eneste del av en organisasjon, fra salg og markedsføring til dag-til-dag-operasjoner. Imidlertid, som bygging av en rakett eller oppfinning av en ny gadget, vil suksess ikke oppnås på en gang. AI-drevne løsninger bør tilnærmes i stadier og bygges på mindre seirer over tid.