Инициативы по ИИ не требуют идеальных данных: прагматичный взгляд на корпоративный ИИ

Рынок корпоративного ИИ достигнет 204 миллиардов долларов к 2030 году. Девяносто два процента организаций планируют увеличить свои инвестиции в ИИ в течение следующих трех лет. Однако исследования MIT показывают, что 90% проектов ИИ не могут выйти за пределы пилотных стадий. И основная причина этого не заключается в сложности моделей, а в качестве данных.

В совещательных комнатах обсуждается ChatGPT против Claude. Они задают неправильный вопрос. Реальная проблема заключается в том, готова ли организационная структура данных для любой реализации ИИ. Большинство компаний строят сложные возможности ИИ на основе разрозненных, несовместимых и лишенных контекста основ данных.

Это, к сожалению, приводит к дорогостоящим неудачам. Финансовые учреждения развертывают чат-боты, которые выдают вымышленные цифры доходов. Розничные продавцы реализуют системы рекомендаций, предлагающие снятые с производства продукты. Производители инвестируют в прогностическую аналитику, которая не может ответить на основные операционные вопросы. Эти неудачи возникают из-за спешки реализовать передовые модели, минуя подготовку основ данных.

Понимание проблемы сложности данных

Корпоративные данные существуют в трех категориях. Каждая требует различных подходов к подготовке. Понимание этих различий определяет успех ИИ.

Структурированные данные выглядят знакомо. Информация находится в базах данных и электронных таблицах с четкими строками и столбцами. Многие организации предполагают, что хорошо организованные транзакционные системы означают готовность ИИ. Это предположение создает проблемы. Системы ИИ испытывают трудности со структурированными данными не из-за неорганизованности, а из-за пробелов в контексте. Когда ИИ сталкивается с полями “ProductID” в нескольких таблицах базы данных, он не может понять эти отношения без явных инструкций. В результате ИИ получает доступ к данным, но не может их осмысленно проанализировать.

Неструктурированные данные представляют собой противоположные проблемы и возможности. Эта категория включает электронные письма, документы, презентации, видео и другой контент, созданный человеком, где проживает большинство знаний организации. Традиционные инструменты аналитики испытывают трудности с неструктурированными данными. Современные системы ИИ предназначены для их обработки. Успех требует систематической подготовки. Организации не могут загрузить тысячи файлов PDF и ожидать осмысленных выводов. Эффективная реализация требует сегментации контента, создания метаданных и оптимизации поиска.

Полуструктурированные данные занимают сложную среднюю позицию. Файлы JSON, системные журналы и отчеты сочетают организованные элементы с повествовательным контентом. Общая ошибка заключается в том, что эти источники рассматриваются как чисто неструктурированные, что приводит к потере ценных организованных компонентов. Успешная реализация ИИ требует разбора структурированных элементов при сохранении неструктурированных выводов, а затем их объединения для всестороннего анализа.

Каждый тип данных требует конкретных стратегий подготовки. Системы ИИ должны быть сконфигурированы для обработки этой сложности. Организации, которые рассматривают все данные единообразно, создают реализации ИИ, которые отлично работают с одним типом данных, но терпят неудачу с другими.

Пробел в контексте, который парализует производительность ИИ

Контекст является наиболее важным фактором успеха ИИ. Это также наиболее часто упускаемый из виду. Человеческие аналитики привносят десятилетия деловых знаний в интерпретацию данных. Когда они просматривают квартальные отчеты, они понимают, что “Выручка” представляет собой продажи после уплаты налогов в долларах США. Системы ИИ не обладают таким пониманием. Без явного контекста ИИ может интерпретировать “47%” как выручку, когда фактическая стоимость составляет 4,7 миллиона долларов. Это приводит к фундаментально ошибочным бизнес-рекомендациям.

Пробел в контексте распространяется за пределы базовой интерпретации данных. Каждая организация развивает уникальные определения для общих метрик. “Стоимость привлечения клиента” означает совершенно другое для стартапа, чем для устоявшейся компании. “Коэффициент отказов” варьируется значительно в разных отраслях и компаниях. Системы ИИ требуют явных инструкций в этих организационных нюансах, чтобы предоставить осмысленные выводы.

Традиционные подходы к документации не справляются с реализацией ИИ. Статические словари данных, хранящиеся на серверах, остаются невидимыми для систем ИИ и быстро устаревают. Успешные организации создают живую документацию, которую ИИ может активно ссылаться. Это обновляется автоматически по мере эволюции бизнес-правил.

Баланс между автоматизацией и человеческим вводом становится здесь критическим. Машины превосходно выявляют технические отношения. Они распознают, что столбец А связан с таблицей Б в базах данных. Только человеческая экспертиза обеспечивает бизнес-контекст. Люди объясняют, почему определенные метрики имеют значение, как они рассчитываются и что составляет нормальные или тревожные диапазоны производительности. Эффективная реализация ИИ сочетает автоматическое открытие с курированием человеческих знаний.

Усиленные риски в эпоху ИИ

Реализация ИИ усиливает существующие проблемы с данными в беспрецедентном масштабе и скорости. Традиционные проблемы управления данными становятся экспоненциально более сложными, когда системы ИИ получают доступ, обрабатывают и делятся информацией через организационные границы.

