5 шагов по внедрению искусственного интеллекта в ваш бизнес без больших затрат

Искусственный интеллект продолжает процветать, и если он продолжит проникать во все отрасли, он полностью изменит наш образ жизни.

В результате интеграция искусственного интеллекта в свои компании стала первоочередной задачей для многих основателей. Даже отдельные люди ищут способы использовать ИИ для улучшения своей личной жизни.

Ажиотаж настолько велик, что словарь Collins Dictionary, выдающийся языковой авторитет, назвал AI как срок года, из-за его популярности.

При этом для большинства организаций при попытке внедрить ИИ в свои процессы существует огромный разрыв между идеей и реальностью, поскольку этот путь не так прост, как кажется, и может оказаться очень дорогим, как с точки зрения капитальных затрат, так и с точки зрения капитальных затрат. нужно и впустую потрачено время, потому что разработки не принесут ожидаемых результатов. Это приземлилось несколько предприятий в беде. Например, CNET экспериментировал со статьями, написанными ИИ, и они оказались полны недостатков. Другие компании, такие как iTutor Group, столкнулись с огромными штрафами в дополнение к публичным насмешкам из-за их плохой реализации ИИ.

Как показывают эти случаи, компании могут допускать множество ошибок при использовании ИИ, и если предприятие не имеет финансовой подушки безопасности, такой как Amazon, Google, Microsoft или Meta, эти неудачные эксперименты могут фактически обанкротить компанию.

Если вы основатель или владелец бизнеса, вот руководство из пяти шагов, которое поможет вам внедрить ИИ в ваш бизнес, при этом разумно используя свои ресурсы — деньги и время, которое в конечном итоге является деньгами — и одновременно снижая вероятность фатальных последствий. ошибки.

1. Четко сформулируйте проблему, которую вы пытаетесь решить.

Ни одна компания не застрахована от сбоев ИИ. И как Amazon с болью обнаружила – через свои барахтающиеся магазины без касс Amazon Go –не каждому бизнес-кейсу нужен ИИ.

Поэтому очень важно определить проблему, которую вы стремитесь решить с помощью ИИ. Это необходимо изложить как можно более четко.

Например, распространенным применением ИИ является поддержка клиентов. Внедрение ИИ в таком случае возможно таким образом, чтобы получить конкретные результаты, например, сократить затраты колл-центра на X сумму денег в месяц или ускорить среднее время, необходимое для решения запросов клиентов, на X минут. При таком подходе у нас есть измеримый показатель в виде денег или времени, которого мы постараемся достичь путем внедрения ИИ и посмотрим, окажет ли это какой-либо эффект.

Это может произойти разными способами. Например, вместо чат-бота мы можем разработать или купить услугу, которая будет определять, можно ли ответить на вопрос клиента с помощью страницы часто задаваемых вопросов. Это будет работать следующим образом. Когда клиент пишет сообщение, мы запускаем эту модель, и она либо говорит нам, что нужно передать этот разговор агенту, либо показывает ему соответствующую страницу с ответом на его вопрос. Разработка этой модели быстрее и дешевле, чем создание сложного чат-бота с нуля. Если эта реализация окажется успешной, мы достигнем нашей цели по сокращению затрат и оптимизации наших капитальных затрат, связанных с искусственным интеллектом, по сравнению с расходами на разработку чат-бота.

Пионером в этом подходе стала Matten Law, юридическая фирма из Калифорнии, которая интегрирована система на базе искусственного интеллекта помощник для автоматизации многих задач, позволяя юристам уделять больше времени выслушиванию клиентов и изучению тех аспектов дела, которые были наиболее актуальными. Это показывает, что даже самые жесткие отрасли можно изменить с помощью ИИ таким образом, чтобы улучшить пользовательский опыт за счет усиления человеческого участия там, где оно больше всего необходимо.

Дополнительные распространенные проблемы, которые можно решить с помощью ИИ, включают анализ данных и создание индивидуальных предложений. Spotify — выдающийся пример компании, которая успешно использует искусственный интеллект для разработки интеллектуальной системы музыкальных рекомендаций, которая доходит до учет времени суток, в которое кто-то слушает определенный жанр.

