Planifikimi, PoC dhe prodhimi i një zgjidhjeje të suksesshme të ndërmarrjes të drejtuar nga AI

Ndërmarrjet po përshpejtojnë iniciativat e tyre të inteligjencës artificiale (AI) me një ritëm të shpejtë. Një studim nga Algoritmi tregoi se 76 për qind e CIO-ve po i japin përparësi dhe po rrisin buxhetet e tyre të TI-së për të pasur fokus më të madh në zgjidhjet e AI dhe të mësimit të makinerive (ML). Organizatat po e njohin gjithashtu rëndësinë e të dhënave dhe shumica po përqafojnë faktin se 80 përqind e të dhënave të ndërmarrjeve janë të pastrukturuara në natyrë.

Të dhënat e pastrukturuara po prodhohen dhe po rriten me një ritëm alarmues në një pirg ndërmarrjesh. Njësia e matjes ka kaluar nga terabajt në petabajt. Si rezultat, profesionistët e IT-së, CDO-të dhe CIO-t duhet të merren me disa sfida të reja në mënyrë që të plotësojnë një kërkesë në rritje për të dhëna të përdorshme dhe njohuri të zbatueshme. Pavarësisht nga potenciali i madh i AI për të transformuar çdo industri, vetëm 15 për qind e zgjidhjeve të AI të vendosura deri në fund të vitit 2022 do të jenë të suksesshme, dhe më pak prej tyre do të gjenerojnë një ROI pozitive.

Çështja më e madhe është se shumica e zgjidhjeve të AI të ndërmarrjeve nuk e shohin dritën e ditës për shkak të mospërputhjes së pritshmërive. Vazhdon të ketë keqkuptime rreth mundësive të AI dhe projektet vazhdojnë të konceptohen në modelet e drejtuara nga hype. Shumica e produkteve ose modeleve janë larg realitetit aktual të operacioneve të përditshme të ndërmarrjes. Faktorë të tjerë nxitës të niveleve më të ulëta të suksesit përfshijnë: tejkalimet e kostove, mungesa e Qendrave të Ekselencës së AI (CoE), talentet e papërvojë, mosdisponueshmëria e të dhënave dhe politikat e vjetruara, për të përmendur disa.

Planifikimi hap rrugën për suksesin e inteligjencës artificiale të sipërmarrjes

Të dhënat e pastrukturuara janë të dhëna të cilave u mungon një model të dhënash të paracaktuar dhe përfshijnë gjithçka, nga dokumentet dhe faqet e internetit me tekst të rëndë deri te imazhet, skedarët video, chatbot-et, transmetimet audio dhe postimet e mediave sociale. Me rritjen e sasisë së të dhënave të pastrukturuara në arkitekturën e ndërmarrjes, është thelbësore të kemi një plan efikas dhe në rritje që përputhet me objektivat e të gjithë aktorëve të korporatës. Objektivat tipike në nivel organizativ mund të përfshijnë: automatizimin e procesit, zbulimin e mashtrimit, përmirësimin e përvojës së klientit, përmirësimin e sigurisë, rritjen e shitjeve, etj. Ndërsa disa nga këto objektiva mund të arrihen në mënyrë mjaft efektive, për shkak të natyrës së strukturuar të të dhënave, planifikimi rreth të dhënave të pastrukturuara mund të jetë sfidues.

Në mënyrë tipike, planifikimi fillon me identifikimin e fushave të mundësive brenda një organizate. Ndërsa mund të ketë një vizion të madh të AI në nivelin e menaxhimit ekzekutiv, është thelbësore të identifikohet një fushë që ka ndikim të lartë, rrezik të ulët dhe rritje të vazhdueshme të të dhënave. Një shembull i mirë i një rasti të tillë përdorimi do të ishte funksioni i përpunimit të kredisë në industrinë bankare dhe financiare. Fillimi i huasë për shërbimin është i mbushur me procese manuale ku informacioni futet me dorë në sisteme në një mënyrë të përsëritur. Kujdesi i duhur i kërkesave për kredi përfshin një sasi të konsiderueshme të dorëzimit të dokumenteve, gjë që paraqet disa rreziqe. Megjithatë, AI mund të aplikohet në disa fusha të rrjedhës së punës, duke përfshirë përpunimin e dokumenteve dhe zbulimin e mashtrimit. Kjo është gjithashtu një fushë ku ka rritje të vazhdueshme të të dhënave nga viti në vit.

