Искусственный интеллект не может исправить плохую почву: как компании могут подготовить свою внутреннюю экосистему для успешного развертывания ИИ

Хотя бизнес-лидеры часто стереотипно воспринимаются как люди, которые заботятся только о дне выручки, недавнее исследование показало, что более 80% компаний не отслеживают ROI своих расходов на ИИ. С другой стороны, те, кто отслеживает ROI, обнаруживают, что он не оправдывает ожиданий, и только четверть глобальных генеральных директоров сообщают, что их инвестиции в ИИ оправдывают ожидания по ROI.

Но, как гласит пословица, “плохой плотник обвиняет свои инструменты” – другими словами, для многих ROI разочаровывает, потому что развертывания ИИ были установлены для провала. Если мы посмотрим на бизнес как на сад, чтобы продуктивность и прибыль росли, необходимо выполнить определенные шаги до развертывания инструмента, такого как ИИ, чтобы он имел наибольший измеримый эффект.

Шаг 1: Определите, где люди необходимы

Может быть, из-за чрезмерных обещаний, присущих маркетингу продуктов LLM, существует распространенное заблуждение, что ИИ – это дело, которое можно просто подключить и использовать. На самом деле, лучшие развертывания ИИ начинаются с определения, где человеческий надзор является незаменимым.

Например, когда мы работали с юридической фирмой, моя команда и я были задействованы в реализации системы ИИ, способной обрабатывать огромные объемы юридических документов – классифицировать их, извлекать ключевые факты и решать, сохранять, редактировать или удалять файлы.

Хотя ИИ выполнял основную работу, сканируя документы на предмет актуальности, помечая чувствительные данные и суммируя ответы, результаты затем передавались человеческим юристам, которые могли просмотреть работу, подтвердить юридические суждения и переопределить классификации при необходимости.

Это не только помогло защитить фирму от потенциальных рисков, но и изолировало стоимость автоматизации от стоимости надзора, что также сделает ROI-аудиты чище в будущем.

Шаг 2: Определите, как ИИ может лучше всего дополнить ваших людей

Чтобы максимизировать ROI ИИ, необходимо быть избирательным в отношении того, где он может лучше всего служить вашей организации. Идеальные процессы для передачи включают повторяющиеся или основанные на правилах задачи (например, базовую маршрутизацию обслуживания клиентов или кодирование счетов-фактур), информационные поиски, такие как пункты контракта, и ошибочные вводы данных, среди прочего.

Тогда также важно, чтобы модели ИИ были стратегически сконфигурированы для дополнения, а не нарушения рабочего процесса. Для этого необходимо отобразить рабочие процессы сотрудников в задачи, а затем пометить эти задачи одним из трех категорий процессов: генерировать, выбирать или судить. Генеративные задачи можно передать ИИ, задачи, требующие суждения, остаются с человеческими сотрудниками, а задачи, требующие выбора, могут быть совместным процессом, где ИИ предлагает следующие шаги, а люди определяют лучший путь вперед.

В приведенном выше примере с юридической фирмой ИИ обрабатывал первоначальную маршрутизацию, классифицируя документы (генеративно), помечая чувствительные содержимое (генеративно) и подчеркивая вероятные ответы (селективно). Таким образом, роль человеческих сотрудников сместилась от поиска в деталях документов к проверке результатов (судебному решению) – превращая работу, которая ранее занимала дни, в дело нескольких часов.

Что касается ROI, это освобождает больше времени для работы над исключениями из правил, где скрываются прибыли.

Шаг 3: Стандартизировать ваши обучающие данные

Настройка LLM с помощью ваших корпоративных данных может разблокировать конкурентные преимущества, но для того, чтобы ИИ был плодотворным, ему нужна питательная почва, то есть хорошая, чистая数据. Плохая или шумная данные отравят результаты и усилят предвзятость. Коротко говоря, ваша дисциплина данных диктует надежность вывода.

Итак, что это значит? Большой объем и разнообразие данных важны, но также важно, чтобы они были высокого качества. Несоответствия в форматах данных и соглашениях об именах или отсутствующие/неполные поля отрицательно повлияют на качество сырых входных данных. Аналогично, дублирующие или неструктурированные конвейеры данных увеличат счета за хранение и замедлят производительность модели.

Следовательно, крайне важно, чтобы входные данные имели контроль качества и сильное управление – то есть контроль доступа и соблюдение нормативных требований. Без этих фильтров вы не инвестируете в ИИ, вы просто сжигаете деньги на очистке петель.

С учетом всей шумихи вокруг ИИ понятно, что лидеры могут чувствовать давление, чтобы как можно скорее приступить к реализации, но взяв время для стратегического развертывания модели или подготовки почвы перед посадкой семян, приведет к намного большему успеху и возврату инвестиций.