Planowanie, PoC i Produkcja Udanej Rozwiązania Opartego na Sztucznej Inteligencji

Przedsiębiorstwa przyspieszają swoje inicjatywy związane ze sztuczną inteligencją (AI) w szybkim tempie. Badanie przeprowadzone przez Algorithmia wykazało, że 76 procent dyrektorów ds. informatyki priorytetem jest zwiększenie budżetu IT na rozwiązania AI i machine learning (ML). Przedsiębiorstwa również uznają wagę danych i większość z nich przyjmuje fakt, że 80 procent danych przedsiębiorstwa ma nieustrukturyzowaną naturę.

Dane nieustrukturyzowane są wytwarzane i rosną w alarmującym tempie w stosie przedsiębiorstwa. Jednostka pomiaru przesunęła się z terabajtów na petabajty. W rezultacie specjaliści IT, dyrektorzy ds. danych i dyrektorzy ds. informatyki muszą radzić sobie z nowymi wyzwaniami, aby spełnić rosnące zapotrzebowanie na dane i wgląd w działanie. Pomimo ogromnego potencjału AI do transformacji każdej branży, tylko 15 procent rozwiązań AI wdrożonych do końca 2022 roku będzie udanych, a jeszcze mniej z nich wygeneruje pozytywny zwrot z inwestycji.

Największym problemem jest to, że większość rozwiązań AI przedsiębiorstw nie dociera do skutku z powodu niezgodności oczekiwań. Nadal istnieją złe wyobrażenia na temat możliwości AI, a projekty są konceptualizowane na podstawie modeli napędzanych hiperem. Większość produktów lub modeli jest daleko od rzeczywistości codziennych operacji przedsiębiorstwa. Inne czynniki wpływające na niższy wskaźnik sukcesu obejmują: przekroczenia kosztów, brak centrów doskonałości AI, niedoświadczonych talentów, niedostępność danych i przestarzałe polityki, aby wymienić tylko kilka.

Planowanie Przygotowuje Droga do Sukcesu AI w Przedsiębiorstwie

Dane nieustrukturyzowane to dane, które nie mają określonego modelu danych i obejmują wszystko, od dokumentów zawierających dużo tekstu i stron internetowych po obrazy, pliki wideo, czatboty, strumienie audio i posty na mediach społecznościowych. Z uwagi na rosnącą ilość danych nieustrukturyzowanych w architekturze przedsiębiorstwa, jest krytyczne, aby mieć wydajny i stopniowy plan, który jest zgodny z celami wszystkich interesariuszy korporacyjnych. Typowe cele na poziomie organizacyjnym mogą obejmować: automatyzację procesów, wykrywanie oszustw, poprawę doświadczenia klienta, poprawę bezpieczeństwa, zwiększenie sprzedaży itd. Chociaż niektóre z tych celów mogą być osiągnięte dość skutecznie, ze względu na strukturalny charakter danych, planowanie wokół danych nieustrukturyzowanych może być trudne.

Typowo, planowanie zaczyna się od identyfikacji obszarów możliwości w ramach organizacji. Chociaż może istnieć wspaniała wizja AI na poziomie zarządu, jest krytyczne, aby zidentyfikować obszar, który ma wysoki wpływ, niskie ryzyko i ciągły wzrost danych. Dobrym przykładem takiego przypadku użycia byłaby funkcja przetwarzania kredytów w sektorze bankowym i finansowym. Orygination kredytów do obsługi jest pełna ręcznych procesów, w których informacje są wprowadzane ręcznie do systemów w sposób powtarzalny. Due diligence wniosków o kredyt obejmuje znaczną ilość dokumentów, co niesie ze sobą kilka ryzyk. Jednak AI może być zastosowana w kilku obszarach procesu, w tym w przetwarzaniu dokumentów i wykrywaniu oszustw. To również jest obszar, w którym jest ciągły roczny wzrost danych.

Inne krytyczne kroki do rozważenia podczas tej fazy planowania obejmują definiowanie miernych kryteriów sukcesu, formułowanie spójnej strategii danych, ciągłe szkolenie i informacje zwrotne, a także ocenę doświadczenia użytkownika, skalowalności i infrastruktury.

Definiowanie Miernych Kryteriów Sukcesu (i Unikanie Chwili, Kiedy Koń jest Przed Wozem!)

Wczesny sukces Google jest często przypisywany temu, że firma wprowadziła Celowe Kluczowe Wyniki (OKR). Chociaż ten podejście może być zastosowane do każdego aspektu biznesu lub celów osobistych, zastosowanie tego podejścia do strategii AI może przynieść obiecujące wyniki. Jednak w przypadku danych nieustrukturyzowanych jest to ewoluujący problem, który cały przemysł stara się rozwiązać. Biorąc pod uwagę wyzwania, liderzy biznesu powinni zadać różne pytania, aby określić “co” i “dlaczego”. Na przykład, jeśli zwiększenie produktywności jest kluczowym celem, dwa pytania, które mogą być odpowiedzią, to:

• Czy powinienem planować poprawę wydajności poprzez automatyzację? czy
• Czy powinienem planować rozwiązać 80 procent problemu dla 100 procent wszystkich przypadków przesłanych?

