Înainte de a dezvolta mai multe modele, inteligența artificială în comerț are nevoie de o revoluție a infrastructurii

Implementarea inteligenței artificiale în comerț este în plină desfășurare. Investițiile în inteligență artificială în retail cresc rapid, cu o piață care se estimează că va crește de la 11,6 miliarde de dolari în 2024 la peste 40 de miliarde de dolari până în 2030.

În mod similar, noi modele sunt lansate în succesiune rapidă, furnizorii continuă să-și extindă capacitățile, iar retailerii sunt sub o presiune tot mai mare din partea consiliilor de administrație și a investitorilor pentru a demonstra că integrează activ inteligența artificială în operațiunile lor.

La suprafață, acest lucru creează impresia unei industrii care se transformă rapid și decisiv. Cu toate acestea, sub această activitate, majoritatea acestor inițiative sunt stratificate pe sisteme care nu au fost proiectate pentru a le susține.

Limitarea nu constă în disponibilitatea sau calitatea modelelor. Este starea infrastructurii de sub ele.

Când se implementează inteligența artificială, primul buget nu ar trebui să meargă către inteligența artificială însăși. Ar trebui să meargă către ceea ce numim “încredere în date”, care este infrastructura de date. Acestea sunt legături între sisteme, deduplicarea datelor și actualizările în timp real.

Nerespectarea acestui lucru este motivul pentru care inteligența artificială eșuează în comerț și pentru care atâtea eforturi încep cu impuls, dar se luptă să se transforme în impact durabil. Pentru a implementa cu succes inteligența artificială, trebuie să începem cu infrastructura.

În contrast, în comerț, conversația însăși are tendința de a începe cu un strat prea sus, concentrându-se pe selectarea modelelor sau identificarea cazurilor de utilizare cu potențial ridicat. Ceea ce primește mult mai puțină atenție este dacă arhitectura de date subiacentă poate susține aceste decizii într-un mod semnificativ.

Dacă datele subiacente sunt fragmentate, inteligența artificială va genera doar ieșiri care pot fi, de fapt, dăunătoare sau înșelătoare.

În organizațiile mai mari, această tendință este întărită de nevoia de a semnala progres. “A face ceva cu inteligența artificială” devine un obiectiv în sine, și introducerea unui model este adesea cel mai imediat mod de a atinge acest lucru, indiferent dacă produce valoare măsurabilă.

La nivelul consiliului de administrație, așteptările legate de inteligența artificială se accelerează sub forma unei personalizări mai bune și a unor câștiguri măsurabile în eficiență și marjă. La nivelul sistemului, pregătirea nu ține pasul. Cu cât această lacună persistă mai mult, cu atât devine mai scumpă corectarea, deoarece se adaugă straturi de tehnologie pe fundații care rămân neschimbate.

Ce înseamnă “nu sunteți gata pentru inteligența artificială” în practică

O problemă principală este lipsa de coerență între sisteme. De exemplu, un client poate exista simultan într-o platformă ERP, un mediu de comerț electronic și un sistem offline sau de fidelitate, fiecare instanță având istorii și ipoteze diferite.

Datele despre produse, deși tehnic complete, sunt limitate în ceea ce privește furnizarea de context care ar permite unui model să interpreteze sau să raționeze eficient. Calitatea slabă a datelor singură este estimată a costa organizațiile aproape 13 milioane de dolari pe an, subliniind cât de fundamentale au devenit aceste constrângeri.

Echipele umane învață să navigheze aceste incoerențe în timp, construind poduri informale între sisteme. Un model, în schimb, funcționează strict în cadrul structurii pe care i se dă, iar ieșirile pe care le generează sunt limitate în consecință.

Când inteligența artificială este introdusă în acest mediu, rezultatul nu este lipsa de ieșiri, ci o degradare graduală a calității acestora.

Un model poate procesa date și produce ieșiri, dar nu va conecta sistemele de la sine.

În practică, acest lucru poate apărea sub forma unui motor de personalizare care începe să ofere recomandări de produse foarte specifice care încadrează un client în moduri care nu reflectă preferințele sau intențiile sale reale.

În sistemele conduse de inteligență artificială, experiențele clienților devin adesea mai precise, dar și mai irelevante.

Acest salt de la relevanță generală la irelevanță specifică poate fi mai dăunător decât pare, deoarece modifică modul în care clienții percep marca însăși. În cele mai rele cazuri, aceste sisteme nu numai că nu funcționează bine, dar activează degradarea experienței clienților.

De ce majoritatea proiectelor pilot de inteligență artificială stagnează și ce costuri implică

Această dinamică este una dintre principalele motive pentru care o proporție semnificativă a proiectelor pilot de inteligență artificială în comerț nu reușesc să progreseze dincolo de experimentare. Datele din industrie sugerează că doar aproximativ jumătate dintre inițiativele de inteligență artificială trec de la pilot la producție, lăsând o proporție semnificativă blocată în stadiul de experimentare.

Problema rareori constă în lipsa de investiții sau intenție. Constrângerea apare atunci când ieșirile generate de aceste sisteme nu justifică scalarea.