Hapat e tjerë kritikë për t'u marrë në konsideratë gjatë kësaj faze planifikimi përfshijnë përcaktimin e kritereve të matshme të suksesit, formulimin e një strategjie kohezive të të dhënave, trajnimin dhe reagimet e vazhdueshme dhe vlerësimin e përvojës së përdoruesit, shkallëzueshmërisë dhe infrastrukturës.

Përcaktimi i kritereve të matshme të suksesit (dhe shmangia e karrocës përpara momentit të kalit!)

Suksesi i hershëm i Google shpesh i atribuohet kompanisë që ka krijuar Rezultatet kryesore objektive (OKR). Ndërsa kjo qasje është diçka që mund të zbatohet për çdo aspekt të qëllimeve të biznesit ose personale, marrja e kësaj qasjeje të provuar ndaj strategjisë suaj të AI mund të japë disa rezultate premtuese. Megjithatë, kur bëhet fjalë për të dhëna të pastrukturuara, është një problem në zhvillim, të cilin industria në përgjithësi po përpiqet ta zgjidhë. Duke pasur parasysh sfidat, drejtuesit e biznesit duhet të bëjnë pyetje të ndryshme për të përcaktuar 'çfarë' dhe 'pse'. Për shembull, nëse rritja e produktivitetit është objektivi kryesor, dy pyetje që mund të marrin përgjigje janë:

• A duhet të planifikoj të përmirësoj qarkullimin me anë të automatizimit? ose
• A duhet të planifikoj të zgjidh 80 për qind të problemit për 100 për qind të të gjitha rasteve të paraqitura?

Përgjigja e këtyre pyetjeve çon në dy udhëtime të ndryshme zbatimi dhe është e rëndësishme të vendosni se cili do të ishte i duhuri për ndërmarrjen tuaj.

Me të dhëna të pastrukturuara, një tjetër zonë matëse e paqartë është saktësinë. Në shembullin e përpunimit të kredisë, ka kaq shumë ndryshueshmëri në dokumentet e dorëzuara nga klientët, sa që është kritike për drejtuesit e biznesit dhe teknologjisë që të arrijnë në konsensus se si matet saktësia e zgjidhjes së AI. Nëse produktiviteti është një nga objektivat e krijimit të një zgjidhjeje të AI, atëherë do të ishte e nevojshme të identifikoheshin fusha të tjera që ndikojnë në produktivitet. Kjo mund të arrihet duke parë nga afër procesin aktual ashtu siç është dhe duke ri-imagjinuar procesin me automatizimin e AI. Shpesh automatizimi i ri çon në hapa të rinj në proces, si p.sh. menaxhimi manual i përjashtimeve, shënimi, trajnimi, etj. Me këto hapa të vendosur, do të ishte më e lehtë të përcaktohet se si të matet saktësia.

Të dhënat janë burimi jetësor i të gjitha ndërmarrjeve

Të dhënat e pastrukturuara kanë një shkallë të lartë ndryshueshmërie në mënyrën se si strukturohet dhe paraqitet informacioni. Ndërmarrjet janë të mbushura me informacione të paraqitura në dokumente, të cilat për nga natyra kanë struktura komplekse të përbëra nga paragrafë, fjali dhe, më e rëndësishmja, struktura tabelash shumëdimensionale. Përveç dokumenteve, organizatat po investojnë gjithnjë e më shumë në chat bots, duke monitoruar të dhënat e mediave sociale dhe forma të tjera të të dhënave të pastrukturuara si lajmet, imazhet dhe videot.

Shumica e organizatave nënvlerësojnë sasinë e të dhënave të disponueshme dhe të aksesueshme në dorë. Shpesh sfida është po aq e thjeshtë sa tejkalimi i kufizimeve të pajtueshmërisë dhe shkëmbimi i të dhënave brenda organizatës. Megjithatë, ndryshueshmëria e pastër dhe e lartë e të dhënave lejon vlerësimin më të mirë të një problemi dhe hartimin e një zgjidhjeje optimale.

