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 ha større fokus på AI og maskinlæring (ML)-løsninger. Organisasjoner erkjenner også viktigheten av data, og de fleste omfavner faktum at 80 prosent av bedriftens data er ustukt i naturen.

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

Det største problemet er at de fleste bedrifts AI-løsninger ikke ser lyset av dagen på grunn av misforståelse av forventninger. Det fortsetter å være misforståelser rundt mulighetene til AI, og prosjekter fortsetter å bli konseptualisert på hype-drevne modeller. De fleste produktene eller modellene er langt ifra den faktiske virkeligheten av dag-til-dag bedriftsdrift. Andre drivende faktorer for lavere suksessrater inkluderer: kostnadsoverskridelser, manglende AI-sentre for utmerket (CoE), uerfaren talent, utilgjengelighet av data og foreldede politikker, for å nevne noen.

Planlegging baner vei for bedrifts AI-suksess

Ustukt 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 ustukt data i bedriftsarkitekturen, er det kritisk å ha en effektiv og inkrementell plan som samstemmer med målene for alle bedriftsinteressenter. Typiske mål på organisatorisk nivå kan inkludere: prosessautomatisering, svindelforespørsel, forbedring av kundeopplevelsen, forbedring av sikkerheten, økning av salget osv. Mens noen av disse målene kan oppnås ganske effektivt, på grunn av den strukturerte naturen til dataene, kan planlegging rundt ustukt 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 användningstilfelle ville være funksjonen for lånebehandling i bank- og finansnæringen. Låneopphav til tjeneste er fullstendig av manuelle prosesser hvor informasjon blir innført manuelt i systemer på en gjentakende måte. Due diligence av lånesøknader innebærer en betydelig mengde dokumentinnsending, som utgjør flere risikoer. Imidlertid kan AI bli brukt 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 å definere målbare suksesskriterier, å formulere en samstemt datstratei, kontinuerlig opplæring og tilbakemelding, og å vurdere brukeropplevelsen, skalerbarheten og infrastrukturen.

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

Googles tidlige suksess tilskrives ofte institusjonen av Objective Key Results (OKR). Mens denne tilnærmingen er noe som kan brukes til enhver del av forretnings- eller personlige mål, å ta denne beprøvede tilnærmingen mot din AI-strategi kunne gi noen lovende resultater. Imidlertid, når det gjelder ustukt data, er det et utviklende problem som bransjen som helhet prøver å løse. Gitt utfordringene, bør forretningsledere stille forskjellige spørsmål for å bestemme ‘hvordan’ og ‘hvorfor’. For eksempel, hvis økning av produktivitet er det viktigste målet, to spørsmål som kunne bli besvart er:

• Bør jeg planlegge å forbedre gjennomstrømming ved hjelp av automatisering? eller
• Bør jeg planlegge å løse 80 prosent av problemet for 100 prosent av alle innkomne søknader?

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

Med ustukt data, er et annet tvetydig målingsområde nøyaktighet. I eksemplet på lånebehandling, er det så mye variasjon i dokumentene som blir sendt inn av kundene, 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, da ville det være nødvendig å identifisere andre områder som påvirker produktivitet. Dette kan oppnås ved å se nærmere på den nåværende prosessen og å reimagere prosessen med AI-automatisering. Ofte leder ny automatisering til nye skritt i prosessen, som manuell unntakshåndtering, annotering, opplæring osv. Med disse skrittene på plass, ville det være lettere å bestemme hvordan å måle nøyaktighet.

Data er livsblodet for alle bedrifter

Ustukt 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, viktigere, flerdimensjonale tabellstrukturer. I tillegg til dokumenter, investerer organisasjoner stadig mer i chatboter, overvåking av sosiale medie-data og andre former for ustukt data som nyheter, bilder og videoer.

