Планирование, PoC и производство успешного корпоративного решения на основе ИИ

Корпорации ускоряют свои инициативы в области искусственного интеллекта (ИИ) быстрыми темпами. Исследование, проведенное Algorithmia, показало, что 76 процентов руководителей информационных служб отдают приоритет и увеличивают свои бюджеты на информационные технологии, чтобы больше фокусироваться на решениях ИИ и машинного обучения (МО). Организации также признают важность данных и большинство из них осознают, что 80 процентов корпоративных данных носят неструктурированный характер.

Неструктурированные данные производятся и растут с тревожной скоростью в корпоративном стеке. Единица измерения сместилась от терабайт до петабайт. В результате ИТ-специалисты, руководители департаментов данных и руководители информационных служб должны решать новые проблемы, чтобы удовлетворить растущий спрос на полезные данные и действенные выводы. 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 положительную отдачу от инвестиций.

Самой большой проблемой является то, что большинство корпоративных решений ИИ не видят свет из-за несоответствия ожиданий. Продолжают существовать заблуждения вокруг возможностей ИИ, и проекты продолжают создаваться на основе моделей, движимых хайпом. Большинство продуктов или моделей远离 실제 реальности повседневных корпоративных операций. 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 для успеха корпоративного ИИ

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 социальных сетей. С учетом растущего количества неструктурированных данных в корпоративной архитектуре, 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, благодаря структурному характеру данных, планирование вокруг неструктурированных данных может быть сложным.

Обычно планирование начинается с выявления областей возможностей внутри организации. Хотя может быть грандиозная видение ИИ на уровне руководства, важно выявить 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. Процесс кредитования от выдачи до обслуживания полон ручных процессов, где информация вводится вручную в системы повторяющимся образом. Due diligence кредитных заявок включает значительное количество представленных 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 этой фазе планирования, являются определение измеримых критериев успеха, формулирование сплоченной 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 приписывают введению Объектов ключевых результатов (OKR). Хотя этот подход можно применить к любой области бизнеса или личных целей, использование этого проверенного подхода для стратегии ИИ может дать обещающие результаты. Однако, когда речь идет о неструктурированных данных, это развивающаяся проблема, которую отрасль в целом пытается решить. Учитывая проблемы, бизнес-лидеры 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?
• 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 вашей корпорации.

С неструктурированными данными другой неоднозначной областью измерения является точность. В примере обработки кредитов существует так много переменности в представленных клиентами документах, что важно для бизнес- и технических лидеров прийти к консенсусу о том, как измеряется точность решения ИИ. Если производительность является одной из целей внедрения решения ИИ, то необходимо выявить другие области, влияющие на производительность. Это можно сделать, внимательно изучив текущий процесс и переосмыслив его с помощью автоматизации ИИ. Часто новая автоматизация приводит к новым шагам в процессе, таким как ручное управление исключениями, аннотация, обучение и т. д. С этими шагами будет проще определить, как измерить точность.

Данные – это жизнь корпораций

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

Большинство организаций недооценивают, сколько данных доступно и доступно на руках. Часто проблемой является простое преодоление ограничений на соблюдение и обмен данными внутри организации. Тем не менее, наличие чистых и высоко переменных 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 данных, обучения и тестирования. Вернувшись к примеру обработки кредитов, если результатом этого решения ИИ является определение средних дневных балансов заявителей, основополагающие данные и обучение можно сосредоточить вокруг банковских выписек. Однако, если焦点 заключается в определении мошеннических заявителей через представленные банковские выписки, необходимо получить доступ к более широкому спектру документов, чтобы получить необходимые основополагающие данные и обучение.

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 готовое к производству решение. PoC позволяет организации выявить пробелы, стимулирует проектирование 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 вариации 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 перед производством через проектирование и отображение 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 нейронной сети для достижения желаемых результатов.

Некоторые решения ИИ требуют включения обработки естественного языка (NLP). Хотя общие языковые модели служат фундаментальным шагом, большинство моделей не предназначены для удовлетворения уникальных потребностей каждой корпоративной формулировки проблемы и потребуют тонкой настройки. В то же время большинство руководителей, вероятно, 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 решение ИИ PoC – это только начало долгого процесса, поэтому имейте в виду следующее:

• Не выбирайте сложную проблему для решения на этапе PoC
• Применяйте проектирование и просмотрите свой процесс от начала до конца; предсказывайте и управляйте рисками заранее
• Точность не является единственной мерой; 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 выбирайте наиболее оптимальный подход, который является модульным по своей природе
• Управляйте ожиданиями среди всех заинтересованных сторон, чтобы обеспечить наиболее успешный результат
• Проектируйте свое решение и архитектуру для масштабирования с ростом ваших данных для наиболее оптимальной ROI

Лучшие практики для решений на основе ИИ

Сегодня большинство бизнесов осуществляют одно или несколько проектов ИИ. Несмотря на отличные намерения и тяжелую работу, многие корпоративные программы ИИ не оправдывают ожиданий, не масштабируются и не генерируют желаемой ROI. ВTEGRATION ИИ в качестве основного бизнес-компонента займет время, однако некоторые из лучших практик, используемых успешными организациями, включают:

• Начните с ИИ CoE: Многие крупные корпорации, даже не-технические, создали центры совершенства ИИ (ИИ CoE), чтобы максимизировать шансы на их успех. ИИ CoE объединяет необходимую экспертизу, ресурсы и людей, чтобы позволить инициативам 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
• Выявление новых возможностей получения 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 разрозненные данные по различным причинам соблюдения. Однако данные – это жизнь любого решения ИИ, и предоставление этих данных является критическим. Вместе с предоставлением, классификация и очистка данных являются важными. Разработка точных основополагающих данных и обучения может сделать или сломать решение ИИ.
• Архитектура: Использование ИИ – это сдвиг парадигмы для любой организации, который требует новых способов мышления и планирования. Проектирование оптимальной технической и операционной архитектуры увеличивает ваши шансы на успех. Это включает наличие новых функций, таких как операции МО, операции с данными, итеративное обучение и аннотации, среди прочего.
• Модульность и гибкость: Решения на основе ИИ все еще находятся на ранней стадии, особенно когда организации имеют дело с большими неструктурированными данными. Критически важно проектировать и строить модульное и гибкое решение, которое может масштабироваться с бизнесом и его растущими проблемами.

Установление и осуществление стратегии ИИ имеет огромный потенциал для большинства организаций, и случаи использования являются бесконечными. Решения на основе машинного обучения и глубокого обучения затрагивают каждый аспект организации, от продаж и маркетинга до повседневных операций. Однако, как и строительство ракеты или изобретение нового гаджета, успех не будет достигнут сразу. Решения на основе ИИ следует подходить поэтапно и строить на основе более мелких побед со временем.