Fem skäl till varför AI-algoritmer kan vara svåra att implementera i operativ ledning

Av: Evgeniya Malina, Chef för affärsstrategi och verksamhet på Food Rocket.

Enligt en nyligen genomförd undersökning av McKinsey Global Institute är AI på väg att öka den globala ekonomiska produktionen med 13 biljoner dollar fram till 2030.

Men detta kommer med sina egna utmaningar och oavsiktliga konsekvenser. Några av de vanligaste identifierade riskerna och utmaningarna med AI-implementering inkluderar integritetsproblem, oförmåga att generalisera och en allmän brist på tillit.

Nedan följer tre utmaningar med AI som specifikt påverkar operativ ledning för företag.

1. Dålig datakvalitet

Det första som en robust AI-algoritm behöver är data. För att korrekt träna en algoritm måste du mata den med stora mängder exakta och högkvalitativa data. Tyvärr är det inte alltid lätt att få tag på denna data, och en rapport från Gartner 2020 påpekar att dålig datakvalitet kan kosta ditt företag runt 13 miljoner dollar varje år.

Till exempel kan vissa processer inte ha någon digital fotavtryck alls när du börjar. Det finns ingen data att mata in i en algoritm i dessa fall. Allt du ger är bara hypoteser och utbildade gissningar, vilket skapar två problem.

Först introducerar detta signifikant mänsklig bias i din process direkt från början. Andra, det betyder att alla resultat från algoritmen bara är en utvidgning av dina bästa gissningar. Slutligen, detta lämnar dig med en osäker data landskap och en opålitlig, instabil beslutsprocess.

2. Att navigera “kalla start” och medarbetarengagemang

Automatisering är utmärkt för att effektivisera befintliga processer, men avkastningen är “kall start”. Detta är när du måste börja en process med ingen historisk data som AI kan basera sin rutin på. I varje fall kommer AI att kämpa för att övervinna detta hinder.

Enligt Harvard Business Review, 80 procent eller mer av en IT-teams tid ägnas ofta åt att förbättra och finslipa inkonsekventa data för AI-algoritmer

Det kräver ofta en betydande mänsklig insats för att hjälpa AI över detta “kalla start” hinder och återuppta smidiga operationer.

I min erfarenhet kan det orsaka allvarliga störningar i leveranshantering, och det kan kosta företag betydande intäkter också. Vi vet alla att AI inte är tillräckligt utvecklad för att hantera alla aspekter av ett operativt ledningssystem. Detta betyder att varje AI-lösning ditt företag använder kommer att överlappa med mänskliga beslutsprocesser.

Medan detta kan vara en bra sak, kan det också leda till en avskildhet av en medarbetares känsla av personligt ansvar. I vissa fall, medarbetare kan känna att de kan separera sig från ett beslut eftersom “AI gjorde det”.

Dessutom är det vanligt att införandet av en ny algoritm sammanfaller med en betydande minskning av kvalitetsmått. I min erfarenhet är denna paradox ett resultat av en person som tidigare var ansvarig för måttet och känner att de nu är en oviktig länk i en kedja av automatiserat beslutsfattande.

Det är viktigt att hantera detta aspekt av automatisering på grund av hur lätt det kan leda ditt team nedåt en väg av ointresse och minskat engagemang. Det kan också orsaka skada på ditt varumärke. Om AI lämnas ensam för att fatta beslut, kan det omedvetet börja diskriminera kunder i vissa ålders-, kön- eller geografiska grupper.

3. Utmaningar med transparens och effektiv implementering

Som varje företagsägare vet, kan saker förändras på ett ögonblick. Företag har inte alltid tid att bygga en komplex AI-lösning för en ny verksamhet.

I själva verket är det mycket vanligare att företag är på en tidsbegränsning och tvingas lösa ett problem utan automatisering eftersom att ställa in en ny process tar för lång tid. Eftersom det vanligtvis inte finns tid att skriva komplexa modeller, händer en av två saker.

Först kan företaget välja att implementera en i stort sett komplett process men infoga ett manuellt mellansteg tills processen kan förfinas. I detta fall förlorar företag så mycket som 80 procent av den beräknade effektiviteten i processen.

Alternativt kan företaget distribuera SaaS för att påskynda implementeringsprocessen. Medan tids- och pengakostnaderna kommer att vara lägre, kvarstår problemet med effektivitetsförlust. I detta fall kan implementering av SaaS-algoritmer som inte är specifikt anpassade till företagets behov göra en process mindre effektiv än om den gjordes manuellt.

Utöver dessa problem är det viktigt att förstå att transparens i AI-processen är extremt svår att kommunicera till ledningen, även för experter. Detta beror på komplexiteten i algoritmerna, men det kan göra att ditt team känner reservationer om att gå över till automatiserad operativ ledning.

Vart går vi från här?

Vissa forskare föreslår att de utmaningar vi för närvarande står inför kommer att leda till nya mänskliga roller i ett företag: Tränare, förklarare och upprätthållare.

Tränare kommer att hjälpa till att optimera AI-prestanda; förklarare kommer att vara ansvariga för att bryta ner AI-beslut för icke-experter, och upprätthållare kommer att arbeta med att göra AI-processer hållbara på lång sikt.

Men tills dess måste företag och grundare överväga mer än bara den betydande konkurrensfördel som AI kan ge. Fördelen måste vägas mot de oklarheter, tidskostnader och tillväxthinder som följer med operativ AI.

Artificiell intelligens har fortfarande en lång väg att gå i termer av tillväxt, utveckling och implementering. Det kan utan tvekan göra en enorm skillnad i operativ ledning, men vi kan fortfarande inte helt lita på det som det bästa alternativet.