5 steg för att implementera AI i ditt företag utan att bryta banken

Artificiell intelligens fortsätter att blomstra, och om den fortsätter att tränga in i varje bransch, kommer den att förändra sättet vi lever på ett helt nytt sätt.

Som ett resultat av detta har integration av AI i företagen blivit en absolut prioritet för många grundare. Även individer letar efter sätt att utnyttja AI för att förbättra sina personliga liv.

Hajpen är sådan att Collins Dictionary, en ledande språkmyndighet, har utnämnt AI som årets ord, på grund av dess ökade popularitet.

Som sagt, för de flesta organisationer finns det ett stort gap mellan idé och verklighet när de försöker integrera AI i sina processer, eftersom vägen inte är så rak som den verkar, och det kan vara mycket dyrt, både i termer av kapitalutgifter och i slösad tid, eftersom utvecklingen inte kommer att ge de förväntade resultaten. Detta har fått flera företag i trångmål. Till exempel experimenterade CNET med AI-skrivna artiklar, och de visade sig vara fulla av fel. Andra företag, som iTutor Group, har fått betala höga böter utöver allmänna förlöjliganden på grund av deras dåliga AI-implementeringar.

Som dessa fall visar kan företag göra många misstag med AI, och såvida inte ett företag har den finansiella kudden av Amazon, Google, Microsoft eller Meta, kan dessa misslyckade experiment i princip ruinera ett företag.

Om du är en grundare eller företagsägare, så är här en guide med fem steg för att hjälpa dig implementera AI i ditt företag, samtidigt som du gör en ansvarsfull användning av dina resurser – pengar och tid, som slutligen är pengar – och samtidigt minska möjligheten till fatala fel.

1. Var tydlig på problemet du försöker lösa

Inget företag är immun mot AI-misslyckanden. Och som Amazon smärtsamt upptäckte – genom sin misslyckade kassalösa butik Amazon Go – inte varje affärsfall behöver AI.

Därför är det kritiskt att du definierar problemet du försöker lösa med AI. Detta måste anges så tydligt som möjligt.

Till exempel är en vanlig tillämpning av AI kundsupport. Att implementera AI i ett sådant fall är möjligt på ett sätt som har specifika resultat, till exempel att minska kostnaderna för callcenter med X belopp pengar per månad eller att påskynda den genomsnittliga tiden det tar att lösa kundförfrågningar med X minuter. Med detta tillvägagångssätt har vi en mätbar indikator i form av pengar eller tid, som vi kommer att försöka uppnå genom att implementera AI och se om det har någon effekt.

Det finns olika sätt som detta kan ske på. Till exempel kan vi i stället för en chatbot utveckla eller köpa en tjänst som kan avgöra om en kunds fråga kan besvaras med en FAQ-sida. Det fungerar så här. När en kund skriver ett meddelande, kör vi den här modellen och den berättar antingen för oss att vi behöver överföra samtalet till en agent eller visar dem en relevant sida med svaret på deras fråga. Att utveckla den här modellen är snabbare och billigare än att bygga en komplex chatbot från scratch. Om den här implementeringen lyckas kommer vi att uppnå vårt mål att minska kostnaderna samtidigt som vi optimerar våra AI-relaterade kapitalutgifter, i jämförelse med kostnaden för att utveckla en chatbot.

En pionjär inom detta tillvägagångssätt var Matten Law, ett kaliforniskt advokatföretag som integrerade en AI-driven assistent för att automatisera många uppgifter, vilket möjliggjorde för advokater att lägga mer tid på att lyssna på kunder och studera de aspekter av ett ärende som var mest relevanta. Detta visar att även de mest rigida branscherna kan störas genom AI på ett sätt som förbättrar användarupplevelsen, genom att förstärka den mänskliga beröringen där det behövs mest.

Ytterligare vanliga problem som kan lösas med AI:s hjälp inkluderar dataanalys och skapande av anpassade erbjudanden. Spotify är ett exceptionellt exempel på ett företag som framgångsrikt utnyttjar AI för att utveckla ett intelligent system för musikrekommendationer, som går så långt som att ta hänsyn till den tid på dagen då någon lyssnar på en viss genre.

