Пять причин, почему алгоритмы ИИ могут быть трудными для реализации в операционном управлении

Автор: Евгения Малина, руководитель бизнес-стратегии и операций в Food Rocket.

Согласно недавним исследованиям McKinsey Global Institute, ИИ может увеличить глобальный экономический вывод на $13 триллионов к 2030 году.

Однако это связано с собственными проблемами и непредвиденными последствиями. Некоторые из наиболее часто выявляемых рисков и проблем реализации ИИ включают проблемы конфиденциальности, неспособность обобщать и общую нехватку доверия.

Ниже приведены три проблемы с ИИ, которые конкретно влияют на операционное управление в бизнесе.

1. Плохое качество данных

Первая вещь, которая нужна прочному алгоритму ИИ, – это данные. Чтобы правильно обучить алгоритм, необходимо подать ему огромное количество точных и высококачественных данных. К сожалению, не всегда легко получить эти данные, и отчет Gartner 2020 года отмечает, что плохое качество данных может стоить компании около $13 миллионов каждый год.

Например, некоторые процессы могут не иметь цифрового следа вообще, когда вы только начинаете. Нет данных, которые можно подать в алгоритм в этих случаях. Все, что вы даете, – это гипотезы и образованные догадки, что создает две проблемы.

Во-первых, это вводит значительную человеческую предвзятость в ваш процесс прямо с начала. Во-вторых, это означает, что любые результаты от алгоритма являются просто продолжением ваших лучших догадок. В конечном итоге, это оставляет вас с сомнительным ландшафтом данных и ненадежным, нестабильным процессом принятия решений.

2. Навигация по “холодным стартам” и вовлечению сотрудников

Автоматизация отлично подходит для оптимизации существующих процессов, но компромисс заключается в “холодном старте”. Это происходит, когда необходимо начать процесс без исторических данных, на которых ИИ может основать свою рутину. В каждом случае ИИ будет бороться, чтобы преодолеть этот препятствие.

Согласно Harvard Business Review, 80 процентов или более времени команды ИТ часто тратится на улучшение и уточнение несоответствующих данных для алгоритмов ИИ

Часто требуется значительный вклад человеческих усилий, чтобы помочь ИИ преодолеть этот “холодный старт” и возобновить гладкие операции.

По моему опыту, это может вызвать серьезные нарушения в управлении поставками, и это может стоить компаниям значительных доходов. Мы все знаем, что ИИ еще не достаточно развит, чтобы справиться со всеми аспектами системы операционного управления. Это означает, что любое решение ИИ, которое использует ваша компания, будет перекрываться с человеческими процессами принятия решений.

Хотя это может быть хорошей вещью, оно также может привести к отстранению сотрудников от чувства личной ответственности. В некоторых случаях сотрудники могут чувствовать, что они могут отделить себя от решения, потому что “ИИ сделал это”.

Кроме того, это распространено, когда введение нового алгоритма совпадает с значительным снижением показателей качества. По моему опыту, этот парадокс является результатом человека, который ранее был ответственным за показатель, теперь чувствует себя просто незначительным звеном в цепи автоматизированного принятия решений.

Важно управлять этим аспектом автоматизации, потому что легко может привести вашу команду по пути безразличия и снижения приверженности. Это также может нанести вред вашему бренду. Если ИИ оставлен наедине с принятием решений, он может невольно начать дискриминировать клиентов в определенных возрастных, гендерных или географических категориях.

3. Проблемы с прозрачностью и эффективной реализацией

Как каждый владелец бизнеса знает, вещи могут измениться в мгновение ока. Компании не всегда имеют время, чтобы построить сложное решение ИИ для новой операции.

На самом деле, это гораздо более распространено для бизнеса быть под давлением времени и быть вынужденным решить проблему без помощи автоматизации, потому что настройка нового процесса просто занимает слишком много времени. Поскольку обычно не хватает времени, чтобы написать сложные модели, происходит одно из двух.

Во-первых, бизнес может выбрать реализацию几乎 завершенного процесса, но вставить ручной промежуточный шаг, пока процесс не может быть усовершенствован. В этом случае бизнес теряет до 80 процентов рассчитанной эффективности процесса.

Альтернативно, бизнес может развернуть SaaS, чтобы ускорить процесс реализации. Хотя затраты на время и деньги будут ниже, проблема потери эффективности остается. В этом случае реализация алгоритмов SaaS, которые не адаптированы к потребностям компании, может сделать процесс менее эффективным, чем если бы он был сделан вручную.

Кроме этих проблем, важно понять, что прозрачность в процессе ИИ чрезвычайно трудна для передачи руководству, даже экспертам. Это связано с сложностью алгоритмов, но может сделать вашу команду чувствовать себя неуверенно в переходе на автоматизированное операционное управление.

Куда мы движемся дальше?

Некоторые исследователи предлагают, что проблемы, с которыми мы сейчас сталкиваемся, приведут к новым человеческим ролям в компании: тренеры, объяснители и поддерживающие.

Тренеры помогут оптимизировать производительность ИИ; объяснители будут задачей разъяснения решений ИИ для непрофессионалов, и поддерживающие будут работать над тем, чтобы сделать процессы ИИ устойчивыми в долгосрочной перспективе.

Однако, пока это не произойдет, бизнес и основатели должны учитывать не только значительную конкурентное преимущество, которое может дать ИИ. Преимущество должно быть сопоставлено с неопределенностью, затратами на время и препятствиями роста, которые приходят с операционным ИИ.

Искусственный интеллект еще имеет долгий путь в плане роста, разработки и реализации. Он может, безусловно, сделать огромную разницу в операционном управлении, но мы еще не можем полностью полагаться на него как на лучший вариант.