AI nie może naprawić złej gleby: Jak firmy mogą przygotować swój wewnętrzny ekosystem do udanej wdrożenia sztucznej inteligencji

Chociaż liderzy biznesu są często stereotypowi jako osoby skupione na zysku, niedawne badanie wykazało, że ponad 80% firm nie śledzi zwrotu z inwestycji w sztuczną inteligencję. Odwrotnie, te, które śledzą zwrot z inwestycji, stwierdzają, że nie spełnia on oczekiwań, a tylko co czwarty globalnych dyrektorów generalnych raportuje, że ich inwestycje w sztuczną inteligencję spełniają oczekiwania co do zwrotu z inwestycji.

Ale jak mówi przysłowie, “zły cieśla winę zrzuca na narzędzia” – innymi słowy, dla wielu zwrot z inwestycji jest rozczarowujący, ponieważ wdrożenia sztucznej inteligencji zostały ustawione do porażki. Jeśli spojrzymy na firmę jako na ogród, aby produktywność i zyski rosły, muszą być podjęte pewne kroki przed wdrożeniem narzędzia takiego jak sztuczna inteligencja, aby miało ono największy możliwy wpływ.

Krok 1: Zidentyfikuj, gdzie ludzie są niezastąpieni

Może ze względu na przecenione możliwości marketingu produktów LLM, istnieje powszechne przekonanie, że sztuczna inteligencja jest sprawą plug-and-play. W rzeczywistości najlepsze wdrożenia sztucznej inteligencji zaczynają się od identyfikacji, gdzie nadzór ludzki jest niezbędny.

Na przykład, pracując z firmą świadczącą usługi prawne, moja ekipa i ja zostaliśmy poproszeni o wdrożenie systemu sztucznej inteligencji, który mógłby przetwarzać ogromne ilości dokumentów prawnych – klasyfikować je, wyodrębniać kluczowe informacje i decydować, czy zachować, zredagować czy usunąć pliki.

Podczas gdy sztuczna inteligencja zajmowała się ciężką pracą, skanując dokumenty w celu ustalenia ich istotności, oznaczając wrażliwe dane i podsumowując odpowiedzi, wyniki były następnie przekazywane do ludzkich prawników, którzy mogli przejrzeć pracę, potwierdzić prawne oceny i anulować klasyfikacje, gdy było to konieczne.

Nie tylko pomogło to chronić firmę przed potencjalnym ryzykiem, ale także izolowanie kosztów automatyzacji od kosztów nadzoru sprawi, że audyty zwrotu z inwestycji będą czystsze w przyszłości.

Krok 2: Wskazać, jak sztuczna inteligencja może najlepiej wesprzeć Twoich ludzi

Aby maksymalnie wykorzystać zwrot z inwestycji w sztuczną inteligencję, musisz być wybiórczy, jeśli chodzi o to, gdzie może ona najlepiej służyć Twojej organizacji. Idealne procesy do przeniesienia obejmują powtarzalne lub oparte na regułach zadania (np. podstawową triage obsługi klienta lub kodowanie faktur), wymagające wiedzy wyszukiwań, takie jak klauzule umowne, oraz podatne na błędy wprowadzanie danych, między innymi.

Jest również równie ważne, aby modele sztucznej inteligencji były strategicznie skonfigurowane, aby uzupełniać, a nie zakłócać przepływ pracy. Aby to zrobić, mapuj przepływ pracy pracowników w zadania, a następnie oznacz te zadania jedną z trzech kategorii procesów: generuj, wybierz lub osądź. Zadania generatywne mogą być przekazane sztucznej inteligencji, zadania wymagające osądu pozostają w gestii ludzkich pracowników, a zadania wymagające wyboru mogą być procesem współpracy, w którym sztuczna inteligencja sugeruje następne kroki, a ludzie decydują o najlepszej drodze do przodu.

W przykładzie usług prawnych sztuczna inteligencja zajmowała się początkową triage, klasyfikując dokumenty (generatywne), flagując wrażliwe treści (generatywne) i prezentując prawdopodobne odpowiedzi (selektywne). W ten sposób rola ludzkich pracowników przeszła od przeszukiwania dokumentów w celu znalezienia szczegółów do weryfikacji wyników (osąd) – zmieniając pracę, która wcześniej zajmowała dni, w sprawę godzin.

Jeśli chodzi o zwrot z inwestycji, to uwolniło więcej czasu, który można spędzić na wyjątkach od reguł, gdzie ukryte są zyski.

Krok 3: Ujednolicenie danych szkoleniowych

Dokładne dostosowanie modeli LLM do danych przedsiębiorstwa może odblokować przewagi konkurencyjne, ale aby sztuczna inteligencja była owocna, potrzebuje bogatej gleby, co oznacza dobre, czyste dane. Złe lub szumowe dane zatrują wyniki i nasilią uprzedzenia. Innymi słowy, dyscyplina danych dyktuje niezawodność wyników.

Co to więc oznacza? Duża ilość i różnorodność danych jest ważna, ale równie ważne jest to, że są one wysokiej jakości. Niespójności w formatach danych i konwencjach nazewniczych lub brakujące/niedokończone pola negatywnie wpłyną na jakość surowych danych. Podobnie, duplikaty lub niestrukturyzowane potoki danych spowodują nadmierne rozrosty rachunków za magazynowanie i spowolnią wydajność modelu.

Dlatego też niezwykle ważne jest, aby dane wejściowe miały kontrolę jakości i silne zarządzanie – co oznacza kontrolę dostępu i zgodność z przepisami. Bez tych filtrów nie inwestujesz w sztuczną inteligencję, po prostu marnujesz pieniądze na pętle czyszczenia.

Z uwagi na cały szum wokół sztucznej inteligencji, zrozumiałe jest, że liderzy mogą czuć presję, aby jak najszybciej wdrożyć ją, ale poświęcenie czasu na strategiczne wdrożenie modelu lub przygotowanie gruntu przed posadzeniem nasion, przyniesie o wiele większy sukces i zwrot z inwestycji.