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

En annen viktig faktor å vurdere er hva resultat du forventer fra denne ustukte dataen. Dette vil sikre en nøyaktig mengde grunnfakta, opplæring og testing av data. Gå tilbake til eksemplet på lånebehandling, hvis resultatet av denne AI-løsningen er å bestemme søkernes gjennomsnittlige daglige saldi, grunnfakta og opplæringsdata kan være hyper fokusert rundt bankuttalelser. Imidlertid, hvis fokus er å bestemme svindelsøkere gjennom innsendte bankuttalelser, må man få tilgang til en bredere rekke dokumenter for å få den nødvendige grunnfakta og opplæringsdataen.

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 muliggjør at en organisasjon kan identifisere gap, stimulerer design-tenkning for en produksjonsløsning og strømlinjeformasjon av målene og nøkkelresultatene 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 reimagere arbeidsflyten, å opplære arbeidsstokken og å bestemme den rette infrastrukturen, kostnadene, ytelsen, dataarkitekturen, informasjonssikkerheten og servicenivåavtaler (SLA-er).

Det er absolutt avgjørende å vurdere hele arbeidsflyten og forretningsprosessen for å få de beste resultater fra enhver AI-løsning. Å ta en hint fra atferdsekonomen, 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 prosessremapping.

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

Noen AI-løsninger krever inkorporering av Natural Language Processing (NLP). Mens generelle språkmodeller tjener som en grunnleggende steg, er de fleste modellene 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 ROI. 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
• Applikasjon design-tenkning og se over din ende-til-ende-prosess; 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 i naturen
• Forvalt forventninger over alle interessenter for å sikre den mest suksessfulle utfallet
• Design din løsning og arkitektur for å skale med veksten av din data for den mest optimale ROI

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, mangler mange bedrifts AI-programmer forventningene, skalerer ikke og genererer ikke den ønskede ROI. 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 korporasjoner, selv ikke-tekniske, har etablert AI-sentre for utmerket (AI CoE) for å maksimere sjansene for deres suksess. Et AI CoE bringer sammen den nødvendige ekspertisen, ressursene og menneskene for å tillate AI-basert transformasjon. De primære fordelene inkluderer:
  • Samlingen av AI-læring, ressurser og talent i ett sted
  • Utvikling av en samstemt AI-visjon og forretningsstrategi
  • Standardisering av AI-tilnærming, plattformer og prosesser
  • Identifisering av nye inntektsmuligheter for AI og innovasjon
  • Skalering av datavitenskapelige anstrengelser ved å gjøre AI tilgjengelig for alle forretningsfunksjoner
• Eksekutivt kjøp inn: En AI-strategi er mest suksessfull gjennom en topp-ned-tilnærming. Skalering av piloter gjennom en organisasjon krever ledelsesengasjement, 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 siloede data for forskjellige samarbeidsårsaker. Imidlertid er data livsblodet for enhver AI-løsning, og tilgang til denne dataen er kritisk. Sammen med tilgang, klassifisering og rensing av data er essensielt. Utvikling av nøyaktig grunnfakta og opplæringsdata kan gjøre eller bryte en AI-løsning.
• Arkitektur: Å utnytte AI er en paradigmeskifte for enhver organisasjon, som krever nye måter å tenke og planlegge på. Design av en optimal teknisk og operativ arkitektur øker sjansene 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 sine barndomstider, spesielt når organisasjoner håndterer tungt ustukt data. Det er kritisk å designe og bygge en modulær og fleksibel løsning som kan skale med bedriften og dens voksende utfordringer.

Etablering og påbegynnelse av en AI-strategi har stor potensial for de fleste organisasjoner, og brukstilfellene er endeløse. Maskin- og dyptlæringsløsninger berører enhver del av en organisasjon, fra salg og markedsføring til dag-til-dag operasjoner. Imidlertid, som å bygge en rakett eller å oppfinne en ny gadget, vil suksess ikke bli oppnådd med en gang. AI-drevne løsninger bør nærme seg i stadier og bygge på små seirer over tid.