Një faktor tjetër i rëndësishëm për t'u marrë parasysh është se çfarë rezultati prisni nga këto të dhëna të pastrukturuara. Kjo do të sigurojë një sasi të saktë të të dhënave të së vërtetës, trajnimit dhe testimit. Duke iu rikthyer shembullit të përpunimit të kredisë, nëse rezultati i kësaj zgjidhjeje të AI është të përcaktojë bilancet mesatare ditore të aplikantëve, e vërteta bazë dhe të dhënat e trajnimit mund të jenë tepër të fokusuara rreth pasqyrave bankare. Megjithatë, nëse fokusi është të përcaktohen aplikantët mashtrues përmes deklaratave bankare të dorëzuara, do t'ju duhet të aksesoni një gamë më të gjerë dokumentesh për të marrë të vërtetën e nevojshme bazë dhe të dhënat e trajnimit.

Shkallëzimi nga PoC në Prodhim

Hyrja në një provë të matshme të konceptit (PoC) siguron që të gjithë palët e interesuara të kuptojnë sfidat, rezultatet dhe propozimin e vlerës së një zgjidhjeje të AI. Megjithatë, një PoC nuk është e njëjtë me një zgjidhje të gatshme për prodhim. Një PoC i mundëson një organizate të identifikojë boshllëqet, stimulon të menduarit e projektimit për një zgjidhje prodhimi dhe riorganizon objektivat dhe rezultatet kryesore që duhet të arrihen. Në mënyrë që të kalojnë nga PoC në një zgjidhje të shkallëzuar, organizatat duhet të planifikojnë për skenarë komplekse të të dhënave që përfshijnë ndryshime të vazhdueshme të të dhënave, mungesë të të dhënave të etiketuara dhe një shkallë të lartë ndryshimi në formë dhe formate. Po aq e rëndësishme është riimagjinimi i rrjedhës së punës, ritrajnimi i fuqisë suaj punëtore dhe përcaktimi i infrastrukturës, kostove, performancës, arkitekturës së të dhënave, sigurisë së informacionit dhe marrëveshjeve të nivelit të shërbimit (SLA).

Është absolutisht e domosdoshme të vlerësohet i gjithë fluksi i punës dhe procesi i biznesit në mënyrë që të fitohen rezultatet më të mira nga çdo zgjidhje e AI. Duke marrë shkas nga ekonomia e sjelljes, është kritike të krahasohet rezultati me një pikë referimi ekzistuese (e njohur gjithashtu si "varësia e referencës"), në të cilën pikë mund të parashikohen efikasitete më të mira përpara prodhimit përmes të menduarit të projektimit dhe rimarrëveshjes së procesit.

Ky skenar supozon se si drejtuesit e biznesit ashtu edhe ata teknikë kanë rënë dakord për një qasje MI ose mësim të thellë bazuar në PoC. Disa deklarata të problemit mund të jenë përcaktuese dhe mund të merret një qasje statistikore për të zgjidhur problemin, ndërsa sfidat e tjera mund të kërkojnë një kombinim të qasjeve të bazuara në MI dhe rrjetit nervor për të arritur rezultatet e dëshiruara.

Disa zgjidhje të AI kërkojnë përfshirjen e Përpunimit të Gjuhës Natyrore (NLP). Ndërsa modelet e përgjithshme të gjuhës shërbejnë si një hap themelor, shumica e modeleve nuk janë të dizajnuara për të përmbushur nevojat unike të çdo deklarate të problemit të ndërmarrjes dhe do të kërkonin akordim të imët. Në të njëjtën kohë, shumica e drejtuesve ka të ngjarë të entuziazmohen për modelet e mëdha si GPT3, të cilat kërkojnë fuqi të konsiderueshme llogaritëse dhe mund të kenë një ndikim të drejtpërdrejtë në ROI të një kompanie. Këto modele me shumë mundësi nuk janë të përshtatshme për kompaninë tuaj.