В обоих вышеупомянутых сценариях ИИ помогает улучшить качество обслуживания клиентов. Однако причина, по которой эти компании успешно использовали ИИ, заключалась в том, что они очень четко понимали, какие аспекты необходимо делегировать ИИ.

2. Определитесь с данными, которые вам нужно будет проанализировать

Как только основная проблема четко определена, нам необходимо принять во внимание данные, которые нам нужны для подачи в систему. Важно помнить, что ИИ — это алгоритм, который анализирует и адаптируется к предоставляемым нами данным. Базовый сценарий сбора данных выглядит следующим образом:

1. Поймите, какие данные нам могут понадобиться для внедрения ИИ.

2. Посмотрите, есть ли у нашего бизнеса эти данные.

   1. Если получится — отлично.

   2. Если нет, нам нужно сесть и выяснить, можем ли мы начать правильный процесс сбора данных самостоятельно. В качестве еще одной возможности мы можем попросить разработчиков сохранить нужные нам данные, если мы еще этого не сделали.

Вот пример. У нас есть кофейня, и нам нужны данные о том, сколько посетителей ее посещает. Мы можем сделать это, внедрив персонализированные карты лояльности, которые пользователи будут предъявлять при совершении покупки. Таким образом, у нас будут необходимые данные: какие клиенты приходили, когда приходили, что покупали и в каком количестве. Как только мы это получим, мы сможем использовать эти данные для реализации ИИ. Однако бывают случаи, когда сбор этих данных может оказаться очень дорогостоящим. И именно тогда ИИ может прийти нам на помощь. Например, если в нашем кафе установлена ​​камера (что мы могли бы сделать, по крайней мере, в целях безопасности), мы могли бы использовать ее для сбора данных от наших посетителей. Я должен сказать, что прежде чем внедрять это, важно проконсультироваться по законам о персональных данных, таким как GDPR, поскольку этот подход может работать не в каждой стране. Но в тех юрисдикциях, где это разрешено, это может быть простым способом собрать необходимую информацию и заручиться помощью ИИ для ее анализа и обработки.

Если вам интересно, эта персонализированная программа лояльности что сделал Старбакс, с большим успехом. Схема вознаграждений Starbucks дошла до предоставления персонализированных поощрений всякий раз, когда клиент посещал предпочитаемое им заведение или заказывал любимый напиток.

3. Определить гипотезу

Могут возникнуть ситуации, в которых вы не уверены в том, какие процессы можно или нужно оптимизировать с помощью ИИ.

Если это ваш случай, то вы можете начать с разбивки всего процесса на этапы и определить те этапы, на которых, по вашему мнению, ваш бизнес работает неэффективно. На какие области вы тратите слишком много денег? Что занимает больше времени, чем обычно? Ответив на эти вопросы, вы сможете определить критические области для улучшения и решить, может ли ИИ помочь.

Как вы увидите, бывают случаи, когда традиционные решения могут быть более эффективными. Если вы не знаете, какие продукты предложить своим клиентам, предложения, основанные на самых популярных продуктах, часто оказываются гораздо более эффективными в системах рекомендаций на рынке, чем попытки прогнозировать поведение пользователей. Поэтому попробуйте сначала это. Как только вы получите результат – будь он положительным или отрицательным – вы сможете выдвинуть гипотезу для тестирования ИИ. В противном случае поле деятельности будет слишком расплывчатым, и вы рискуете потерять время и деньги.

4. Используйте уже существующие решения

Многие компании стремятся сразу же разработать собственные алгоритмы машинного обучения. Однако, если вы не планируете обучать их большим наборам данных в течение длительного периода времени, не делайте этого. Это будет очень дорого и отнимает много времени.

Вместо этого я предлагаю вам сосредоточиться на уже доступных решениях. Такие компании, как Amazon, Google, Microsoft и многие другие, имеют инструменты на базе искусственного интеллекта, которые могут помочь вам достичь многих целей. Потом постепенно можно было бы подписать контракт с одним из них и нанять внутреннего разработчика, который умело настроил бы необходимые API-запросы.

