Планирование, PoC и производство успешного решения для предприятия на основе ИИ

Предприятия ускоряют свои инициативы в области искусственного интеллекта (ИИ) быстрым темпом. Исследование, проведенное Algorithmia, показало, что 76 процентов руководителей информационных служб отдают приоритет и увеличивают свои бюджеты на информационные технологии, чтобы больше сосредоточиться на решениях ИИ и машинного обучения (МО). Организации также признают важность данных, и большинство из них принимают тот факт, что 80 процентов данных предприятия носят неструктурированный характер.

Неструктурированные данные производятся и растут с тревожной скоростью в стеке предприятия. Единица измерения сместилась от терабайт до петабайт. В результате ИТ-специалисты, руководители отделов данных и руководители информационных служб должны решать некоторые новые проблемы, чтобы удовлетворить растущий спрос на полезные данные и действенные идеи. Несмотря на огромный потенциал ИИ для трансформации любой отрасли, только 15 процентов решений ИИ, развернутых к концу 2022 года, будут успешными, и еще меньше из них принесут положительный возврат инвестиций.

Самая большая проблема заключается в том, что большинство решений ИИ для предприятия не видят свет дня из-за несоответствия ожиданий. Продолжают существовать заблуждения вокруг возможностей ИИ, и проекты продолжают разрабатываться на основе моделей, движимых хайпом. Большинство продуктов или моделей далеки от реальной повседневной деятельности предприятия. Другими факторами, влияющими на более низкие показатели успеха, являются: превышение затрат, отсутствие центров совершенства ИИ (CoE), неопытный персонал, недоступность данных и устаревшие политики, чтобы назвать несколько.

Планирование открывает путь к успеху ИИ для предприятия

Неструктурированные данные – это данные, которые не имеют предварительно определенной модели данных и включают все, от текстовых документов и веб-сайтов до изображений, видеофайлов, чат-ботов, аудиопотоков и постов в социальных сетях. С учетом растущего количества неструктурированных данных в архитектуре предприятия, важно иметь эффективный и инкрементный план, который соответствует целям всех корпоративных заинтересованных сторон. Типичные цели на организационном уровне могут включать: автоматизацию процессов, обнаружение мошенничества, улучшение опыта клиентов, повышение безопасности, увеличение продаж и т. д. Хотя некоторые из этих целей можно достичь довольно эффективно, из-за структурированного характера данных, планирование вокруг неструктурированных данных может быть сложным.

Типично, планирование начинается с определения областей возможностей внутри организации. Хотя может быть грандиозная видение ИИ на уровне руководства, важно определить область, которая имеет высокое влияние, низкий риск и постоянный рост данных. Хорошим примером такого случая использования может быть функция обработки кредитов в банковской и финансовой отрасли. Оформление кредита до обслуживания сопровождается ручными процессами, при которых информация вводится вручную в системы повторяющимся образом. Due diligence заявок на кредит предполагает значительное количество документов, что представляет несколько рисков. Однако ИИ можно применить в нескольких областях рабочего процесса, включая обработку документов и обнаружение мошенничества. Это также область, где есть постоянный годовой рост данных.

Другими важными шагами, которые следует учитывать в течение этой фазы планирования, являются определение измеримых критериев успеха, формулирование целостной стратегии данных, непрерывная подготовка и обратная связь, а также оценка опыта пользователя, масштабируемости и инфраструктуры.

Определение измеримых критериев успеха (и избежание момента “поставить телегу впереди лошади”)

Ранний успех Google часто объясняется тем, что компания ввела Целевые ключевые результаты (OKR). Хотя этот подход можно применить к любому аспекту бизнеса или личных целей, применение этого проверенного подхода к вашей стратегии ИИ может дать некоторые обещающие результаты. Однако, когда речь идет о неструктурированных данных, это развивающаяся проблема, которую пытается решить отрасль в целом. Учитывая проблемы, руководители бизнеса должны задать различные вопросы, чтобы определить “что” и “почему”. Например, если повышение производительности является ключевой целью, два вопроса, которые можно ответить, являются:

• Должен ли я планировать улучшить производительность путем автоматизации? или
• Должен ли я планировать решить 80 процентов проблемы для 100 процентов всех представленных случаев?