În acel moment, organizațiile se confruntă cu alegerea între continuarea investițiilor în optimizare sau abandonarea inițiativei în totalitate. În multe cazuri, aleg să abandoneze, deoarece mediul în care este implementat nu poate susține rezultate consistente.

În întreaga industrie, aceleași lacune de infrastructură se repetă. Datele clienților rămân fragmentate, mai degrabă decât unificate. Informațiile despre produse există, dar lipsesc adâncimea necesară pentru interpretare. Sistemele funcționează în paralel, mai degrabă decât ca un flux coerent de informații. Când se introduc modele în acest mediu, ele amplifică aceste probleme.

Costul acestei abordări se extinde dincolo de cheltuielile directe. Se manifestă sub forma unei acumulări la nivelul sistemului a recomandărilor care nu se concretizează, a personalizării care pare inconsistentă și a automatizării care amplifică erorile existente.

În timp, acest lucru creează o erodare subtilă, dar semnificativă, a încrederii în cadrul organizației. Echipele încep să pună sub semn de întrebare fiabilitatea sistemelor pe care le construiesc, iar se adaugă straturi suplimentare de tehnologie în încercarea de a compensa. Rezultatul este o întârziere în atingerea clarității necesare pentru a construi sisteme care funcționează.

Motivul pentru care multe companii construiesc proiecte pilot de inteligență artificială, dar nu merg mai departe, este că construiesc aceste proiecte pe fundații slabe, ceea ce este ca și cum ai găti cu ingrediente de proastă calitate.

Poți avea o rețetă de la Gordon Ramsay și echipament excelent, dar dacă ingredientele sunt de proastă calitate, rezultatul va fi tot negativ.

Diferența dintre startup-uri și corporații mari

Organizațiile mai mici, în special cele din segmentul de piață mediu, demonstrează adesea o capacitate mai mare de a implementa inteligența artificială în mod eficient. Acest lucru se datorează faptului că sistemele lor sunt mai puțin fragmentate, iar procesele de luare a deciziilor sunt mai directe.

În organizațiile mai mari, structura însăși introduce potențiale obstacole. Inițiativele sunt adesea conduse de nevoia de a răspunde la așteptările externe, iar inteligența artificială devine o categorie care trebuie abordată, mai degrabă decât o capacitate care este integrată cu atenție.

Spunerea “vrem să implementăm inteligența artificială” este ca și cum ai aduce electricitatea într-o fabrică fără mașini. Luminile se aprind, dar producția nu se îmbunătățește, pentru că ai investit în tehnologie fără a ști ce va face de fapt.

Schimbarea de la modele la infrastructură

O abordare alternativă începe să se contureze în rândul organizațiilor care au întâmpinat direct aceste limitări.

În loc să aloce bugete inițiale pentru modelele de inteligență artificială, ele investesc în ceea ce poate fi descris ca “încredere în date”, care este crearea unei fundații în care datele sunt consistente, conectate și actualizate în mod continuu. Obiectivul este de a asigura că datele utilizate pot susține decizii semnificative.

Pregătirea datelor poate dura până la 80% din timpul petrecut pe proiecte de învățare automată, subliniind cât de mult din muncă stă în stratul de date subiacent, mai degrabă decât în modelele însele.

Acest proces începe de obicei cu o cartografiere detaliată a sistemelor existente și identificarea lacunelor în fluxul și integritatea datelor. Primele 30-60 de zile sunt adesea dedicate înțelegerii modului în care informațiile se deplasează sau nu se deplasează în cadrul organizației. Acest lucru este urmat de o perioadă de integrare și standardizare, în timpul căreia datele sunt curățate, deduplicate și aliniate pe platforme.

În următorii trei-șase luni, companiile se concentrează pe construirea de conducte de date fiabile și conectarea sistemelor de valoare înaltă în moduri care susțin cazuri de utilizare reale. Abia atunci când această fundație este în loc, devine posibilă introducerea inteligenței artificiale în fluxurile de lucru care pot produce rezultate consistente și măsurabile.

Într-un orizont de șase-nouă luni, organizațiile care urmează această abordare încep de obicei să vadă rezultate semnificative sub forma unor procese conduse de inteligență artificială care influențează metrici precum conversia, retenția și îmbunătățirea marjei. În acel moment, modelele încetează să mai fie experimente și devin parte a operațiunilor. Performanța lor se stabilizează, iar ieșirile devin acționabile, astfel încât echipele pot începe să se bazeze pe ele.

Accelerarea investițiilor în inteligență artificială în comerț este puțin probabil să se încetinească în perioada imediat următoare. Ceea ce rămâne incert este dacă pregătirea infrastructurii va ține pasul și va putea susține această evoluție. Lacuna tot mai largă dintre ceea ce organizațiile așteaptă de la inteligența artificială și ceea ce sistemele lor pot susține este deja vizibilă în numărul tot mai mare de proiecte pilot care nu reușesc să ajungă la producție. Abordarea acestei lacune necesită o schimbare de focus către construirea acestei infrastructuri critice.

Deplasarea conversației de la modele la infrastructură nu are aceeași urgență sau vizibilitate. Dar este acolo unde se află multe dintre constrângerile actuale. Și este acolo unde următoarea fază de progres semnificativ în comerțul condus de inteligență artificială este probabil să apară.