Maksymalizacja zwrotu z inwestycji w sztuczną inteligencję w przedsiębiorstwie

Jak to było w przypadku wielu technologii przed nią, sztuczna inteligencja (AI) jest wychwalana jako następna wielka innowacja, której przedsiębiorstwa muszą używać. Ironicznie, podstawowa technologia istnieje od dziesięcioleci, ale z najnowszymi wersjami, hype osiągnął gorączkowy poziom – wyprzedzając rzeczywistość wdrożenia w całym przedsiębiorstwie. Jednakże, gdy zespoły IT stają w obliczu rosnącej presji, aby wsiąść do pociągu IT, muszą zrównoważyć ten entuzjazm z rzeczywistością dolnej linii. Różne wdrożenia wymagają różnych poziomów inwestycji, co oznacza, że muszą również przynieść różny zwrot – często na różnym harmonogramie.

Możliwość dostarczania udanych produktów AI zależy od wielu czynników: konkretnych strategii, planowania i wykonywania wybranych przez liderów biznesu; dostępności wykwalifikowanych zasobów; dopasowania do mapy produktu; akceptacji organizacyjnej ryzyka; oraz zarządzania czasem w odniesieniu do oczekiwanego zwrotu z inwestycji (ROI).

Zrównoważenie tych czynników jest wyzwaniem, ale postępowanie zgodnie z tymi trzema krokami może utrzymać organizacje na ścieżce w kierunku ROI AI.

Zrozumienie technologii

Wiele przedsiębiorstw wkracza w dziedzinę AI, wierząc, że są w tyle, ale nie do końca rozumieją, dlaczego, jak, czy nawet co to jest. W związku z tym, ich pierwszym zadaniem jest rozróżnienie między różnymi odmianami AI, zaczynając od AI precyzyjnego aż do AI generatywnego.

AI precyzyjny jest wykorzystywany za pomocą modeli uczenia maszynowego i głębokiego uczenia, aby poprawić wyniki. Umożliwia przedsiębiorstwom automatyzację procesów decyzyjnych, tworząc efektywność i zwiększając ROI. AI precyzyjny dojrzał do ugruntowanej technologii dla przedsiębiorstw, która nadal doświadcza znacznego przyjęcia i staje się coraz bardziej główną.

AI generatywny (GenAI) jest nowy i zyskał na znaczeniu od czasu, gdy OpenAI wydał ChatGPT pod koniec 2022 roku. Składa się z podstawowych dużych modeli językowych (LLM) przeszkolonych z miliardami parametrów w celu generowania nowych kontekstów semantycznych, GenAI oferuje znaczące możliwości biznesowe i operacyjne, ale jest wczesne w jego cyklu przyjęcia.

Jedną z istotnych przeszkód jest standard jakości danych, który jest podniesiony dla aplikacji GenAI, ponieważ niskiej jakości zestawy danych mogą wprowadzić problemy transparentności i etyczne.

Niezawodność danych zaczyna się od projektowania i wdrażania przepływów pracy; ustanawiania potoków do wykonania; abstrakcji za pomocą API; kuracji i udostępniania; oraz przetwarzania różnych typów danych. Zamiast poprzedniej generacji wymagań jakości danych, które obejmowały 4V (objętość, prędkość, wiarygodność i różnorodność), AI potrzebuje nowych wymagań, które obejmują 4P: predykcję, produktywność, precyzyjność i osobę w skali.

Predykcja: algorytmy AI pozwalają na wykorzystanie analizy statystycznej do znalezienia wzorców w danych i identyfikowania zachowań w celu przewidywania i prognozowania przyszłych zdarzeń, korelując dane historyczne w spoczynku i dane przesyłane strumieniowo w celu podejmowania decyzji w czasie rzeczywistym.

Produktywność: AI umożliwia automatyzację procesów biznesowych, co zwiększa wydajność operacyjną i produktywność przedsiębiorstwa, redukując powtarzalne zadania i uwalniając czas personelu do pracy nad bardziej strategicznymi zadaniami.

Precyzyjność: ta miara mierzy wyniki modelu w sposób, w jaki modele uczenia maszynowego mogą produkować dokładność między akceptowalnym zakresem określonym przez przypadki użycia. Precyzyjność jest również obliczana jako liczba prawdziwych pozytywów podzielona przez łączną liczbę pozytywnych predykcji.

Osoba w skali: odnosi się do procesu wykorzystania niezawodnych danych, takich jak historie zakupów klientów, działania na stronie, analiza nastrojów klientów dla określonych produktów i odpowiedzi na ankiety. Zapewnia indywidualne doświadczenia w różnych grupach demograficznych.

Ponadto, przedsiębiorstwa muszą brać pod uwagę wiele innych czynników – zarówno wewnętrznych, jak i zewnętrznych – podczas oceny ich gotowości do AI: zarządzanie, zgodność, inwestycje w chmurę, talent, nowe modele operacyjne, zarządzanie ryzykiem i zaangażowanie liderów.