I båda fallen hjälper AI till att ge en bättre upplevelse för kunden. Men anledningen till att dessa företag använde AI framgångsrikt var att de var mycket tydliga på de aspekter som behövde delegeras till AI.

2. Bestäm vilken data du behöver analysera

När det primära problemet är väldefinierat behöver vi ta hänsyn till den data som vi behöver mata systemet med. Det är viktigt att komma ihåg att AI är en algoritm som analyserar och anpassar sig till den data vi tillhandahåller. Den grundläggande scenariot för datainsamling är följande:

1. Förstå vilken data vi kan behöva för att implementera AI.

2. Se om vårt företag har den här datan.

   1. Om det gör det — bra.

   2. Om inte, behöver vi sitta ner och fundera på om vi kan starta rätt datainsamlingsprocess internt. Som en annan möjlighet kan vi be utvecklare att spara den data vi behöver om vi inte redan gör det.

Här är ett exempel. Vi äger en kafé, och vi behöver data på hur många kunder som besöker det. Vi kan göra detta genom att implementera personliga lojalitetskort som kunderna presenterar när de gör ett köp. På så sätt kommer vi att ha den data vi behöver, som vilka kunder som kom, när de kom, vad de köpte och i vilken mängd. När vi har det kan vi använda den här datan för att implementera AI. Men det finns tillfällen när insamling av den här datan kan vara mycket dyrt. Och det är då AI kan komma till vår undsättning. Till exempel, om vi har en kamera installerad i vårt kafé – vilket vi kanske gör för säkerhetsskäl – kunde vi utnyttja den för att samla in data från våra besökande kunder. Jag måste säga att innan vi implementerar detta, är det viktigt att konsultera om personuppgiftslagar, såsom GDPR, eftersom den här metoden kanske inte fungerar i alla länder. Men i de jurisdiktioner där det är tillåtet, kan detta vara ett smidigt sätt att samla in den information vi behöver, och anlita AI:s hjälp för att analysera och bearbeta den.

Om du undrar, är den här personliga lojalitetsprogrammet vad Starbucks gjorde, med stor framgång. Starbucks belöningsprogram gick så långt som att ge personliga incitament när en kund besökte sin föredragna plats eller beställde sin favoritdryck.

3. Definiera en hypotes

Det kan finnas situationer där du känner dig osäker på vilka processer som kan eller behöver optimeras av AI.

Om detta är ditt fall, kan du börja med att bryta ner hela processen i etapper och identifiera de faser där du känner att ditt företag presterar dåligt. Vilka är de områden där du spenderar för mycket pengar? Vad tar längre tid än vanligt? Genom att besvara dessa frågor kan du peka ut de kritiska områdena för förbättring och bestämma om AI kan vara till hjälp.

Som du kommer att upptäcka, finns det tillfällen då konventionella lösningar kan vara mer effektiva. Om du kämpar med vilka produkt erbjudanden som ska presenteras för dina kunder, är förslag baserade på de mest populära produkterna ofta mycket mer effektiva i marknadsplats rekommendationssystem än försök att förutsäga användarbetende. Försök därför med det först. När du har ett resultat – oavsett om det är positivt eller negativt – kan du ha en hypotes för AI-testning. Annars kommer området för åtgärd att vara för vagt, och du kan slösa bort tid och pengar.

4. Utnyttja de lösningar som redan existerar

Många företag syftar till att, direkt, designa sina egna maskinlärningsalgoritmer. Men om du inte planerar att träna dem med stora datamängder under en längre tid, ska du inte göra det. Det kommer att vara mycket dyrt och tidskrävande.

I stället föreslår jag att du fokuserar på lösningar som redan finns tillgängliga. Företag som Amazon, Google, Microsoft och många andra har AI-drivna verktyg som kan hjälpa dig att uppnå många mål. Sedan kan du gradvis teckna ett avtal med en av dem och anställa en intern utvecklare för att skickligt konfigurera de nödvändiga API-förfrågningarna.