PoC juaj i drejtuar nga AI është vetëm fillimi i një procesi të gjatë, prandaj mbani parasysh sa vijon:

• Mos zgjidhni një problem kompleks për të zgjidhur në fazën e PoC
• Aplikoni të menduarit e dizajnit dhe rishikoni procesin tuaj nga fundi në fund; parashikojnë dhe menaxhojnë rreziqet në fillim
• Saktësia nuk është matja e vetme; projektoni dhe planifikoni të ndërtoni një zgjidhje të bazuar në vlera kundrejt arritjes së saktësisë 100 për qind
• Vlerësoni qasjen tuaj të AI; mos planifikoni modele të drejtuara nga hype, përkundrazi zgjidhni qasjen më optimale që është modulare në natyrë
• Menaxhoni pritshmëritë nga të gjitha palët e interesuara për të siguruar rezultatin më të suksesshëm
• Dizajnoni zgjidhjen dhe arkitekturën tuaj në shkallëzim me rritjen e të dhënave tuaja për ROI më optimale

Praktikat më të mira për zgjidhjet e drejtuara nga AI

Sot, shumica e bizneseve po ndërmarrin një ose më shumë projekte të AI. Pavarësisht synimeve të shkëlqyera dhe punës së palodhur, shumë programe të AI të ndërmarrjeve nuk i përmbushin pritshmëritë, nuk shkallëzohen dhe nuk gjenerojnë ROI-në e dëshiruar. Do të duhet kohë për të integruar inteligjencën artificiale si një komponent kryesor i biznesit, megjithatë disa nga praktikat më të mira të ndjekura nga organizatat e suksesshme përfshijnë:

• Filloni me AI CoE: Shumë korporata të mëdha, madje edhe ato jo teknologjike, kanë ngritur Qendrat e Ekselencës së AI (AI CoE) për të maksimizuar shanset e suksesit të tyre. Një CoE e AI bashkon ekspertizën, burimet dhe njerëzit e nevojshëm për të lejuar iniciativat transformuese të bazuara në AI. Përfitimet kryesore përfshijnë:
  • Konsolidimi i të mësuarit, burimeve dhe talentit të AI në një vend të vetëm
  • Zhvillimi i një vizioni të unifikuar të AI dhe strategjisë së biznesit
  • Standardizimi i qasjeve, platformave dhe proceseve të AI
  • Identifikimi i mundësive të reja të të ardhurave për AI dhe inovacion
  • Shkallëzimi i përpjekjeve të shkencës së të dhënave duke e bërë AI të disponueshme për të gjitha funksionet e biznesit
• Blej Ekzekutiv: Një strategji AI është më e suksesshme përmes një qasjeje nga lart-poshtë. Shkallëzimi i pilotëve në të gjithë një organizatë kërkon me sukses blerjen e lidershipit, aftësitë dhe të dhënat e nevojshme dhe krijimin e një strukture organizative që siguron që modelet të mbeten të sakta me kalimin e kohës.
• Disponueshmëria e të dhënave: Shumica e organizatave kanë anuluar të dhënat për arsye të ndryshme pajtueshmërie. Sidoqoftë, të dhënat janë burimi jetësor i çdo zgjidhjeje të AI dhe sigurimi i këtyre të dhënave është kritik. Së bashku me sigurimin, klasifikimi dhe pastrimi i të dhënave është thelbësor. Zhvillimi i të dhënave të sakta të së vërtetës tokësore dhe trajnimit mund të krijojë ose prishë një zgjidhje të AI.
• Arkitekturë: Përdorimi i AI është një ndryshim paradigme për çdo organizatë, e cila kërkon mënyra të reja të të menduarit dhe planifikimit. Projektimi i një arkitekture optimale teknike dhe operacionale rrit shanset tuaja për sukses. Kjo përfshin funksionet e reja si funksionet ML, operacionet e të dhënave, trajnimet përsëritëse dhe shënimet, ndër të tjera.
• Modulariteti dhe fleksibiliteti: Zgjidhjet e drejtuara nga AI janë ende në fazat e tyre fillestare, veçanërisht kur organizatat kanë të bëjnë me të dhëna të rënda të pastrukturuara. Është thelbësore të hartohet dhe të ndërtohet një zgjidhje modulare dhe fleksibël që mund të përshtatet me biznesin dhe sfidat e tij në rritje.

Krijimi dhe fillimi i një strategjie të AI ka potencial të madh për shumicën e organizatave dhe rastet e përdorimit janë të pafundme. Zgjidhjet e makinerisë dhe të mësimit të thellë prekin çdo aspekt të një organizate, nga shitjet dhe marketingu deri te operacionet e përditshme. Megjithatë, si ndërtimi i një rakete ose shpikja e një pajisjeje të re, suksesi nuk do të arrihet menjëherë. Zgjidhjet e drejtuara nga AI duhet të trajtohen në faza dhe të ndërtohen në fitore më të vogla me kalimin e kohës.