Odpowiedzi na te pytania prowadzą do dwóch różnych podróży wdrożeniowych, a ważne jest, aby zdecydować, które z nich będzie odpowiednie dla Twojego przedsiębiorstwa.

Z danymi nieustrukturyzowanymi, innym niejasnym obszarem pomiaru jest dokładność. W przykładzie przetwarzania kredytów istnieje tak duża zmienność w dokumentach przesłanych przez klientów, że jest krytyczne, aby liderzy biznesu i techniczni doszli do porozumienia co do tego, jak mierzyć dokładność rozwiązania AI. Jeśli produktywność jest jednym z celów wdrożenia rozwiązania AI, wówczas konieczne jest zidentyfikowanie innych obszarów wpływających na produktywność. Można to osiągnąć, przyglądając się bieżącemu procesowi i wyobrażając sobie proces z automatyzacją AI. Często nowa automatyzacja prowadzi do nowych kroków w procesie, takich jak ręczne zarządzanie wyjątkami, adnotacje, szkolenia itp. Z tymi krokami na miejscu będzie łatwiej określić, jak mierzyć dokładność.

Dane Są Życiodajne dla Wszystkich Przedsiębiorstw

Dane nieustrukturyzowane mają wysoki stopień zmienności w sposobie, w jaki informacje są strukturyzowane i przedstawiane. Przedsiębiorstwa są pełne informacji przedstawionych w dokumentach, które z natury mają złożone struktury składające się z akapitów, zdań i, co więcej, wielowymiarowych struktur tabelarycznych. Oprócz dokumentów, organizacje coraz częściej inwestują w czatboty, monitorują dane z mediów społecznościowych i inne formy danych nieustrukturyzowanych, takie jak wiadomości, obrazy i filmy.

Większość organizacji nie docenia, ile danych jest dostępnych i dostępnych na miejscu. Często wyzwanie jest tak proste, jak pokonanie ograniczeń związanych z zgodnością i udostępnieniem danych w ramach organizacji. Niemniej jednak, posiadanie czystych i wysokiej zmienności danych pozwala na lepszą ocenę problemu i zaprojektowanie optymalnego rozwiązania.

Innym ważnym czynnikiem do rozważenia jest to, jaki wynik oczekuje się od tych danych nieustrukturyzowanych. To zapewni dokładną ilość danych odniesienia, szkolenia i testowania. Wróćmy do przykładu przetwarzania kredytów, jeśli wynik tego rozwiązania AI ma na celu określenie średnich dziennych sald kredytowych, dane odniesienia i szkoleniowe mogą być skupione wokół wyciągów bankowych. Jednak jeśli celem jest określenie oszustw kredytowych za pomocą przesłanych wyciągów bankowych, trzeba będzie uzyskać dostęp do szerszego zakresu dokumentów, aby uzyskać niezbędne dane odniesienia i szkoleniowe.

Skalowanie od PoC do Produkcji

Wdrożenie mierzonego Proof of Concept (PoC) zapewnia, że wszystkie interesariusze rozumieją wyzwania, wyniki i wartość rozwiązania AI. Jednak PoC nie jest tym samym, co rozwiązanie gotowe do produkcji. PoC umożliwia organizacji identyfikację luk, stymuluje myślenie projektowe dla rozwiązania produkcyjnego i upraszcza cele i kluczowe wyniki, które powinny być osiągnięte. Aby przejść od PoC do rozwiązania skalowalnego, organizacje powinny planować złożone scenariusze danych, które obejmują ciągłe zmiany danych, niedostępność oznaczonych danych i wysoki stopień zmienności w formie i formatach. Równie ważne jest ponowne wyobrażenie procesu, ponowne szkolenie siły roboczej i określenie odpowiedniej infrastruktury, kosztów, wydajności, architektury danych, bezpieczeństwa informacji i umów o poziomie usług (SLA).

Jest absolutnie niezbędne, aby ocenić cały proces i biznesowy proces, aby osiągnąć najlepsze wyniki z jakiegokolwiek rozwiązania AI. Biorąc pod uwagę behawioralną ekonomię, jest krytyczne, aby porównać wynik do istniejącego punktu odniesienia (znany również jako “zależność odniesienia”), w którym punkcie lepsze efektywności mogą być przewidziane z wyprzedzeniem przed produkcją poprzez myślenie projektowe i mapowanie procesu.

Ten scenariusz zakłada, że zarówno liderzy biznesu, jak i techniczni zgodzili się na podejście MI lub głębokiego uczenia się na podstawie PoC. Niektóre oświadczenia o problemie mogą być deterministyczne, a statystyczne podejście może być podjęte, aby rozwiązać problem, podczas gdy inne wyzwania mogą wymagać połączenia podejść MI i sieci neuronowych, aby osiągnąć pożądane wyniki.