Organizacje muszą zacząć od ustanowienia wizji AI, która odpowiada ich celom i strategicznym celom. Współpraca z C-suitą jest kluczowa, ponieważ wdrożenia AI wymagają znaczących inwestycji na początku. CIO musi wyraźnie wyjaśnić drogę do ROI całej C-suit – prawdziwy test CIO w podnoszeniu IT z funkcji umożliwiającej do strategicznej.

Następnie organizacja musi dopasować ludzi, procesy i technologię. AI wymaga nowych umiejętności i certyfikatów, takich jak modele głębokiego uczenia i uczenia maszynowego, ponieważ organizacje tradycyjnie integrują AI z ludzkimi przepływami pracy. Jednak GenAI odwraca dynamikę, ale większość najlepszych praktyk i wytycznych odpowiedzialnego użytkowania nadal obejmuje „człowieka w pętli” w celu utrzymania standardów etycznych i wartości.

Wdrożenie AI również wymaga nowych procesów biznesowych dla zarządzania i jakości danych, umożliwiając naukowcom danych odpowiedzialnym za dostarczanie nowych modeli AI do rozwiązywania złożonych problemów biznesowych.

Ponieważ nowe produkty AI są projektowane, rozwijane i wytwarzane do produkcji, przedsiębiorstwa muszą również pozostać czujne wobec najnowszych polityk regulacyjnych branży AI. Europejska ustawa AI ustanowiła najlepsze praktyki dla korzystania z AI – i konsekwencje za nieprzestrzeganie tych polityk. W związku z tym, przedsiębiorstwa utworzyły zespoły do tworzenia, oceny i aktualizacji wysiłków wokół przepisów AI.

Przedsiębiorstwa stają się coraz bardziej uzależnione od danych, muszą rozwijać podstawowe strategie ochrony aktywów danych, które umożliwiają im dostarczanie najlepszych wglądów za pomocą platform automatyzacji analitycznej. Od tego momentu mogą wybrać technologie AI i nowe platformy, które mają największy sens dla nich.

Definiowanie przypadku biznesowego

Ostatecznie, prawdziwy zwrot z inwestycji w AI wymaga sprzedaży korzyści klientom, co oznacza, że gotowość AI wymaga nowej mentalności biznesowej, ponieważ ta technologia napędza transformację przedsiębiorstw w różnych branżach.

Pomyślne rozwijanie produktów AI wymaga głębokiego zrozumienia branżowych podróży klientów i dopasowania rozwiązań AI do celów biznesowych. Centryczność klienta odgrywa kluczową rolę w rozwijaniu nowych modeli operacyjnych, a nowoczesne technologie są wykorzystywane do zwiększenia wydajności.

Na przykład, klienci szukający niewielkich zwycięstw w dojrzałości AI mogą polegać na swoich aktywach oprogramowania i infrastrukturze chmury, aby rozwijać nowe produkty i rozwiązania. To utrzymuje zadowolenie wśród pracowników na wyższym poziomie i utrzymuje ich focus na przekraczaniu oczekiwań klientów.

To powiedziawszy, rdzeń organizacji powinien skupić się na skracaniu czasu wprowadzania na rynek i poprawie nowego zarządzania procesami, aby skrócić cykl życia rozwoju produktu i zwiększyć wydajność dostarczania nowych produktów. Na przykład, rozproszona platforma analityki danych jest wykorzystywana do automatyzacji pobierania, kuracji, udostępniania, przetwarzania i analizy w czasie rzeczywistym – wszystko to zwiększa produktywność i ROI.

Odblokowanie pełnego potencjału ROI AI

AI w swojej istocie oznacza zaawansowane algorytmy, jakość danych, moc obliczeniową, Infrastrukturę jako Kod, zarządzanie, odpowiedzialny AI z etyką w celu ochrony prywatności i poufności danych. Podstawy gotowości aplikacji AI i wyzwania zarządzania danymi wymagają twardych ram danych, ludzi, procesów, strategii, etyki i platform technologicznych.

Jednocześnie, raport McKinseya stwierdza, że 65% przedsiębiorstw wykorzystuje technologie AI – dwa razy więcej niż w zeszłym roku. To demonstruje impet, ale wdrożenia nadal poruszają się powoli od ciekawości do prawdziwych przypadków użycia w skali. GenAI dostarcza nowe przełomy, umożliwiając organizacjom wykorzystanie nowych możliwości za pomocą rozwoju semantycznych i wielomodalnych LLM. To demokratyzuje pełny zakres możliwości AI, umożliwiając im generowanie nowych strumieni przychodu.

Z odpowiednią strategią, zaangażowaniem liderów i inwestycjami w odpowiednie przypadki użycia, przedsiębiorstwa mogą uzyskać znaczącą wartość i napędzić transformacyjny wzrost za pomocą AI.