Den grundläggande idén är att dessa verktyg kan integreras av affärsutvecklare (inte ML-specialister), vilket möjliggör att vi snabbt kan testa hypotesen om AI ger den förväntade effekten eller inte. Om det misslyckas, kan vi enkelt inaktivera dessa verktyg, och vår kostnad för att testa vår hypotes skulle bara vara den tid som utvecklaren spenderade på att integrera med den här tjänsten och det belopp vi betalade för att använda verktyget. Om vi utvecklade en modell, skulle vi spendera ML-specialistens lön gånger den tid de tillbringade med att utveckla modellen, plus eventuella infrastrukturkostnader. Och sedan är det inte klart vad man ska göra med utvecklaren och modellen om den förväntade effekten inte finns.

Om vår hypotes bevisas, och det AI-drivna verktyget ger den förväntade effekten, jublar vi och kommer med en ny hypotes. I framtiden, om vi förutser att kostnaderna för verktyget ökar avsevärt, kan vi fundera på att utveckla den här modellen själva, och därmed minska kostnaderna ännu mer. Men vi måste först utvärdera om utvecklingskostnaden faktiskt är mindre än vad vi skulle betala för att använda ett verktyg från ett annat företag som specialiserar sig på att utveckla dessa verktyg.

Mitt råd är att du överväger att utveckla din egen maskinlärningsprodukt först efter att du har uppnått bra resultat från att använda AI med de ovan nämnda verktygen, och när du är säker på att AI är rätt sätt att lösa ditt problem på lång sikt. Annars kommer ditt ML-projekt inte att leverera det värde du letar efter, och som en lysande nylig artikel i Harvard Business Review sa, kommer AI-hajpen bara distrahera dig från din mission, som inte behöver AI.

5. Konsultera med AI-specialister

I samma anda är ett annat vanligt misstag som grundare och företagsägare gör att de försöker göra allt internt. De anställer en AI-chefingenjör eller forskare, och sedan fler personer för att bilda ett team som kan skapa en banbrytande produkt. Men den teknologin kommer att vara värdelös för ditt företags syfte om du inte har en ordentligt definierad AI-implementeringsstrategi. Det finns också ett fall när de anställer en junior ML-ingenjör för att spara pengar jämfört med att anställa en mer erfaren specialist. Detta är också farligt, eftersom en person utan erfarenhet kanske inte känner till de subtila aspekterna av ML-systemutveckling och design och kan göra “rookie-misstag”, för vilka företaget kommer att få betala ett alltför högt pris, nästan alltid överstigande priset för att anställa en erfaren ML-specialist.

Därför rekommenderar jag att du först anställer en AI-expert, som en konsult, som kommer att vägleda dig på vägen och utvärdera din AI-antagande process. Utnyttja deras expertis för att säkerställa att problemet du arbetar med kräver AI, och att teknologin kan skalas effektivt för att bevisa din hypotes.

Om du är ett tidigt skede-startup och är orolig för finansiering, är en hack för detta att kontakta AI-ingenjörer på LinkedIn med specifika frågor. Tro det eller ej, många ML- och AI-experter älskar att hjälpa, både för att de är riktigt intresserade av ämnet och för att om de lyckas med att hjälpa dig, kan de använda det som ett positivt fallstudie för sin konsultportfölj.

Slutliga tankar

Med all den hajp som omger AI, är det normalt att du kanske är angelägen om att integrera det i ditt företag och utveckla en AI-driven lösning som tar dig till nästa nivå. Men du måste komma ihåg att det faktum att alla pratar om AI betyder att ditt företag behöver AI. Många företag, tyvärr, rusar för att integrera AI utan en tydlig målsättning, och slösar bort enorma mängder pengar och tid. I vissa fall, särskilt för tidiga företag, kan detta betyda deras undergång. Genom att tydligt artikulera ett problem, samla relevant data, testa en hypotes och använda de verktyg som redan finns tillgängliga med hjälp av en expert, kan du integrera AI utan att tömma ditt företags finansiella resurser. Sedan, om lösningen fungerar, kan du gradvis skala upp och integrera AI i de områden där det ökar effektiviteten eller lönsamheten i ditt företag.