Niektóre rozwiązania AI wymagają wdrożenia Przetwarzania Języka Naturalnego (NLP). Chociaż ogólne modele językowe służą jako podstawowy krok, większość modeli nie jest zaprojektowana, aby spełnić unikalne potrzeby każdego przedsiębiorstwa i wymaga dostrojenia. W tym samym czasie większość dyrektorów jest prawdopodobnie entuzjastycznie nastawiona do dużych modeli, takich jak GPT3, które wymagają znacznego komputera i mogą mieć bezpośredni wpływ na zwrot z inwestycji przedsiębiorstwa. Te modele są najprawdopodobniej nieodpowiednie dla Twojej firmy.

Twój AI-driven PoC jest tylko początkiem długiego procesu, więc pamiętaj o następującym:

• Nie wybieraj złożonego problemu do rozwiązania na etapie PoC
• Zastosuj myślenie projektowe i przeanalizuj swój proces od końca do końca; przewiduj i zarządzaj ryzykiem wcześnie
• Dokładność nie jest jedynym miernikiem; zaprojektuj i zaplanuj budowę rozwiązania nastawionego na wartość w stosunku do osiągnięcia 100 procent dokładności
• Ocenić podejście AI; nie planuj na podstawie modeli napędzanych hiperem, ale wybierz najbardziej optymalne podejście, które jest modułowe
• Zarządzaj oczekiwaniami wszystkich interesariuszy, aby zapewnić najbardziej udany wynik
• Zaprojektuj swoje rozwiązanie i architekturę, aby skalować się z wzrostem Twoich danych dla najbardziej optymalnego zwrotu z inwestycji

Najlepsze Praktyki dla Rozwiązań Napędzanych przez AI

Dziś większość firm prowadzi jedno lub więcej projektów AI. Pomimo doskonałych intencji i ciężkiej pracy, wiele programów AI przedsiębiorstw nie spełnia oczekiwań, nie skaluje się i nie generuje pożądanego zwrotu z inwestycji. Będzie to wymagało czasu, aby zintegrować sztuczną inteligencję jako podstawowy składnik biznesu, jednak niektóre z najlepszych praktyk stosowanych przez udane organizacje obejmują:

• Zacznij od AI CoE: Wiele dużych korporacji, nawet tych niezwiązanych z technologią, utworzyło Centra Doskonałości AI (AI CoE), aby zwiększyć szanse na ich sukces. AI CoE łączy niezbędną ekspertyzę, zasoby i ludzi, aby umożliwić inicjatywom transformacji opartej na AI. Główne korzyści obejmują:
  • Konsolidację uczenia się AI, zasobów i talentów w jednym miejscu
  • Rozwój zjednoczonej wizji AI i strategii biznesowej
  • Standaryzacja podejść AI, platform i procesów
  • Identyfikacja nowych możliwości dochodowych dla AI i innowacji
  • Skalowanie wysiłków nauki danych, aby uczynić AI dostępnym dla wszystkich funkcji biznesowych
• Poparcie Wykonawcze: Strategia AI jest najbardziej udana dzięki podejściu odgórnemu. Skalowanie pilotów w całej organizacji wymaga poparcia kierownictwa, niezbędnych umiejętności i danych, oraz ustanowienia struktury organizacyjnej, która zapewnia, że modele pozostają dokładne w czasie.
• Dostępność Danych: Większość organizacji ma siledowane dane z powodu różnych przyczyn związanych z zgodnością. Jednak dane są żyłami życia każdego rozwiązania AI, a udostępnienie tych danych jest krytyczne. Wraz z udostępnieniem, klasyfikacja i oczyszczanie danych są niezbędne. Rozwój dokładnych danych odniesienia i szkoleniowych może uczynić lub zniszczyć rozwiązanie AI.
• Architektura: Wykorzystanie AI jest zmianą paradygmatu dla każdej organizacji, co wymaga nowych sposobów myślenia i planowania. Projektowanie optymalnej architektury technicznej i operacyjnej zwiększa Twoje szanse na sukces. Obejmuje to posiadanie nowych funkcji, takich jak operacje ML, operacje danych, szkolenie iteracyjne i adnotacje, między innymi.
• Modularyzacja i Elastyczność: Rozwiązania napędzane przez AI są jeszcze w powijakach, zwłaszcza gdy organizacje mają do czynienia z dużymi danymi nieustrukturyzowanymi. Jest krytyczne, aby zaprojektować i zbudować modułowe i elastyczne rozwiązanie, które może skalować się z biznesem i jego rosnącymi wyzwaniami.

Ustanowienie i rozpoczęcie strategii AI ma ogromny potencjał dla większości organizacji, a przypadki użycia są nieograniczone. Rozwiązania oparte na maszynowym i głębokim uczeniu się dotykają każdego aspektu organizacji, od sprzedaży i marketingu do codziennych operacji. Jednak jak budowanie rakiety lub wynalezienie nowego gadżetu, sukces nie zostanie osiągnięty od razu. Rozwiązania napędzane przez AI powinny być podejściem stopniowym i budowanym na mniejszych zwycięstwach w czasie.