Planowanie, PoC i Produkcja Udanej Rozwiązania Przedsiębiorstwa Napędzanego Sztuczną Inteligencją

Przedsiębiorstwa przyspieszają swoje inicjatywy związane ze sztuczną inteligencją (AI) w szybkim tempie. Badanie przeprowadzone przez Algorithmia wykazało, że 76 procent dyrektorów ds. informacji priorytetowo traktuje i zwiększa swoje budżety IT, aby większy nacisk kładziony był na rozwiązania AI i machine learning (ML). Organizacje również uznają wagę danych, a większość z nich przyjmuje do wiadomości, że 80 procent danych przedsiębiorstwa ma nieustrukturyzowany charakter.

Dane nieustrukturyzowane są wytwarzane i rosną w alarmującym tempie w stosie przedsiębiorstwa. Jednostka pomiaru przesunęła się z terabajtów na petabajty. W związku z tym specjaliści IT, dyrektorzy ds. danych i dyrektorzy ds. informacji muszą radzić sobie z pewnymi nowymi wyzwaniami, aby sprostać rosnącemu popytowi na użyteczne dane i działania analityczne. 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 nadal konceptualizowane na podstawie modeli napędzanych hiperem. Większość produktów lub modeli jest daleko od rzeczywistości codziennych operacji przedsiębiorstwa. Inne czynniki wpływające na niższe wskaźniki powodzenia obejmują: przekroczenia kosztów, brak centrów doskonałości AI (CoE), niedoświadczonych talentów, niedostępność danych i przestarzałe zasady, by wymienić tylko kilka.

Planowanie Przygotowuje Drogę do Sukcesu AI w Przedsiębiorstwie

Dane nieustrukturyzowane to dane, które nie posiadają predefiniowanego modelu danych i obejmują wszystko, od dokumentów 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, istotne jest posiadanie wydajnego i stopniowego planu, 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. Podczas gdy niektóre z tych celów mogą być osiągnięte dość skutecznie, ze względu na ustrukturyzowany charakter danych, planowanie wokół danych nieustrukturyzowanych może być wyzwaniem.

Typowo, planowanie rozpoczyna się od identyfikacji obszarów możliwości w ramach organizacji. Podczas gdy może istnieć wielka wizja AI na poziomie zarządu, istotne jest zidentyfikowanie obszaru, który ma duży wpływ, niskie ryzyko i ciągły wzrost danych. Dobrym przykładem takiego przypadku użycia może być funkcja przetwarzania kredytów w sektorze bankowym i finansowym. Orygination do obsługi kredytu jest pełna ręcznych procesów, w których informacje są wprowadzane ręcznie do systemów w sposób powtarzalny. Due diligence wniosków o kredyt obejmuje znaczną ilość złożonych dokumentów, co stanowi kilka ryzyk. Jednak AI może być stosowana w kilku obszarach przepływu pracy, w tym w przetwarzaniu dokumentów i wykrywaniu oszustw. To również obszar, w którym jest ciągły roczny wzrost danych.

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

Definiowanie Kryteriów Sukcesu (i Unikanie Chwili „Wóz Przed Koniem”)

Wczesny sukces Google jest często przypisywany instytucjonalizacji Celów Kluczowych (OKR). Chociaż ten podejście może być stosowane w każdym aspekcie 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 zaplanować poprawę wydajności poprzez automatyzację? czy
• Czy powinienem zaplanować rozwiązanie 80 procent problemu dla 100 procent wszystkich przypadków?

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 składanych przez klientów, że istotne jest, aby liderzy biznesu i techniczni doszli do porozumienia w sprawie tego, jak mierzyć dokładność rozwiązania AI. Jeśli produktywność jest jednym z celów wdrożenia rozwiązania AI, wówczas konieczne jest zidentyfikowanie innych obszarów wpływających na produktywność. Może to być osiągnięte poprzez dokładne spojrzenie na bieżący proces i wyobrażenie sobie procesu z automatyzacją AI. Często nowa automatyzacja prowadzi do nowych kroków w procesie, takich jak zarządzanie wyjątkami, adnotacje, szkolenia itp. Z tymi krokami na miejscu będzie łatwiej określić, jak mierzyć dokładność.

Dane Są Życiem Przedsiębiorstwa

Dane nieustrukturyzowane mają wysoki stopień zmienności w sposobie, w jaki prezentowane są informacje. Przedsiębiorstwa są pełne informacji przedstawianych w dokumentach, które z natury mają złożoną strukturę, składającą się z akapitów, zdań i, co więcej, wielowymiarowych struktur tabel. 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 niedocenia, ile danych jest dostępnych i dostępnych na miejscu. Często wyzwaniem jest coś tak prostego, jak pokonanie ograniczeń zgodności i udostępnienie danych w ramach organizacji. Niemniej jednak posiadanie czystych i wysoko zmiennych danych pozwala na lepszą ocenę problemu i zaprojektowanie optymalnego rozwiązania.

