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

Av: Evgeniya Malina, chef för affärsstrategi och verksamhet på Matraket.

Enligt färsk forskning från McKinsey Global Institute är AI redo att öka den globala ekonomiska produktionen med $ 13 trillion av 2030.

Detta kommer dock med sina egna utmaningar och oavsiktliga konsekvenser. Några av de vanligaste identifierade riskerna och utmaningarna av AI-implementering inkluderar integritetsproblem, oförmåga att generalisera och en generell brist på förtroende.

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

1. Dålig datakvalitet

Det viktigaste som en robust AI-algoritm behöver är data. För att träna en algoritm på rätt sätt måste du mata in stora mängder exakta data av högsta kvalitet. Tyvärr är det inte alltid lätt att få tag på denna information, och en Gartner-rapport 2020 noterar att dålig datakvalitet kan kosta ditt företag runt 13 miljoner dollar varje år.

Till exempel kanske vissa processer inte har något digitalt fotavtryck alls när du börjar. Det finns ingen data för dig att mata in i en algoritm i dessa fall. Allt du ger är bara hypotetiska och välgrundade gissningar, vilket ställer till två problem.

Först, detta introducerar betydande mänsklig fördom in i din process direkt från början. För det andra betyder det att alla resultat från algoritmen helt enkelt är en förlängning av dina bästa gissningar. I slutändan lämnar detta dig med ett skissartat datalandskap och en opålitlig, instabil beslutsprocess.

2. Navigera "Kallstarter" och Employee Engagement

Automatisering är utmärkt för att effektivisera befintliga processer, men avvägningen är "kallstarten". Det är då du måste påbörja en process utan historiska data som AI:n kan basera sin rutin på. I alla fall kommer AI att kämpa för att övervinna detta hinder.

Enligt Harvard Business Review, 80 procent eller mer av ett IT-teams tid går ofta åt att försöka förbättra och förfina inkonsekventa data för AI-algoritmer

Det krävs ofta en avsevärd investering av mänsklig ansträngning för att hjälpa AI:n över denna "kallstarts"-puckel och återuppta smidiga operationer.

Enligt min erfarenhet kan det orsaka allvarliga störningar i leveranshanteringen, och det kan också kosta företagen avsevärda intäkter. Vi vet alla att AI ännu inte har utvecklats tillräckligt för att hantera alla aspekter av ett operativt ledningssystem. Detta innebär att alla AI-lösningar som ditt företag använder kommer att överlappa med mänskliga beslutsprocesser.

Även om detta kan vara bra, kan det också leda till att en anställds känsla av personligt ansvar försvinner. I vissa fall, anställda känner att de kan skilja sig från ett beslut eftersom "AI:n gjorde det."

Dessutom är det vanligt att introduktionen av en ny algoritm sammanfaller med en betydande nedgång i kvalitetsmått. Enligt min erfarenhet är denna paradox ett resultat av att en person som tidigare var ansvarig för den metriska känslan av att de nu helt enkelt är en oviktig länk i en kedja av automatiserat beslutsfattande.

Det är viktigt att hantera denna aspekt av automatisering på grund av hur lätt det kan leda ditt team på en väg av ointresse och minskat engagemang. Det har också potential att skada ditt varumärke. Om AI lämnas på egen hand att fatta beslut kan den omedvetet börja diskriminera kunder i vissa ålder, kön eller geografiska intervall.

3. Utmaningar med öppenhet och effektivt genomförande

Som alla företagare vet kan saker och ting förändras på ett ögonblick. Företag har inte alltid tid att bygga en komplex AI-lösning för en ny verksamhet.

Faktum är att det är mycket vanligare att företag har en tidskris och tvingas lösa ett problem utan hjälp av automatisering eftersom det tar för lång tid att sätta upp en ny process. Eftersom det vanligtvis inte finns tid att skriva komplexa modeller, händer en av två saker.

För det första kan företaget välja att implementera en mestadels komplett process men infoga ett manuellt mellansteg tills processen kan förfinas. I det här fallet förlorar företag så mycket som 80 procent av den beräknade effektiviteten i processen.

Alternativt kan företaget distribuera SaaS för att påskynda implementeringsprocessen. Även om kostnaderna för tid och pengar kommer att bli lägre, kvarstår problemet med effektivitetsförlust. I det här fallet 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 otroligt svår att kommunicera till ledningen, även av experter. Detta beror på komplexiteten i algoritmerna, men det kan få ditt team att känna reservationer inför övergången till automatiserad drifthantering.

Var ska vi gå härifrån?

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

Utbildare hjälper till att optimera AI-prestandan; Förklarare kommer att få i uppdrag att bryta ner AI-beslut för icke-professionella, och upprätthållare kommer att arbeta med att göra AI-processer hållbara på lång sikt.

Men fram till dess måste företag och grundare överväga mer än bara det viktiga konkurrensfördelar som AI kan ge. Fördelen måste vägas mot den oklarhet, tidskostnader och tillväxthinder som följer med operativ AI.

Artificiell intelligens har fortfarande en lång väg kvar när det gäller tillväxt, utveckling och implementering. Det kan utan tvekan göra en enorm skillnad i operativ ledning, men vi kan ännu inte helt lita på att det alltid är det bästa alternativet.