Ответы на эти вопросы приводят к двум разным путям реализации, и важно решить, какой из них будет правильным для вашего предприятия.

С неструктурированными данными еще одной неоднозначной областью измерения является точность. В примере обработки кредитов существует так много вариативности в документах, представленных клиентами, что важно, чтобы бизнес- и технологические лидеры пришли к консенсусу о том, как измерить точность решения ИИ. Если производительность является одной из целей внедрения решения ИИ, тогда необходимо определить другие области, влияющие на производительность. Это можно сделать, внимательно изучив текущий процесс “как есть” и переосмыслив процесс с помощью автоматизации ИИ. Часто новая автоматизация приводит к новым шагам в процессе, таким как ручное управление исключениями, аннотирование, обучение и т. д. С этими шагами на месте будет легче определить, как измерить точность.

Данные – это жизнь любого предприятия

Неструктурированные данные имеют высокую степень вариативности в том, как представлена информация. Предприятия полны информации, представленной в документах, которые по своей природе имеют сложные структуры, состоящие из абзацев, предложений и, более важно, многомерных таблиц.除了 документов, организации все чаще инвестируют в чат-боты, мониторинг данных социальных сетей и другие формы неструктурированных данных, такие как новости, изображения и видео.

Большинство организаций недооценивают, сколько данных доступно и доступно на руках. Часто проблема так проста, как преодоление ограничений соответствия и обмен данными внутри организации. Тем не менее, наличие чистых и высоко вариативных данных позволяет лучше оценить проблему и разработать оптимальное решение.

Другим важным фактором, который следует учитывать, является то, какой результат вы ожидаете от этих неструктурированных данных. Это обеспечит точное количество основополагающих истин, обучающих и тестовых данных. Вернувшись к примеру обработки кредитов, если результатом этого решения ИИ является определение средних дневных балансов заявителей, основополагающие истины и обучающие данные можно сосредоточить вокруг выписок банка. Однако, если焦点 находится на определении мошеннических заявителей через представленные банковские выписки, необходимо получить доступ к более широкому спектру документов, чтобы получить необходимые основополагающие истины и обучающие данные.

Масштабирование от PoC до производства

Начало измеримого доказательства концепции (PoC) гарантирует, что все заинтересованные стороны понимают проблемы, результаты и ценность предложения решения ИИ. Однако PoC не является тем же, что и решение, готовое к производству. PoC позволяет организации выявить пробелы, стимулирует дизайн-мышление для решения производства и упрощает цели и ключевые результаты, которые должны быть достигнуты. Чтобы перейти от PoC к масштабируемому решению, организации должны планировать сложные сценарии данных, которые включают постоянные изменения данных, недоступность помеченных данных и высокую степень вариативности в форме и форматах. Не менее важно переосмыслить рабочий процесс, переподготовить персонал и определить правильную инфраструктуру, затраты, производительность, архитектуру данных, информационную безопасность и соглашения об уровне обслуживания (SLA).

Абсолютно важно оценить весь рабочий процесс и бизнес-процесс, чтобы получить лучшие результаты от любого решения ИИ. Взяв пример из поведенческой экономики, важно сравнить результат с существующей точкой отсчета (также известной как “зависимость отсчета”), в которой можно ожидать лучшей эффективности до производства через дизайн-мышление и картирование процесса.

Этот сценарий предполагает, что бизнес- и технические лидеры согласились с подходом MI или глубокого обучения на основе PoC. Некоторые формулировки проблем могут быть детерминированными, и статистический подход можно использовать для решения проблемы, тогда как другие проблемы могут требовать комбинации подходов MI и нейронных сетей для достижения желаемых результатов.

