Перед тем, как создавать больше моделей, искусственный интеллект в коммерции нуждается в революции инфраструктуры

Реализация искусственного интеллекта в коммерции происходит с удивительной скоростью. Инвестиции в искусственный интеллект в розничной торговле ускоряются быстро, и рынок ожидается вырастет с $11,6 миллиардов в 2024 году до более $40 миллиардов к 2030 году.

Аналогично, новые модели выпускаются в быстрой последовательности, поставщики продолжают расширять свои возможности, и ритейлеры находятся под все большим давлением со стороны советов директоров и инвесторов, чтобы продемонстрировать, что они активно интегрируют искусственный интеллект в свои операции.

На поверхности это создает впечатление отрасли, которая проходит быструю и решительную трансформацию. Однако под этой активностью большинство этих инициатив накладываются на системы, которые никогда не были разработаны для поддержки их.

Ограничение заключается не в доступности или качестве моделей. Это состояние инфраструктуры под ними.

Когда мы реализуем искусственный интеллект, первый бюджет не должен идти на сам искусственный интеллект. Он должен идти на то, что мы называем “доверием к данным”, которое представляет собой инфраструктуру данных. Это связи между системами, дедупликация данных и обновления в реальном времени.

Неудача в этом является причиной, по которой искусственный интеллект терпит неудачу в коммерции, и почему так много усилий начинаются с импульса, но испытывают трудности в переводе их в устойчивое воздействие. Чтобы успешно реализовать искусственный интеллект, нам нужно начать с инфраструктуры.

Напротив, в коммерции сама беседа часто начинается на одном уровне выше, фокусируясь на выборе моделей или определении высокопотенциальных случаев использования. Что получает гораздо меньше внимания, это то, может ли основная архитектура данных поддержать какие-либо из этих решений осмысленным образом.

Если основные данные фрагментированы, искусственный интеллект будет генерировать только выводы, которые могут быть вредными или вводящими в заблуждение.

В более крупных организациях эта тенденция усиливается необходимостью сигнализировать о прогрессе. “Сделать что-то с искусственным интеллектом” становится целью в себе, и введение модели часто является наиболее немедленным способом достижения этого, независимо от того, производит ли оно измеримую ценность.

Что означает “не готовность к искусственному интеллекту” на практике

Основной проблемой является отсутствие согласованности между системами. Например, один клиент может существовать одновременно в платформе ERP, среде электронной коммерции и офлайн- или лояльной системе, каждая из которых несет разные истории и предположения.

Данные о продуктах, хотя и технически полные, ограничены в плане предоставления контекста, который позволил бы модели интерпретировать или рассуждать о них эффективно. Плохое качество данных само по себе оценивается примерно в 13 миллионов долларов в год, подчеркивая, насколько фундаментальными стали эти ограничения.

Человеческие команды учатся ориентироваться в этих несоответствиях со временем, строя неформальные мосты между системами. Модель, в отличие от этого, работает строго в рамках структуры, которую она получает, и выводы, которые она генерирует, ограничены соответственно.

Когда искусственный интеллект вводится в эту среду, результатом не является отсутствие вывода, а постепенное ухудшение его качества.

Модель может обрабатывать данные и производить выводы, но она не будет соединять системы самостоятельно.

На практике это может проявляться как двигатель персонализации, который начинает предлагать высоко специфические рекомендации по продуктам, которые категоризируют клиента способами, которые не отражают его фактические предпочтения или намерения.

В системах, управляемых искусственным интеллектом, опыт клиентов часто становится более точным, но менее релевантным.

Этот сдвиг от общей релевантности к конкретной нерелевантности может быть более вредным, чем кажется, поскольку он изменяет, как клиенты воспринимают бренд сам по себе. В худших случаях эти системы не просто недопроизводят. Они активно ухудшают опыт клиента.

Почему большинство пилотов искусственного интеллекта застревают и что это стоит

Эта динамика является одной из основных причин, почему большая часть пилотов искусственного интеллекта в коммерции не могут продвинуться за пределы экспериментирования. Данные отрасли показывают, что только около половины инициатив по искусственному интеллекту переходят от пилота к производству, оставляя значительную часть застрявшей на стадии экспериментирования.

Проблема редко заключается в отсутствии инвестиций или намерений. Ограничение возникает, когда выводы, генерируемые этими системами, не оправдывают масштабирования.

На этом этапе организации сталкиваются с выбором между продолжением инвестиций в оптимизацию или отказом от инициативы совсем. Во многих случаях они выбирают последнее, потому что среда, в которой она развертывается, не может поддерживать последовательные результаты.

