Udane wdrożenie sztucznej inteligencji wymaga 3 komponentów — większość firm ma tylko 2

W tym momencie sztuczna inteligencja nie jest już nową technologią. Jej udowodniona skuteczność w analizie danych, rozpoznawaniu wzorców i syntezie wiedzy może sprawić, że zespoły będą bardziej wydajne. Ale pomimo niepodważalnej wartości sztucznej inteligencji, nowe badania wskazują, że tylko 13% firm wdrożyło ją w szerokim zakresie. Większość firm gra na pewno, używając sztucznej inteligencji tylko do zadań o najniższym ryzyku. Co powstrzymuje marki przed zanurzeniem się w niej i zbieraniem korzyści? Przepaść między aspiracjami sztucznej inteligencji a osiągnięciami sprowadza się do strukturalnej słabości.

Brakujące ogniwo.

Pomyślne, szerokie wdrożenie sztucznej inteligencji wymaga trzech komponentów: infrastruktury, aplikacji i danych. Warstwa infrastruktury składa się z modelu sztucznej inteligencji, którego ramy bezpośrednio kształtują użycie i potencjalne dane wyjściowe.

Warstwa aplikacji to miejsce, w którym żyją rozwiązania oprogramowania. To tutaj generowana jest większość wartości sztucznej inteligencji; to tutaj użytkownicy (być może niebezpośrednio) wchodzą w interakcję z sztuczną inteligencją i przeglądają jej dane wyjściowe; to centrum podejmowania decyzji z użyciem sztucznej inteligencji.

Pomiędzy tymi warstwami znajduje się warstwa danych, a to właśnie ten komponent powoduje trudności u większości firm – niezależnie od tego, czy są one tego świadome, czy nie. Ta warstwa zawiera wszystkie dane; dane, które pasują do podstawowych modeli sztucznej inteligencji i kierują tworzeniem aplikacji. Jakość warstwy danych bezpośrednio wpływa na dane wyjściowe na poziomie aplikacji. Wysokiej jakości, obfite dane mogą wspierać solidne przypadki użycia, podczas gdy wątpliwe lub niewystarczające dane nie mogą.

Dopóki organizacje nie będą w stanie zbudować – lub współpracować z firmami, które budują – wszystkie trzy warstwy wdrożenia sztucznej inteligencji, nie będą w stanie uzyskać maksymalnej wartości.

Wpływ niesymetryczności.

Dane wyjściowe sztucznej inteligencji zawsze będą uzależnione od danych, które otrzymuje. Jeśli organizacja chce, aby jej sztuczna inteligencja była w stanie przewidywać syntetyczne struktury molekularne, musi ją nakarmić dużą ilością danych fizycznych. Jeśli detalista chce użyć sztucznej inteligencji do przewidywania zachowania użytkowników i poprawy cyfrowych doświadczeń, musi ją nakarmić danymi behawioralnymi.

Jeśli firmy (lub ich partnerzy) nie mogą odpowiednio wesprzeć swoich narzędzi sztucznej inteligencji wystarczającymi danymi, wpływ będzie daleko idący. Po pierwsze, jest sam rozwiązanie sztucznej inteligencji. W najlepszym przypadku będzie ono technicznie operacyjne, choć nie w stopniu pożądanym. Dane wyjściowe mogą być słabe, mdłe lub pozbawione wglądu w ogóle. Poza tym „najlepszym” wynikiem leży bardziej prawdopodobny wynik: halucynacje sztucznej inteligencji, błędne dane wyjściowe i ujemny zwrot z inwestycji. Nie tylko inwestycja zostanie zmarnowana, ale organizacje mogą również musieć wydać więcej pieniędzy w celu kontroli szkód.

Wyjmując się z natychmiastowych konsekwencji, możemy zobaczyć szersze wpływ niesymetryczności danych sztucznej inteligencji. Ogólnie rzecz biorąc, firmy przyjmują sztuczną inteligencję, aby mogły robić więcej: zebrać więcej wglądu, obsłużyć więcej klientów, działać bardziej wydajnie. Jeśli organizacje wkładają czas i zasoby w narzędzie sztucznej inteligencji, które nie spełnia oczekiwań, skutecznie zahamowały swój własny wzrost, ograniczając swoją zdolność do adaptacji z rynkiem i wyprzedzania konkurencji. To stawia je w niekorzystnej sytuacji i pozostawi je szukającymi sposobu, aby nadrobić stracony czas, zasoby i – potencjalnie – klientów.