Некоторые решения ИИ требуют включения обработки естественного языка (NLP). Хотя общие языковые модели служат основным шагом, большинство моделей не предназначены для удовлетворения уникальных потребностей каждой проблемы предприятия и потребуют тонкой настройки. В то же время большинство руководителей, скорее всего, будут увлечены огромными моделями, такими как GPT3, которые требуют значительной вычислительной мощности и могут иметь прямое влияние на ROI компании. Эти модели, скорее всего, не являются подходящим выбором для вашей компании.

Ваше PoC, управляемое ИИ, – это только начало долгого процесса, поэтому имейте в виду следующее:

• Не выбирайте сложную проблему для решения на этапе PoC
• Применяйте дизайн-мышление и проверяйте свой процесс от начала до конца; предсказывайте и управляйте рисками на ранней стадии
• Точность – не единственная мера; проектируйте и планируйте построение решения, ориентированного на ценность, а не достижение 100-процентной точности
• Оцените ваш подход ИИ; не планируйте на основе моделей, движимых хайпом, а скорее выбирайте наиболее оптимальный подход, который является модульным по своей природе
• Управляйте ожиданиями во всех заинтересованных сторонах, чтобы гарантировать наиболее успешный результат
• Проектируйте ваше решение и архитектуру так, чтобы они масштабировались с ростом ваших данных для наиболее оптимального ROI

Лучшие практики для решений, управляемых ИИ

Сегодня большинство бизнесов осуществляют одно или несколько проектов ИИ. Несмотря на отличные намерения и тяжелую работу, многие программы ИИ для предприятия не оправдывают ожиданий, не масштабируются и не генерируют желаемого ROI. Потребуется время, чтобы интегрировать искусственный интеллект как основной компонент бизнеса, однако некоторые из лучших практик, которые следуют успешные организации, включают:

• Начните с ИИ CoE: Многие крупные корпорации, даже не технологические, создали центры совершенства ИИ (ИИ CoE), чтобы максимизировать шансы своего успеха. ИИ CoE объединяет необходимую экспертизу, ресурсы и людей, чтобы позволить трансформации на основе ИИ. Основные преимущества включают:
  • Консолидацию обучения ИИ, ресурсов и талантов в одном месте
  • Разработку единой видения ИИ и бизнес-стратегии
  • Стандартизацию подходов ИИ, платформ и процессов
  • Определение новых возможностей дохода для ИИ и инноваций
  • Масштабирование усилий по науке о данных, сделав ИИ доступным для всех бизнес-функций
• Одобрение руководства: Стратегия ИИ наиболее успешна через подход сверху вниз. Масштабирование пилотов на протяжении всей организации требует одобрения руководства, необходимых навыков и данных, а также создания организационной структуры, которая гарантирует, что модели остаются точными со временем.
• Доступность данных: Большинство организаций имеют изолированные данные по различным причинам соответствия. Однако данные – это жизнь любого решения ИИ, и предоставление этих данных имеет решающее значение. Вместе с предоставлением классификация и очистка данных являются важными. Разработка точных основополагающих истин и обучающих данных может сделать или сломать решение ИИ.
• Архитектура: Использование ИИ – это парадигмальный сдвиг для любой организации, который требует новых способов мышления и планирования. Проектирование оптимальной технической и операционной архитектуры увеличивает ваши шансы на успех. Это включает в себя наличие новых функций, таких как ML Ops, Data Ops, итеративная подготовка и аннотации, среди прочего.
• Модульность и гибкость: Решения, управляемые ИИ, все еще находятся на ранней стадии, особенно когда организации имеют дело с тяжелыми неструктурированными данными. Критически важно проектировать и строить модульное и гибкое решение, которое может масштабироваться с бизнесом и его растущими проблемами.

Установление и начало стратегии ИИ имеет огромный потенциал для большинства организаций, и случаи использования бесконечны. Решения машинного и глубокого обучения затрагивают каждый аспект организации, от продаж и маркетинга до повседневных операций. Однако, как и строительство ракеты или изобретение нового устройства, успех не будет достигнут сразу. Решения, управляемые ИИ, следует подходить в этапах и строить на более мелких победах со временем.