Основная идея заключается в том, что эти инструменты могут быть интегрированы бизнес-разработчиками (не специалистами по ML), что позволит нам быстро проверить гипотезу о том, приносит ли ИИ ожидаемый эффект или нет. Если этого не произойдет, мы можем просто отключить эти инструменты, и наши затраты на проверку нашей гипотезы будут состоять только из времени разработчиков, которое мы потратили на интеграцию с этим сервисом, и суммы, которую мы заплатили за использование этого инструмента. Если бы мы разрабатывали модель, мы бы потратили зарплату специалиста по ML, умноженную на количество времени, которое он тратит на разработку модели, в дополнение к любым затратам на инфраструктуру. И тогда непонятно, что делать с разработчиком и моделью, если в итоге ожидаемого эффекта не будет.

Если наша гипотеза доказана и инструмент на базе искусственного интеллекта приносит ожидаемый эффект, мы радуемся и придумываем новую гипотезу. В будущем, если мы предвидим, что стоимость инструмента значительно вырастет, мы можем подумать о разработке этой модели самостоятельно и тем самым еще больше снизить затраты. Но нам нужно сначала оценить, действительно ли стоимость разработки меньше той, которую мы заплатили бы за использование инструмента другой компании, которая специализируется на разработке этих инструментов.

Я советую вам рассматривать возможность разработки собственного продукта машинного обучения только после того, как вы получите хорошие результаты от использования ИИ с упомянутыми выше инструментами и когда вы уверены, что ИИ — это правильный способ решения вашей проблемы в долгосрочной перспективе. В противном случае ваш проект ML не принесет той ценности, которую вы ищете, и, как говорится в блестящей недавней статье Harvard Business Review, Ажиотаж вокруг ИИ только отвлечет вас от вашей миссии, которому не нужен ИИ.

5. Проконсультируйтесь со специалистами по искусственному интеллекту

В том же духе еще одна очень распространенная ошибка, которую допускают основатели и владельцы бизнеса, заключается в том, что они пытаются делать все самостоятельно. Они нанимают главного инженера или исследователя искусственного интеллекта, а затем еще людей, чтобы сформировать команду, которая сможет создать передовой продукт. Однако эта технология будет бесполезна для целей вашей компании, если у вас нет правильно определенной стратегии внедрения ИИ. Также есть случай, когда нанимают младшего ML-инженера, чтобы сэкономить по сравнению с наймом более опытного специалиста. Это еще и опасно, поскольку человек без опыта может не знать тонкостей разработки и проектирования систем ML и совершить «ошибки новичка», за которые компании придется заплатить слишком высокую цену, почти всегда превышающую цену найма опытного. Специалист по ML.

Поэтому я рекомендую вам сначала нанять одного эксперта по ИИ, например консультанта, который будет сопровождать вас на этом пути и оценивать процесс внедрения ИИ. Используйте их опыт, чтобы убедиться, что проблема, над которой вы работаете, требует искусственного интеллекта, и что технология может быть эффективно масштабирована для подтверждения вашей гипотезы.

Если вы стартап на ранней стадии и беспокоитесь о финансировании, можно обратиться к инженерам по искусственному интеллекту в LinkedIn с конкретными вопросами. Хотите верьте, хотите нет, но многие эксперты по машинному обучению и искусственному интеллекту любят помогать, как потому, что они действительно разбираются в этой теме, так и потому, что, если им удастся вам помочь, они смогут использовать ее как положительный пример для своего консалтингового портфолио.

Заключение

Несмотря на всю шумиху вокруг ИИ, вполне нормально, что вы захотите внедрить его в свой бизнес и разработать решение на базе ИИ, которое выведет вас на новый уровень. Однако вам нужно помнить, что тот факт, что все говорят об ИИ, означает, что вашему бизнесу нужен ИИ. К сожалению, многие компании спешат интегрировать ИИ, не имея четкой цели, и в конечном итоге тратят огромные суммы денег и времени. В некоторых случаях, особенно для компаний на ранней стадии, это может означать их упадок. Четко сформулировав проблему, собрав соответствующие данные, проверив гипотезу и используя уже доступные инструменты с помощью эксперта, вы можете интегрировать ИИ, не истощая финансовые ресурсы вашей фирмы. Затем, если решение сработает, вы сможете постепенно масштабировать и внедрять ИИ в тех областях, в которых он повышает эффективность или прибыльность вашей компании.