Механизмы контроля доступа, предназначенные для человеческих пользователей, оказываются недостаточными для систем ИИ. Традиционные модели безопасности могут предоставить аналитикам продаж доступ к определенным папкам. Но помощники ИИ могут непреднамеренно раскрыть конфиденциальную информацию неавторизованным пользователям через, казалось бы, безобидные запросы. Система ИИ для обслуживания клиентов может получить доступ к данным о ценах конкурентов и поделиться ими в коммуникациях с клиентами. Организации нуждаются в框架х безопасности, достаточно совершенных, чтобы понять, что ИИ может и не может делиться в разных контекстах.

Требования соблюдения правил становятся значительно более сложными, когда системы ИИ принимают решения, влияющие на отдельных лиц. Соблюдение требований GDPR было сложным, когда люди принимали решения, основанные на данных. Теперь организации должны объяснить, как алгоритмы ИИ пришли к конкретным выводам. Они должны поддерживать аудиторские следы для автоматических решений. Они должны обеспечить, чтобы данные для обучения ИИ соответствовали правилам конфиденциальности. “Право на объяснение” приобретает новое значение, когда решение принимает алгоритмическая система, а не человеческий аналитик.

Строительство доверия требует новых подходов к тестированию и мониторингу. Традиционный контроль качества был сосредоточен на том, работают ли системы правильно в ожидаемых условиях. Системы ИИ требуют непрерывного мониторинга для обнаружения, когда они терпят неудачу, насколько серьезно и почему. Организации должны реализовать мониторинг в реальном времени для каждого решения ИИ, а не только метрик производительности системы.

Петля обратной связи становится критической для улучшения. Когда пользователи исправляют ответы ИИ, это исправление представляет собой ценные данные для обучения. Но только если организации захватывают и систематически включают их. Это требует процессов для сбора обратной связи пользователей, проверки исправлений и обновления поведения ИИ соответственно.

Навигация в решении “создать или купить”

Организации сталкиваются с выбором между разработкой внутренних возможностей ИИ и партнерством с внешними платформами. Каждый подход имеет свои особые преимущества и проблемы, которые должны соответствовать возможностям и стратегическим целям организации.

Создание внутренних возможностей ИИ предлагает максимальный контроль и потенциал для настройки. Организации могут разработать системы, адаптированные точно к их уникальным требованиям. Они сохраняют полную собственность над своими данными и алгоритмами. Однако требования к ресурсам существенны. Успешная внутренняя разработка обычно требует команды инженеров по данным, специалистов ИИ и экспертов в области. Разработка занимает 12-24 месяца. Скрытые затраты включают поддержание актуальности с быстро эволюционирующими технологиями ИИ, круглосуточное обслуживание систем и объяснение задержек сроков руководству.

Решения платформы обещают более быструю реализацию и снижение технической нагрузки. Организации могут загрузить данные, настроить базовые параметры и начать генерировать выводы ИИ. Однако организации должны тщательно оценить возможности платформы в соответствии со своими конкретными требованиями. Критические соображения включают совместимость форматов данных, понимание отрасли, защиту безопасности и конфиденциальности данных, а также возможности интеграции с существующими системами.

Гибридный подход часто работает лучше всего для многих организаций. Начало с решений платформы позволяет компаниям быстро продемонстрировать ценность ИИ, одновременно изучая свои конкретные требования. Как только организации понимают, что работает, они могут принять обоснованные решения о том, какие возможности оправдывают внутреннюю разработку, а какие продолжают использовать платформу.

Практическая основа для продвижения вперед

Успешная реализация ИИ начинается с честной оценки, а не амбициозного планирования. Организации должны начать с инвентаризации существующих активов данных. Этот процесс обычно выявляет больше сложности и несоответствий, чем изначально ожидалось. Вместо того, чтобы пытаться осуществить полную трансформацию ИИ, успешные компании определяют конкретные, измеримые проблемы, где ИИ может обеспечить четкую ценность.

Основная работа требует значительных усилий, но остается необходимой. Это включает очистку данных, документацию контекста, реализацию контроля доступа и пилотное тестирование с четко определёнными метриками успеха. Организации должны планировать реалистичные сроки. Думайте о месяцах или годах, а не неделях. Постройте возможности постепенно.

Компании, которые выполняют эту основную работу, в то время как их конкуренты остаются сосредоточенными на выборе моделей ИИ, получат значительные преимущества. Выбор технологии имеет гораздо меньшее значение, чем подготовка, которая позволяет любой системе ИИ добиться осмысленной бизнес-ценности.

Стоимость ожидания

Революция ИИ продолжается независимо от готовности организации. Компании могут выбрать инвестиции в надлежащую подготовку данных сейчас. Или они могут попытаться ретрофит-решения позже по значительно более высокой стоимости и сложности. Организации, которые выйдут в качестве лидеров ИИ, признают рано, что успех зависит не от выбора наиболее совершенных моделей, а от создания основ данных, которые позволяют любой системе ИИ обеспечить осмысленную бизнес-ценность.

Вопрос, стоящий перед корпоративными лидерами, не в том, какую технологию ИИ реализовать. Это в том, выполнила ли их организация трудную работу, необходимую для того, чтобы любая реализация ИИ была успешной. Возможности ИИ развиваются ежемесячно. Устойчивое конкурентное преимущество принадлежит компаниям с основами данных, достаточно прочными, чтобы поддерживать любые технологические разработки, которые могут возникнуть в будущем.