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. Однако, несмотря на неоспоримую ценность ИИ, новые исследования показывают, что только 13% бизнеса внедрили его в обширной форме. Большинство бизнесов играют на безопасность, используя ИИ только для задач с низким риском. Что останавливает бренды от полного погружения и получения выгод? Пробел между стремлениями к ИИ и достижением сводится к структурному недостатку.

Отсутствующая связь.

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

Слой приложения — это место, где живут программные решения. Здесь генерируется основная ценность ИИ; 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 основных моделей ИИ и руководят разработкой 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 ценность.

Последствия дисбаланса.

Результат ИИ всегда будет зависеть от данных, которые ему предоставляются. Если организация хочет, чтобы ее ИИ мог предсказать синтетические молекулярные структуры, ей нужно будет предоставить ему много физических данных. Если ритейлер хочет использовать ИИ для предсказания поведения пользователей и улучшения цифровых trải nghiệm, ему нужно будет предоставить ему поведенческие данные.

Если бизнес (или его партнеры) не могут адекватно поддержать свои инструменты ИИ достаточными данными, последствия будут далеко идущими. Во-первых, есть само решение ИИ. В лучшем случае оно будет технически работоспособным, хотя и не в той степени, которая желается. Результаты могут быть слабыми, безынтересными или лишенными каких-либо прозрений вообще. За этим “лучшим” результатом лежит более вероятный исход: галлюцинации ИИ, ошибочные результаты и отрицательная отдача от инвестиций. Не только инвестиции будут потрачены впустую, но организации могут также придется 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 терпит неудачу, они фактически препятствуют своему собственному росту, 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) дисбаланс ИИ и двигаться вперед.

Заполнение пробела с помощью правильных данных.

Рискуя упростить, лучшее, что лидеры могут сделать, чтобы избежать дисбаланса ИИ, — это провести свое расследование, прежде чем приступить к любому решению, основанному на ИИ. Прежде чем развернуть новый инструмент, потратьте время на изучение источников данных и того, как они генерируются.

Если ваш поставщик решений или ведущий инженер не могут дать вам прямой ответ о источнике, качестве или количестве основных данных, это должно вызвать тревогу. 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 что обратить внимание до принятия любых решений, может помочь лидерам избежать множества проблем и недостатков.

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 являются вариантом здесь, но они не являются панацеей. Может быть сложно определить точный источник синтетических данных, поэтому они не всегда могут быть лучшим путем вперед. Тем не менее, есть время и место для синтетических данных. Например, они отлично подходят для обучения моделей безопасности ИИ, особенно в враждебной форме. Как всегда, проведение предварительных исследований перед тем, как броситься вперед, поможет лидерам принимать лучшие решения для своего бизнеса.

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

В некоторых случаях получение притока человеческих данных не так много о получении новых данных, сколько об активации существующих данных. Посетители сайта и приложения уже есть — это просто вопрос захвата, структуризации и анализа их поведенческих данных, чтобы инструменты ИИ могли использовать их.

В конце концов, наличие неадекватных 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 самим по себе. Оттуда это вопрос нахождения управляемых, инкрементальных шагов, которые можно выполнить 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 закрывают пробел в данных сейчас, не только избегают отставания; они задают темп.