Успешное внедрение ИИ требует 3 компонентов — большинство компаний имеют только 2

На данный момент ИИ больше не является новой технологией. Его доказанная эффективность в анализе данных, распознавании образов и синтезе знаний может сделать команды более эффективными. Но несмотря на неоспоримую ценность ИИ, новые исследования показывают, что только 13% бизнеса внедрили его в широком масштабе. Большинство бизнесов играют безопасно, используя ИИ только для задач с низким риском. Что останавливает бренды от того, чтобы полностью использовать его и получать выгоду? Пробел между стремлениями ИИ и достижением сводится к структурному недостатку.

Отсутствующая связь.

Успешное, широкое внедрение ИИ требует трех компонентов: инфраструктуры, приложения и данных. Слой инфраструктуры включает модель ИИ, чья структура напрямую формирует использование и потенциальные результаты.

Слой приложения — это место, где живут программные решения. Это место, где пользователи взаимодействуют (может быть, косвенно) с ИИ и рассматривают его результаты; это центр принятия решений, основанных на ИИ.

Между этими слоями находится слой данных, и именно с этим компонентом большинство бизнесов испытывают трудности — осознают они это или нет. Этот слой, конечно, содержит все данные; данные, которые подходят для лежащих в основе моделей ИИ и руководят построением приложений. Качество слоя данных напрямую влияет на результат на уровне приложения. Высококачественные, обильные данные могут поддерживать прочные случаи использования, в то время как сомнительные или недостаточные данные не могут.

До тех пор, пока организации не смогут построить — или сотрудничать с бизнесом, который строит — все три слоя внедрения ИИ, они не смогут получить максимальную выгоду.

Последствия несбалансированности.

Результат ИИ всегда будет предопределен данными, которые ему предоставляются. Если организация хочет, чтобы ее ИИ мог предсказать синтетические молекулярные структуры, ей нужно будет кормить его большим количеством физических данных. Если ритейлер хочет использовать ИИ для предсказания поведения пользователей и улучшения цифрового опыта, ему нужно будет кормить его поведенческими данными.

Если бизнес (или его партнеры) не могут адекватно поддержать свои инструменты ИИ достаточным количеством данных, последствия будут далеко идущими. Во-первых, есть само решение ИИ. В лучшем случае оно будет технически работоспособным, хотя и не в той степени, как желаемо. Результаты могут быть слабыми, безынтересными или лишенными каких-либо прозрений вообще. За пределами этого «лучшего» результата лежит более вероятный исход: галлюцинации ИИ, ошибочные результаты и отрицательная отдача от инвестиций. Не только инвестиции будут потрачены впустую, но и организации могут быть вынуждены тратить больше средств на устранение ущерба.

Отойдя от непосредственных последствий, мы можем увидеть более широкие последствия решения ИИ, лишенного данных. Обычно бизнес принимает ИИ, чтобы сделать больше: получить больше прозрений, обслужить больше клиентов, работать более эффективно. Если организации вкладывают время и ресурсы в инструмент ИИ, который не оправдывает ожиданий, они фактически сдерживают свой собственный рост, ограничивая свою способность адаптироваться к рынку и опережать конкурентов. Это ставит их в невыгодное положение и заставит их спешить, чтобы наверстать упущенное время, ресурсы и — потенциально — клиентов.

Но надежда не потеряна; есть многое, что организации могут сделать, чтобы правильно позиционировать себя, исправить (или предотвратить) несбалансированность ИИ и двигаться вперед.

Закрытие пробела с правильными данными.

Рискуя упростить, лучшее, что лидеры могут сделать, чтобы избежать несбалансированности ИИ, — это провести свою проверку перед тем, как двигаться вперед с любым решением, основанным на ИИ. Перед развертыванием нового инструмента возьмите время, чтобы узнать, откуда берутся данные и как они генерируются.

Если ваш поставщик решений или ведущий инженер не могут дать вам прямой ответ о источнике, качестве или количестве лежащих в основе данных, это должно вызвать сигнал тревоги. Получите второе или третье мнение от партнеров по каналам и интеграторов. Соберите информацию, используя сети обсуждений пользователей, такие как Reddit и Discord; посмотрите, где другие пользователи столкнулись с проблемами или препятствиями. Зная, на какие красные флаги обратить внимание до принятия любых решений, может помочь лидерам избежать множества проблем и несбалансированности.

Конечно, такое предвидение не всегда возможно и не поможет организациям, которые уже испытывают нехватку данных ИИ. Если отказ от существующего решения не является вариантом, следующее лучшее, что можно сделать, — это найти способ ввести больше данных, чтобы инструмент имел больше контекста, закономерностей и прозрений, на которые можно опираться.

Синтетические данные — это вариант здесь, но это не панацея. Может быть сложно точно определить происхождение синтетических данных, поэтому они не всегда могут быть лучшим путем. Тем не менее, есть время и место для синтетических данных. Например, они отлично подходят для обучения моделей безопасности ИИ, особенно в враждебной манере. Как всегда, проведение предварительных исследований перед тем, как броситься вперед, поможет лидерам принять лучшие решения для своего бизнеса.

Для отраслей, таких как розничная торговля или быстрое обслуживание в ресторанах (QSR), предпочтительны человеческие данные. Бизнес в этих отраслях, вероятно, использует ИИ, чтобы помочь оптимизировать опыт своих клиентов, поэтому их инструменты должны быть обучены на поведенческих данных человека. Например, если вы надеетесь предсказать, насколько далеко пользователи прокрутят страницу, вы хотели бы, чтобы ИИ основывал свое предсказание на реальном поведении человека в аналогичных условиях.

В некоторых случаях получение притока человеческих данных не так много связано с получением новых данных, сколько с активацией существующих данных. Посетители сайта и приложения уже есть — это просто вопрос захвата, структурирования и анализа их поведенческих данных, чтобы инструменты ИИ могли использовать их.

В конце концов, наличие недостаточных данных лучше, чем наличие плохих данных; все, что организации могут сделать, чтобы очистить свои решения, поможет привести к лучшим результатам.

Где начать.

Нехватка данных ИИ может представлять собой значительную проблему для организаций любого размера, и может быть устрашающим даже подумать о том, какие следующие шаги могут быть. Но даже признание проблемы является достижением в себе. Оттуда это вопрос нахождения управляемых, постепенных шагов, которые можно решить один за другим.

ИИ держит огромную обещание — но только для тех, кто готов инвестировать в каждый из его ключевых компонентов: инфраструктуру, приложение и данные. Без этих слоев даже самое элегантное решение ИИ упадет. Организации, которые закроют пробел в данных сейчас, не только избегут отставания; они будут задавать темп.