По всей отрасли повторяются одни и те же пробелы в инфраструктуре. Данные клиентов остаются фрагментированными, а не объединенными. Информация о продуктах существует, но ей не хватает глубины, необходимой для интерпретации. Системы работают параллельно, а не как единый, согласованный поток информации. Когда модели вводятся в эту среду, они масштабируют эти проблемы.

Стоимость этого подхода распространяется за пределы прямых расходов. Она проявляется как системное накопление рекомендаций, которые не приводят к конверсии, персонализации, которая кажется несогласованной, и автоматизации, которая усиливает существующие ошибки.

Со временем это создает тонкое, но значительное разрушение доверия внутри организации. Команды начинают сомневаться в надежности систем, которые они строят, и вводят дополнительные слои технологий, чтобы компенсировать это. Результатом является задержка в достижении ясности, необходимой для построения систем, которые работают.

Причина, по которой многие компании строят пилоты искусственного интеллекта, но никогда не переходят за их пределы, заключается в том, что они строят эти пилоты на слабых основаниях, что похоже на приготовление с плохими ингредиентами.

Вы можете иметь рецепт Гордона Рамзи и отличное оборудование, но если ингредиенты плохие, результат все равно будет отрицательным.

Разница между стартапами и крупными корпорациями

Меньшие организации, особенно те, которые находятся в среднем рыночном диапазоне, часто демонстрируют большую способность эффективно реализовывать искусственный интеллект. Это связано с тем, что их системы менее фрагментированы, а процессы принятия решений более прямые.

В более крупных организациях сама структура вводит потенциальные препятствия. Инициативы часто стимулируются необходимостью реагировать на внешние ожидания, и искусственный интеллект становится категорией, которую необходимо решить, а не возможностью, которая тщательно интегрируется.

Говорить “мы хотим реализовать искусственный интеллект” – это как ввести электричество на завод без машин. Свет включается, но производство не улучшается, потому что вы инвестировали в технологию, не зная, что она будет делать на самом деле.

Сдвиг от моделей к инфраструктуре

Альтернативный подход начинает принимать форму среди организаций, которые столкнулись с этими ограничениями напрямую.

Вместо того, чтобы выделять первоначальные бюджеты на модели искусственного интеллекта, они инвестируют в то, что можно описать как “доверие к данным”, которое представляет собой создание основы, где данные согласованы, связаны и постоянно обновляются. Цель состоит в том, чтобы обеспечить, чтобы данные, используемые для поддержки осмысленных решений, были качественными.

Подготовка данных может занять до 80% времени, потраченного на проекты машинного обучения, подчеркивая, сколько работы сидит в основной слое данных, а не в самих моделях.

Этот процесс обычно начинается с подробной карты существующих систем и определения пробелов в потоке и целостности данных. Первые 30-60 дней часто посвящены пониманию того, как информация движется или не движется по организации. Это за которым следует период интеграции и стандартизации, в течение которого данные очищаются, дедуплицируются и выравниваются на платформах.

В течение следующих трех-шести месяцев компании фокусируются на построении надежных каналов данных и соединении высокоценных систем способами, которые поддерживают реальные случаи использования. Только после того, как эта основа будет заложена, станет возможным введение искусственного интеллекта в рабочие процессы, которые могут производить последовательные, измеримые результаты.

В течение шести-девяти месяцев организации, которые следуют этому подходу, обычно начинают видеть значимые результаты в виде процессов, управляемых искусственным интеллектом, которые влияют на метрики, такие как конверсия, удержание и улучшение маржи. На этом этапе модели перестают быть экспериментами и становятся частью операций. Их производительность стабилизируется, и их выводы становятся действенными, чтобы команды могли начать полагаться на них.

Ускорение инвестиций в искусственный интеллект в коммерции вряд ли замедлится в ближайшем будущем. Что остается неопределенным, так это то, будет ли готовность инфраструктуры поддерживать его. Расширяющийся разрыв между тем, чего организации ожидают от искусственного интеллекта, и того, что их системы могут поддержать, уже виден в растущем числе пилотов, которые не доходят до производства. Чтобы решить эту проблему, требуется сдвиг фокуса на построение этой критической инфраструктуры.

Перемещение разговора от моделей к инфраструктуре не несет того же немедленного характера или видимости. Но это то место, где многие из текущих ограничений находятся. И это то место, где следующая фаза значимого прогресса в коммерции, управляемой искусственным интеллектом, вероятно, появится.