Ale nie ma powodu do zmartwienia; jest wiele rzeczy, które organizacje mogą zrobić, aby dobrze się przygotować, skorygować (lub zapobiec) niesymetryczności sztucznej inteligencji i ruszyć do przodu.

Wypełnienie luki z odpowiednimi danymi.

Ryzykując uproszczenie, najlepszą rzeczą, jaką mogą zrobić przywódcy, aby uniknąć niesymetryczności sztucznej inteligencji, jest wykonanie należytej staranności przed podjęciem jakiegokolwiek rozwiązania opartego na sztucznej inteligencji. Przed wdrożeniem nowego narzędzia należy się dowiedzieć, skąd pochodzą dane i jak są one generowane.

Jeśli dostawca rozwiązań lub główny inżynier nie mogą dać prostej odpowiedzi na temat źródła, jakości lub ilości podstawowych danych, to powinno to wywołać alarm. Uzyskaj drugą lub trzecią opinię od partnerów kanałowych i integratorów. Zebraj informacje, korzystając z sieci dyskusyjnych, takich jak Reddit i Discord; zobacz, gdzie inni adoptujący napotkali przeszkody. Wiedza o tym, na co zwrócić uwagę przed podjęciem jakichkolwiek decyzji, może pomóc przywódcom uniknąć wielu problemów i nie spełnionych oczekiwań.

Oczywiście, ta przewidywalność nie zawsze jest możliwa i nie pomoże organizacjom, które są w trakcie niesymetryczności danych sztucznej inteligencji. Jeśli rezygnacja z istniejącego rozwiązania nie jest opcją, następną najlepszą rzeczą jest znalezienie sposobu, aby wstrzyknąć więcej danych, aby narzędzie miało więcej kontekstu, wzorców i wglądu do wykorzystania.

Dane syntetyczne są opcją, ale nie są lekarstwem na wszystko. Może być trudno określić dokładne pochodzenie danych syntetycznych, więc nie zawsze mogą one być najlepszą drogą do przodu. Powiedzmy, że istnieje czas i miejsce na dane syntetyczne. Na przykład, są one doskonałe do szkolenia modeli bezpieczeństwa sztucznej inteligencji, szczególnie w sposób przeciwny. Jak zawsze, przeprowadzenie badań przed podjęciem decyzji pomoże przywódcom podjąć najlepsze decyzje dla swojej firmy.

Dla branż takich jak handel detaliczny lub restauracje szybko obsługujące (QSR), preferowane są dane ludzkie. Firmy w tych branżach prawdopodobnie używają sztucznej inteligencji, aby pomóc zoptymalizować doświadczenie klienta, więc ich narzędzia powinny być szkolone na danych behawioralnych ludzi. Na przykład, jeśli chcesz przewidzieć, jak daleko użytkownicy przewiną stronę, chcesz, aby sztuczna inteligencja opierała się na danych rzeczywistego zachowania ludzi w podobnych warunkach.

W niektórych przypadkach uzyskanie napływu danych ludzkich nie jest tak bardzo związane z nowymi danymi, ale raczej z aktywowaniem istniejących danych. Odwiedzający strony i aplikacje już tam są – chodzi tylko o to, aby przechwytywać, strukturyzować i analizować ich dane behawioralne, aby narzędzia sztucznej inteligencji mogły z nich korzystać.

Na końcu dnia posiadanie niewystarczających danych jest lepsze niż posiadanie złych danych; cokolwiek organizacje mogą zrobić, aby oczyścić swoje rozwiązania, pomoże uzyskać lepsze wyniki.

Gdzie zacząć.

Brak danych sztucznej inteligencji może stanowić duże wyzwanie dla organizacji każdego rozmiaru, i może być przytłaczające, aby tylko pomyśleć o tym, jakie mogą być następne kroki. Ale nawet uznanie problemu jest osiągnięciem samym w sobie. Od tego momentu chodzi o znalezienie możliwych, stopniowych kroków, które można podjąć jeden po drugim.

Sztuczna inteligencja oferuje ogromne możliwości – ale tylko dla tych, którzy są gotowi zainwestować w każdy z jej kluczowych komponentów: infrastrukturę, aplikację i dane. Bez tych warstw nawet najbardziej eleganckie rozwiązanie sztucznej inteligencji upadnie. Organizacje, które zamkną lukę danych teraz, nie tylko unikną pozostania w tyle; ustanowią tempo.