Vellykket AI-tilpasning krever 3 komponenter — de fleste selskaper har bare 2

På dette punktet er AI ikke lenger ny teknologi. Dens bevisete effektivitet i dataanalyse, mønstergjenkjenning og kunnskaps syntese kan gjøre team mer effektive. Men til tross for AI sin ubestridte verdi, indikerer ny forskning at bare 13% av bedriftene har adoptert det på en omfattende måte. De fleste bedriftene spiller det trygt, og bruker bare AI for de lavest-risikable oppgavene. Hva stopper merkene fra å gå i dybden og høste fordelene? Gapet mellom AI-aspirasjoner og prestasjon går ned til en strukturell svakhet.

Den manglende lenken.

Vellykket, omfattende AI-tilpasning krever tre komponenter: infrastruktur, applikasjon og data. Infrastruktur-laget består av AI-modellen, hvis rammeverk direkte former bruken og mulige utdata.

Applikasjonslaget er der hvor programvareløsningene bor. Dette er der hvor AI sin verdi blir generert; det er der hvor brukerne interagerer (kanskje indirekte) med AI og gjennomgår utdataene; det er knutepunktet for AI-basert beslutningstaking.

Mellom disse lagene er datalaget, og det er denne komponenten som de fleste bedriftene har problemer med – enten de er klar over det eller ikke. Dette laget inneholder alle data; data som passer inn i de underliggende AI-modellene og guider applikasjonene som bygges. Kvaliteten på datalaget informerer direkte utdata på applikasjonslaget. Høykvalitetsdata kan støtte robuste bruksområder, mens tvilsom eller utilstrekkelig data ikke kan.

Før organisasjonene kan bygge – eller samarbeide med bedrifter som bygger – alle tre lagene av AI-tilpasning, vil de ikke kunne høste maksimal verdi.

Konsekvensene av ubalanse.

AI sin utdata vil alltid være avhengig av dataene den får. Hvis en organisasjon ønsker at AI sin skal kunne forutsi syntetiske molekylærstrukturer, må de mate den med mye fysikkdata. Hvis en detaljhandler ønsker å bruke AI til å forutsi brukernes atferd og forbedre digitale erfaringer, må de mate den med atferdsdata.

Hvis bedriftene (eller deres partnere) ikke kan støtte AI-verktøyene sine med tilstrekkelig data, vil konsekvensene være langtidsvirkende. Først og fremst er det AI-løsningen selv. Til beste kunne den være teknisk operativ, om enn ikke i ønsket grad. Utdataene kan være svake, mangelfulle eller helt uten innsikt. Forbi dette “beste” resultatet ligger en mer sannsynlig konsekvens: AI-hallusinasjoner, feilaktige utdata og negativ ROI. Ikke bare vil investeringen ha vært bortkastet, men organisasjonene kan også måtte bruke mer penger på å rette opp skadene.

Når vi zoomer ut fra de umiddelbare konsekvensene, kan vi se de bredere konsekvensene av en data-svakt AI-løsning. Generelt sett adopterer bedrifter AI for å kunne gjøre mer: høste mer innsikt, betjene flere kunder, operere mer effektivt. Hvis organisasjonene heller tid og ressurser i en AI-verktøy som faller flat, har de effektivt hemmet egen vekst, begrenset evnen til å tilpasse seg markedet og utkonkurrere konkurrentene. Dette setter dem i en ulempe og vil etterlate dem til å måtte gjøre opp for tapt tid, ressurser og – potensielt – kunder.

Men håpet er ikke tapt; det er mye organisasjonene kan gjøre for å posisjonere seg godt, korrigere (eller forebygge) en AI-ubalanse og gå videre.

Å fylle gapet med riktig data.

På bekostning av å forenkle, er det beste ledere kan gjøre for å unngå en AI-ubalanse å gjøre sin hjemmelekse før de går videre med noen AI-drevne løsninger. Før de deployer et nytt verktøy, må de ta seg tid til å lære om hvor dataene kommer fra og hvordan de genereres.

Hvis løsningsleverandøren eller lederingen ikke kan gi et rettferdig svar om kilde, kvalitet eller mengde av de underliggende dataene, bør det utløse advarselssignaler. Få en annen eller tredje mening fra kanalpartnere og integratorer. Samle inn informasjon ved å bruke brukerdiskusjonsnettverk som Reddit og Discord; se hvor andre adopterer møtte hindringer eller blokkeringer. Å vite hva slags advarselssignaler å se etter før å ta noen beslutninger kan hjelpe ledere å unngå en verden av hodepine og forventninger som ikke blir møtt.

Selvfølgelig er denne forutsiktelsen ikke alltid mulig og vil ikke hjelpe organisasjonene i midten av en AI-data-mangel. Hvis det ikke er mulig å forkaste den eksisterende løsningen, er det neste beste å finne en måte å injisere mer data så verktøyet har mer kontekst, mønster og innsikt å trekke fra.

Syntetisk data er en mulighet her, men det er ikke en universell løsning. Det kan være vanskelig å fastslå den nøyaktige opprinnelsen til syntetisk data, så det kan ikke alltid være veien fremover. Det er en tid og en plass for syntetisk data. For eksempel, er det godt egnet for å trene AI-sikkerhetsmodeller, spesielt på en motstander-måte. Som alltid vil det å gjøre forskning på forhånd før man går i dybden hjelpe ledere å ta de beste beslutningene for bedriften.

For bransjer som detaljhandel eller rask servering (QSR), er menneskelig data foretrukket. Bedrifter i disse bransjene er sannsynligvis å bruke AI til å optimalisere kundeopplevelsen, så deres verktøy bør være trenet på menneskelig atferdsdata. For eksempel, hvis du håper å forutsi hvor langt brukerne kommer til å rulle ned på en side, vil du ønske at AI-en skal basere seg på faktisk menneskelig atferd under lignende forhold.

I noen tilfeller handler det ikke om å skaffe ny data, men om å aktivere eksisterende data. Besøkende på nettstedet og appen er allerede der – det handler bare om å fange, strukturere og analysere deres atferdsdata så AI-verktøyene kan bruke det.

Til slutt er det bedre å ha utilstrekkelig data enn å ha dårlig data; alt organisasjonene kan gjøre for å rense løsningene sine vil hjelpe til å drive bedre resultater.

Hvor å begynne.

Å være kort på AI-data kan være en betydelig utfordring for organisasjoner av alle størrelser, og det kan være skremmende å tenke på hva neste skritt kan være. Men å anerkjenne problemet er i seg selv en prestasjon. Derfra handler det om å finne de håndterbare, inkrementelle skrittene du kan takle ett for ett.

AI har enormt potensial – men bare for de som er villige til å investere i hver av dens nøkkelkomponenter: infrastruktur, applikasjon og data. Uten disse lagene vil selv den mest elegante AI-løsningen falle flat. Organisasjonene som lukker data-gapet nå, vil ikke bare unngå å falle bak, men også sette takten.