Innym ważnym czynnikiem, który należy wziąć pod uwagę, 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 wynikiem tego rozwiązania AI jest określenie średnich dziennych sald kredytobiorców, dane odniesienia i szkolenia mogą być bardzo skoncentrowane na wyciągach bankowych. Jednak jeśli celem jest określenie oszustw kredytobiorców za pomocą złożonych bankowych oświadczeń, konieczne będzie uzyskanie szerszego zakresu dokumentów w celu uzyskania niezbędnych danych odniesienia i szkolenia.

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 wyniki, które powinny być osiągnięte. Aby przejść od PoC do rozwiązania skalowalnego, organizacje powinny planować złożone scenariusze danych, w tym ciągłe zmiany danych, niedostępność oznaczonych danych i wysoki stopień zmienności w formie i formatach. Równie ważne jest wyobrażenie sobie przepływu pracy, przeszkolenie siły roboczej i określenie odpowiedniej infrastruktury, kosztów, wydajności, architektury danych, bezpieczeństwa informacji i umów o poziomie usług (SLA).

Jest absolutnie niezbędne, aby ocenić cały przepływ pracy i proces biznesowy, aby uzyskać najlepsze wyniki z jakiegokolwiek rozwiązania AI. Biorąc pod uwagę ekonomię behawioralną, jest kluczowe porównać wynik do istniejącego punktu odniesienia (znanego również jako „zależność odniesienia”), w którym punkcie lepsze efektywności mogą być przewidziane przed produkcją za pomocą myślenia projektowego i mapowania 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 problemach mogą być deterministyczne, a podejście statystyczne może być podjęte w celu rozwiązania problemu, podczas gdy inne wyzwania mogą wymagać połączenia podejścia MI i neuronowych podejść opartych na sieciach, aby osiągnąć pożądane wyniki.

Niektóre rozwiązania AI wymagają wdrożenia Przetwarzania Języka Naturalnego (NLP). Podczas gdy ogólne modele językowe służą jako podstawowy krok, większość modeli nie jest zaprojektowana, aby spełniać unikalne potrzeby każdego oświadczenia o problemie przedsiębiorstwa i wymagałaby dostrajania. W tym samym czasie większość dyrektorów jest prawdopodobnie entuzjastycznie nastawiona do dużych modeli, takich jak GPT3, które wymagają znacznej mocy obliczeniowej 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 następujących kwestiach:

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

Najlepsze Praktyki dla Rozwiązań Napędzanych 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:

• Rozpocznij od AI CoE: Wiele dużych korporacji, nawet tych niezwiązanych z technologią, utworzyło Centra Doskonałości AI (AI CoE), aby zwiększyć szanse na swoje powodzenie. AI CoE łączy niezbędną ekspertyzę, zasoby i ludzi, aby umożliwić transformację opartą na AI. Główne korzyści obejmują:
  • Konsolidację uczenia się AI, zasobów i talentów w jednym miejscu
  • Rozwinięcie zjednoczonej wizji AI i strategii biznesowej
  • Ustandaryzowanie podejść AI, platform i procesów
  • Identyfikację nowych możliwości dochodowych dla AI i innowacji
  • Skalowanie wysiłków związanych z nauką danych, udostępniając AI wszystkim funkcjom biznesowym
• Zatwierdzenie Kierownictwa: Strategia AI jest najbardziej udana dzięki podejściu odgórnemu. Skalowanie pilotów w całej organizacji wymaga zatwierdzenia kierownictwa, niezbędnych umiejętności i danych, a także ustanowienia struktury organizacyjnej, która zapewnia, że modele pozostają dokładne w czasie.
• Dostępność Danych: Większość organizacji ma zdane dane z powodu różnych przyczyn zgodności. Jednak dane są życiem każdego rozwiązania AI, a udostępnienie tych danych jest kluczowe. Wraz z udostępnieniem klasyfikacja i oczyszczanie danych są niezbędne. Rozwinięcie dokładnych danych odniesienia i szkolenia może sprawić, że rozwiązanie AI będzie udane lub nie.
• Architektura: Wykorzystanie AI jest zmianą paradygmatu dla każdej organizacji, która wymaga nowych sposobów myślenia i planowania. Zaprojektowanie optymalnej architektury technicznej i operacyjnej zwiększa Twoje szanse na sukces. Obejmuje to nowe funkcje, takie jak operacje ML, operacje danych, szkolenie iteracyjne i adnotacje, między innymi.
• Modularność i Elastyczność: Rozwiązania napędzane AI są jeszcze w powijakach, zwłaszcza gdy organizacje mają do czynienia z dużymi danymi nieustrukturyzowanymi. Jest kluczowe, aby zaprojektować i zbudować modułowe i elastyczne rozwiązanie, które może skalować się z firmą i rosnącymi wyzwaniami.

Ustanowienie i wdrożenie strategii AI ma ogromny potencjał dla większości organizacji, a przypadki użycia są nieograniczone. Rozwiązania machine learning i głębokiego uczenia 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 AI powinny być podejmowane stopniowo i budowane na mniejszych zwycięstwach w czasie.